Tushare接口文档:分红送股(dividend)

简介: 本文旨在对Tushare的分红送股`dividend`数据接口进行介绍,提供更多参考示例和使用说明。`dividend`接口是Tushare Pro中用于查询上市公司分红送股历史记录的核心工具。它提供了股票历次股利分配(包括现金分红、送股、转增股本)的详细方案与关键日期,是进行除权除息调整、股息率策略研究以及量化回测中复权计算的重要依据。
  • 功能描述:获取上市公司分红送股数据
  • 返回限量:单次请求最大返回2000行
  • 接口权限:2000积分200次/分钟、5000积分500次/分钟
  • 说明
  1. 数据最早2000/01/01;
  2. 影响上市公司股本变化的另一类活动——配股,并未记录在本接口数据中;


输入参数:

名称

类型

必选

描述

ts_code

str

N

TS代码

ann_date

str

N

公告日

end_date

str

N

分红年度

record_date

str

N

登记日期

ex_date

str

N

除权除息日

imp_ann_date

str

N

实施公告日

  1. 以上参数至少传递一个;


输出参数:

名称

类型

默认显示

描述

ts_code

str

Y

TS代码

end_date

str

Y

分红年度

ann_date

str

Y

预案公告日

div_proc

str

Y

实施进度

stk_div

float

Y

每股送转

stk_bo_rate

float

Y

每股送股比例

stk_co_rate

float

Y

每股转增比例

cash_div

float

Y

每股分红(税后)

cash_div_tax

float

Y

每股分红(税前)

record_date

str

Y

股权登记日

ex_date

str

Y

除权除息日

pay_date

str

Y

派息日

div_listdate

str

Y

红股上市日

imp_ann_date

str

Y

实施公告日

base_date

str

N

基准日

base_share

float

N

基准股本(万)

  1. 分红送股记录了两大类权益变动,一类是现金类变动,另一类是股本类变动。现金类变动包含现金分红,关注两个字段cash_divcash_div_tax分别记录的是税后和税前每股现金分红的金额;股本类变动包含送股和转股两部分,stk_div(每股送转)记录的是这两部分的每股总的股本变动数,stk_bo_ratestk_co_rate分别记录了其中送股比例和转股比例;
  2. 影响上市公司股本变化的另一类活动——配股,并未记录在本接口数据中;


示例:

示例1:获取某支股票所有的分红送股数据并过滤出已实施的分红送股记录

通过仅传递ts_code可指定获取特定股票所有的分红送股数据,如果传递fields参数,则可指定返回的字段。实施进度字段(div_proc)说明了该记录的实施状态,虽然该字段不是输入参数,但一般投资者都非常关心实施的情况。

div_proc(实施进度)字段标识了分红方案的状态。“实施”表示方案已执行完毕,是进行历史复权计算的有效数据。而“预案”、“股东大会通过”等状态则表示方案尚未最终实施;

import tushare as ts
pro = ts.pro_api()
df = pro.dividend(ts_code='600848.SH', fields='ts_code,div_proc,stk_div,stk_bo_rate,stk_co_rate,cash_div,cash_div_tax,record_date,ex_date')
df_done = df[df['div_proc']=='实施']
df_done

输出结果:

          ts_code        div_proc        stk_div        stk_bo_rate        stk_co_rate        cash_div        cash_div_tax        record_date        ex_date
2        600848.SH        实施        0.00        NaN        NaN        0.20        0.20        20260707        20260708
7        600848.SH        实施        0.00        NaN        NaN        0.20        0.20        20250729        20250730
11        600848.SH        实施        0.00        NaN        NaN        0.20        0.20        20240726        20240729
15        600848.SH        实施        0.00        NaN        NaN        0.20        0.20        20230626        20230627
19        600848.SH        实施        0.00        NaN        NaN        0.30        0.30        20220628        20220629
23        600848.SH        实施        0.20        NaN        0.2        0.30        0.30        20210621        20210622
27        600848.SH        实施        0.00        NaN        NaN        0.24        0.24        20200612        20200615
31        600848.SH        实施        0.00        NaN        NaN        0.12        0.12        20190515        20190516
33        600848.SH        实施        0.00        NaN        NaN        0.12        0.12        20180522        20180523
34        600848.SH        实施        0.10        NaN        0.1        0.00        0.00        19980706        19980707
35        600848.SH        实施        0.15        0.15        NaN        0.00        0.00        19960701        19960702
36        600848.SH        实施        0.10        0.10        NaN        0.00        0.10        19950606        19950607

示例2:获取某一公告日公布的所有上市公司分红送股数据

通过传递ann_date可指定获取某一特定公告日的数据。此外传递record_date可获取某一登记日的数据,传递ex_date可获取某一除权除息日的数据,传递imp_ann_date则可获取某一实施公告日的数据。

虽然传递end_date可以限定获取某一分红年度的数据,但属于同一分红年度的数据量很大,仅传递这一参数在有2000行限制的情况下无法一次性获取完所有的分红记录;

df = pro.dividend(ann_date='20260321')
df

输出结果:

          ts_code        end_date        ann_date        div_proc        stk_div        stk_bo_rate        stk_co_rate        cash_div        cash_div_tax        record_date        ex_date        pay_date        div_listdate        imp_ann_date
0        688366.SH        20251231        20260321        实施        0.0        None        NaN        0.60        0.60        20260616        20260617        20260617        None        20260611
1        601899.SH        20251231        20260321        股东大会通过        0.0        None        NaN        0.00        0.38        None        None        None        None        None
2        688366.SH        20251231        20260321        股东大会通过        0.0        None        NaN        0.00        0.60        None        None        None        None        None
3        688018.SH        20251231        20260321        实施        0.4        None        0.4        0.50        0.50        20260604        20260605        20260605        20260605        20260601
4        600332.SH        20251231        20260321        股东大会通过        0.0        None        NaN        0.00        0.45        None        None        None        None        None
...        ...        ...        ...        ...        ...        ...        ...        ...        ...        ...        ...        ...        ...        ...
115        002772.SZ        20251231        20260321        预案        0.0        None        NaN        0.00        0.30        None        None        None        None        None
116        300708.SZ        20251231        20260321        预案        0.0        None        NaN        0.00        0.03        None        None        None        None        None
117        002552.SZ        20251231        20260321        预案        0.0        None        NaN        0.00        0.00        None        None        None        None        None
118        603909.SH        20251231        20260321        预案        0.0        None        NaN        0.00        0.15        None        None        None        None        None
119        688101.SH        20251112        20260321        实施        0.0        None        NaN        0.21        0.21        20260511        20260512        20260512        None        20260430
120 rows × 14 columns


说明:

本文说明

本文旨在对Tushare的分红送股dividend数据接口进行介绍,提供更多参考示例和使用说明。

dividend接口是Tushare Pro中用于查询上市公司分红送股历史记录的核心工具。它提供了股票历次股利分配(包括现金分红、送股、转增股本)的详细方案与关键日期,是进行除权除息调整、股息率策略研究以及量化回测中复权计算的重要依据。

本文目的是为了让用户和AIGC工具能够更便捷、准确地使用该接口。大家在使用过程中遇到什么问题和建议可在线留言,作者会进行数据探索将结果更新到文章中,并将建议反馈给Tushare团队。本文另一个目的也是为了聚集大家的智慧以创建“我为人人,人人为我”的共创氛围。

相关文章
|
2月前
|
数据挖掘
Tushare接口文档:个股资金流向(moneyflow)
本文旨在对Tushare的个股资金流向`moneyflow`数据接口进行介绍,提供更多参考示例和使用说明。 本接口可获取沪深A股票资金流向数据,分析大单小单成交情况,用于判别资金动向。本文除了从交易日、个股方面简单介绍如何快速获取数据外,还演示了如何计算主力资金流向及对单支股票主力资金流向绘制趋势图,最后演示了如何筛选主力资金净流入top 10的个股。
561 9
|
2月前
|
人工智能 安全 调度
QwenPaw:你的私人AI助理 —— 数据归你、记忆进化、多端触达的开源个人智能体
在AI智能体快速普及的当下,绝大多数通用AI助手存在三大无法规避的痛点:用户所有对话记录、个人偏好画像、私密记忆数据统一托管至第三方远端服务器,数据隐私不受自身掌控;平台内置功能固定,无法根据个人业务、学习、创作需求自定义拓展能力;多办公软件、社交渠道数据割裂,在网页端配置的人设、记忆无法同步至办公IM工具,使用体验碎片化。由AgentScope开源生态团队打造的QwenPaw,以**本地优先、全开源、数据自持**为核心设计思路,彻底解决以上行业痛点,推出一款面向个人与小型团队的私有AI智能体框架,采用Apache 2.0开源协议,无商用限制,仅需3行命令即可完成全量部署,内置Web Codi
586 1
|
2月前
|
存储 人工智能 数据处理
基于YOLO11的无人机秸秆焚烧检测:从数据标注到云上训练全流程实践
本文详解基于YOLO11的无人机秸秆焚烧检测全流程:涵盖视频抽帧、Label Studio标注、云存储管理、YOLO格式转换、云上训练调优及模型评估。聚焦“fire”单类检测,适配512×512图像,支持实时告警落地,助力农业环保智能化监管。(239字)
基于YOLO11的无人机秸秆焚烧检测:从数据标注到云上训练全流程实践
|
2月前
|
存储 人工智能 安全
【新版】阿里云 对象存储服务 OSS 功能介绍及配置价格表
阿里云对象存储OSS作为海量、安全、低成本、高持久的云存储服务,新版在AI能力、数据管理、安全防护、性能优化等维度实现全面升级,推出标准、低频访问、归档、冷归档四大存储类型,覆盖数据存储、数据处理、数据分发、数据备份等全场景。新版OSS以“AI赋能、智能管理、安全可控、弹性扩展”为核心,支持多终端接入、多协议兼容、多地域部署,提供按量付费与资源包两种计费模式,满足个人、企业、开发者的多样化存储需求。本文将系统梳理新版OSS的核心功能升级、全系列存储类型配置与价格明细,并提供Bucket创建、权限配置、数据上传、AI检索的完整命令与操作指南,帮助用户快速选型与部署。
670 3
|
2月前
|
数据库 开发工具 知识图谱
从 DeepWiki 到 OpenWiki:Agent Wiki 到底有什么用?
Agent Wiki 是一种新型知识管理范式:将RAG中“查询时实时检索”改为“导入时预编译”,用模型自动生成并持续维护结构化Markdown Wiki。它解决传统RAG重复推导、无法积累的问题,适用于稳定文档集,但需区分“文档知识”与“用户记忆”。
257 0
|
2月前
|
人工智能 前端开发 API
通义千问Qwen3.7-Max与Plus深度选型指南:百炼平台模型能力、计费方案与API接入全教程
随着自主智能体进入规模化落地阶段,各行各业对大模型提出分层化使用需求:科研推演、大型工程重构、百万字财报审计等重型业务,要求模型具备极致逻辑推理与长链路自纠错能力;日常客服、图文创作、中小型代码开发等高频轻量化场景,则更看重低廉调用成本与视觉图文解析能力。通义千问推出Qwen3.7系列两款核心基座,分别为纯文本旗舰Qwen3.7-Max、均衡多模态Qwen3.7-Plus,两款模型统一托管于百炼大模型服务平台,共享百万Token超长上下文、35小时不间断自治智能体、MCP标准化工具协议、双生态兼容API等全套底层基础设施,但在推理精度、视觉输入支持、单次调用成本、订阅适配、业务承载上限上存在清
524 2
|
2月前
|
人工智能 自然语言处理 数据挖掘
最新版通义千问(Qwen3.8-Max-Preview)功能介绍
Qwen3.8-Max-Preview是通义千问系列推出的最新一代旗舰级大模型预览版,以**2.4万亿参数MoE混合专家架构、百万级上下文窗口、双推理模式、全栈代码能力、原生全模态、多智能体协同**为核心突破,定位“代码工程+专业办公”双核旗舰,综合能力跻身全球第一梯队。它依托阿里云百炼平台开放预览体验,支持Token Plan、Qoder、QoderWork等多渠道接入,具备持续进化特性,正式版将开源开放。相较于前代Qwen3.7-Max,该模型在复杂多轮智能体任务准确率提升35%,长文本幻觉率降低62%,全栈代码开发完整性提升40%,实现从“对话工具”到“自主执行引擎”的跨越式升级。
2620 2