加载历史价格数据

历史市场价格通常以 OHLC+V 的形式出现 - 开盘价、最高价、最低价、收盘价、成交量。提供商可能返回额外字段，但这些是预期的列。

历史数据的粒度和数量因提供商和订阅状态而异。请访问他们的网站了解您的权限。

信息

这些示例假设 OpenBB 平台已在 Python 会话中初始化。

from openbb import obb
import pandas as pd

历史 OHLC 数据

Details

historical 函数位于每种资产类型的子模块下。在 openbb-equity 模块中。

help(obb.equity.price.historical)

• 此端点在所有函数中拥有最多的提供商。在撰写本文时，选择包括：

['alpha_vantage', 'cboe', 'fmp', 'intrinio', 'polygon', 'tiingo', 'tmx', 'tradier', 'yfinance']

• 通用参数已在所有数据源中标准化：start_date、end_date、interval。

• 默认间隔为 1d（日线）。

• 历史数据的深度和粒度选择因提供商和订阅状态而异。请参考每个数据源的网站和文档了解您的具体权限。

• 尽管在 equity 模块中，但可能可以从同一端点获取其他资产类型，如货币或加密货币。

• 为了演示目的，我们将使用 openbb-yfinance 数据扩展。

# 获取日线数据
df_daily = obb.equity.price.historical(symbol="SPY", provider="yfinance")
print(df_daily.to_dataframe().head())

        date    open    high     low   close    volume
0 2023-01-03  385.54  387.77  380.82  380.82  76009200
1 2023-01-04  383.18  384.30  378.85  379.75  89063400
2 2023-01-05  382.26  383.17  380.30  380.68  80456100
3 2023-01-06  383.93  385.17  380.30  383.18  87531500
4 2023-01-09  385.17  386.74  383.93  385.17  75135600

指定日期范围

# 获取特定日期范围的数据
data = obb.equity.price.historical(
    symbol="AAPL",
    start_date="2023-01-01",
    end_date="2023-12-31",
    provider="yfinance"
)

df = data.to_dataframe()
print(f"数据范围: {df.index.min()} 到 {df.index.max()}")
print(f"总记录数: {len(df)}")

不同时间间隔

# 获取小时线数据
hourly_data = obb.equity.price.historical(
    symbol="TSLA",
    interval="1h",
    provider="yfinance"
)

# 获取分钟线数据
minute_data = obb.equity.price.historical(
    symbol="NVDA",
    interval="5m",
    provider="yfinance"
)

print("可用时间间隔:")
print("- 1m, 5m, 15m, 30m (分钟线)")
print("- 1h, 4h (小时线)")
print("- 1d (日线)")
print("- 1wk (周线)")
print("- 1mo (月线)")

多个股票代码

# 获取多个股票的数据
symbols = ["AAPL", "MSFT", "GOOGL", "AMZN"]
data = obb.equity.price.historical(
    symbol=",".join(symbols),
    provider="yfinance"
)

df = data.to_dataframe()
print("获取的股票数据:")
print(df.groupby('symbol').size())

数据处理示例

# 基本数据分析
data = obb.equity.price.historical("SPY", provider="yfinance")
df = data.to_dataframe()

# 计算日收益率
df['daily_return'] = df['close'].pct_change()

# 计算移动平均线
df['ma_20'] = df['close'].rolling(window=20).mean()
df['ma_50'] = df['close'].rolling(window=50).mean()

# 计算波动率
df['volatility'] = df['daily_return'].rolling(window=20).std() * (252**0.5)

print("数据统计:")
print(df[['close', 'daily_return', 'volatility']].describe())

不同提供商比较

# 比较不同提供商的数据
providers = ['yfinance', 'fmp', 'polygon']
symbol = "AAPL"

for provider in providers:
    try:
        data = obb.equity.price.historical(symbol=symbol, provider=provider)
        df = data.to_dataframe()
        print(f"{provider}: {len(df)} 条记录")
        if not df.empty:
            print(f"  日期范围: {df.index.min()} 到 {df.index.max()}")
    except Exception as e:
        print(f"{provider}: 错误 - {e}")

错误处理

def get_historical_data(symbol, provider="yfinance", **kwargs):
    """
    安全获取历史数据的函数
    """
    try:
        data = obb.equity.price.historical(
            symbol=symbol, 
            provider=provider, 
            **kwargs
        )
        
        # 检查警告
        if data.warnings:
            print(f"警告: {data.warnings}")
        
        # 检查数据是否为空
        df = data.to_dataframe()
        if df.empty:
            print(f"未找到 {symbol} 的数据")
            return None
            
        return df
        
    except Exception as e:
        print(f"获取 {symbol} 数据时出错: {e}")
        return None

# 使用示例
df = get_historical_data("AAPL", start_date="2023-01-01")
if df is not None:
    print(f"成功获取 {len(df)} 条记录")

最佳实践

1. 选择合适的提供商：根据数据需求和订阅状态选择
2. 合理设置日期范围：避免请求过多历史数据
3. 处理缺失数据：检查并处理可能的数据缺口
4. 缓存数据：对于重复使用的数据考虑本地缓存
5. 错误处理：始终包含适当的错误处理逻辑

# 完整示例：获取并分析股票数据
def analyze_stock(symbol, days=252):
    """
    获取并分析股票数据
    """
    from datetime import datetime, timedelta
    
    end_date = datetime.now()
    start_date = end_date - timedelta(days=days)
    
    data = obb.equity.price.historical(
        symbol=symbol,
        start_date=start_date.strftime("%Y-%m-%d"),
        end_date=end_date.strftime("%Y-%m-%d"),
        provider="yfinance"
    )
    
    df = data.to_dataframe()
    
    # 基本统计
    stats = {
        'symbol': symbol,
        'records': len(df),
        'avg_price': df['close'].mean(),
        'volatility': df['close'].pct_change().std() * (252**0.5),
        'total_return': (df['close'].iloc[-1] / df['close'].iloc[0] - 1) * 100
    }
    
    return df, stats

# 使用示例
df, stats = analyze_stock("AAPL")
print("分析结果:", stats)