Tushare接口文档:因子值(factor_value)

简介: `factor_value`是Tushare因子库的核心数据接口,用于获取Tushare因子库中各因子的具体数值。该接口与`factor_list`(因子列表接口)配合使用——`factor_list`提供因子的元数据信息(名称、分类、算法逻辑),`factor_value`则提供具体的因子数值。
  • 功能描述:获取Tushare因子库里各因子的数值
  • 返回限量:单次请求最大返回6000行
  • 接口权限:独立权限,需单独开通
  • 说明:
    1. 本接口是基于daily的时间序列数值;
    2. 因子值由ts_code、factor_name和trade_date三个字段确定唯一记录,由于返回行数的限定,至少传递两个参数才能够完整获取参数所限定的所有因子值;
    3. 不同因子的数值量纲不同,在使用时需注意因子的具体含义和适用范围;

输入参数:

名称 类型 必选 描述
ts_code str N 股票代码
factor_name str N 因子名称(基于因子列表的名称)
trade_date str N 交易日期:YYYYMMDD格式
start_date str N 开始日期:YYYYMMDD格式
end_date str N 结束日期:YYYYMMDD格式

ts_code和factor_name至少要输入一个参数;

输出参数:

名称 类型 默认显示 描述
factor_name str Y 因子名称
ts_code str Y 证券代码
trade_date str Y 交易日期,格式YYYYMMDD
factor_value float Y 因子值

示例:

示例1:获取某支股票某个交易日所有的因子值

传递ts_code参数可指定特定股票,传递trade_date参数可指定特定交易日。

这里20260901浦发银行的因子有192行,因子库列表接口目前指示因子数量为232个(2026/09/02运行结果),由此可见并不是所有的股票各个因子有值;

import tushare as ts
pro = ts.pro_api()

df = pro.factor_value(ts_code='600000.SH', trade_date='20260901')
df

输出结果:

  factor_name    ts_code    trade_date    factor_value
0    alpha101_14    600000.SH    20260901    -3.016901e-01
1    alpha101_38    600000.SH    20260901    -8.213578e-01
2    sigma_1320d_000001    600000.SH    20260901    1.121016e-02
3    amount_ma_20d    600000.SH    20260901    6.362222e+08
4    alpha101_101    600000.SH    20260901    8.429119e-01
...    ...    ...    ...    ...
187    alpha101_1    600000.SH    20260901    -3.281504e-02
188    alpha101_9    600000.SH    20260901    -1.900000e-01
189    bias_turn_21d_252d    600000.SH    20260901    -1.939240e-01
190    return_252d    600000.SH    20260901    -2.821329e-01
191    alpha101_35    600000.SH    20260901    0.000000e+00
192 rows × 4 columns

示例2:获取某支股票某个因子所有历史值

通过传递ts_code和factor_name组合可获取某支股票某个因子所有历史值。

df = pro.factor_value(ts_code='600000.SH', factor_name='MACD')
df

输出结果:

  factor_name    ts_code    trade_date    factor_value
0    MACD    600000.SH    20100104    0.000000
1    MACD    600000.SH    20100105    0.078848
2    MACD    600000.SH    20100106    -0.083021
3    MACD    600000.SH    20100107    -0.411731
4    MACD    600000.SH    20100108    -0.481885
...    ...    ...    ...    ...
4042    MACD    600000.SH    20260826    -1.019095
4043    MACD    600000.SH    20260827    -1.040388
4044    MACD    600000.SH    20260828    -1.194412
4045    MACD    600000.SH    20260831    -0.891341
4046    MACD    600000.SH    20260901    -0.249090
4047 rows × 4 columns

示例3:获取某个交易日某个因子所有股票的值

通过传递trade_date和factor_name可获取某个交易日某个因子所有股票的值,这种场景可用于对不同股票进行横向对比。

df = pro.factor_value(trade_date='20260901', factor_name='MACD')
df

输出结果:

  factor_name    ts_code    trade_date    factor_value
0    MACD    000001.SZ    20260901    9.061484
1    MACD    600201.SH    20260901    -3.388144
2    MACD    000002.SZ    20260901    -0.558980
3    MACD    600202.SH    20260901    0.124472
4    MACD    000006.SZ    20260901    0.541549
...    ...    ...    ...    ...
5548    MACD    600195.SH    20260901    0.010409
5549    MACD    600196.SH    20260901    -5.574448
5550    MACD    600197.SH    20260901    -0.539697
5551    MACD    600198.SH    20260901    0.278474
5552    MACD    600199.SH    20260901    -0.435533
5553 rows × 4 columns

示例4:获取某个交易日所有股票因子值,并进行透视分析

因子值由ts_code、factor_name和trade_date三个字段确定唯一记录,且仅传递任意一个参数均不能够将该参数限定的记录完整查询并获取到。上述三个示例演示了这三个参数两两组合获取数据。本示例演示如何依据因子列表循环迭代获取某一交易日所有股票的所有因子值,并将结果合并成一个大的DataFrame,最后对这个DataFrame进行透视分析。

import pandas as pd

lst_factors = pro.factor_list()
lst_factor_values = []
for factor in lst_factors['factor_name']:
    df = pro.factor_value(factor_name=factor, trade_date='20260901')
    lst_factor_values.append(df)
df_combined = pd.concat(lst_factor_values, ignore_index=True)
df_pivoted = df_combined.pivot(index='ts_code', columns='factor_name', values='factor_value').reset_index()
df_pivoted

输出结果:

  factor_name    ts_code    MACD    adjusted_sharpe_750d    alpha101_1    alpha101_10    alpha101_101    alpha101_11    alpha101_12    alpha101_13    alpha101_14    ...    volume_alpha_300d_000001    volume_alpha_300d_000300    volume_beta_120d_000300    yoy_net_asset    yoy_net_profit    yoy_ocf    yoy_revenue    yoy_roa    yoy_roe    yoy_total_asset
0    000001.SZ    9.061484    10363.309559    -0.032815    0.216937    0.771704    0.751078    -0.20    -0.377838    0.249763    ...    0.002886    0.002116    0.677587    0.761905    -0.004877    0.795504    -0.063262    0.587284    0.545215    0.511492
1    000002.SZ    -0.558980    -5825.507539    -0.032815    0.505045    0.659341    1.499649    0.02    -0.175495    -0.580189    ...    0.008843    0.008242    1.155166    0.031746    0.748704    NaN    -0.379559    0.898608    0.905057    0.034476
2    000006.SZ    0.541549    781.026677    0.276894    0.496757    0.766284    0.347328    0.02    -0.639099    -0.180354    ...    0.005221    0.005293    0.183762    0.307061    -0.965812    NaN    -0.793852    0.180211    0.190825    0.485042
3    000007.SZ    2.652965    2486.584822    -0.032815    0.562342    0.221402    0.161407    0.00    -0.759099    0.203621    ...    0.006872    0.006491    0.839228    0.333881    -1.094127    NaN    0.145048    0.155756    0.164693    0.383802
4    000008.SZ    0.504163    841.563706    -0.032815    0.483784    0.588235    0.873699    -0.03    -0.222523    0.325086    ...    NaN    NaN    NaN    0.051450    0.426663    NaN    0.006928    0.856847    0.877985    0.051259
...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...    ...
5548    920978.BJ    -0.218878    NaN    -0.032815    0.161261    0.351262    0.291066    -0.28    -0.067748    -0.242891    ...    0.002462    0.002109    0.571580    0.855683    0.066839    NaN    0.299364    0.557562    0.553111    0.790770
5549    920981.BJ    1.105317    270.097142    0.430754    0.576216    -0.260980    0.375780    0.01    -0.708108    -0.062644    ...    0.011334    0.011076    0.533789    0.453932    1.031041    NaN    0.373963    0.844808    0.878737    0.876687
5550    920982.BJ    -6.294590    926.663269    0.500000    0.009189    0.499888    0.299269    -2.53    -0.296216    -0.591400    ...    0.005954    0.005663    0.304068    0.862981    -0.338755    0.492325    -0.112385    0.332205    0.344050    0.839292
5551    920985.BJ    0.028715    201.156243    -0.032815    0.252072    0.580913    0.593308    -0.16    -0.627387    -0.717185    ...    0.007263    0.007072    0.995508    0.021529    -6.412283    NaN    -0.707610    0.030098    0.015040    0.363736
5552    920992.BJ    0.006789    324.404670    -0.032815    0.796757    0.725953    0.290438    -0.40    -0.382883    -0.588990    ...    0.000450    0.000297    0.806843    0.500274    -0.043741    0.895833    0.052419    0.565463    0.561760    0.474644
5553 rows × 223 columns

说明:

factor_value是Tushare因子库的核心数据接口,用于获取Tushare因子库中各因子的具体数值。该接口与factor_list(因子列表接口)配合使用——factor_list提供因子的元数据信息(名称、分类、算法逻辑),factor_value则提供具体的因子数值。

相关文章
|
4月前
|
存储
Tushare接口文档:交易日历(trade_cal)
本文旨在对Tushare的交易日历trade_cal数据接口进行介绍,提供更多参考示例和使用说明。交易日历可以用来作为获取其他数据的关键(迭代)参数,也可以进行其他的应用。本文还基于交易日介绍了如何获取每周及每月最后一个交易日。
841 1
Tushare接口文档:交易日历(trade_cal)
|
4月前
|
存储 Shell
Tushare接口文档:股票基础信息(stock_basic)
本文旨在对Tushare的stock_basic数据接口进行介绍,讲解了如何使用stock_basic接口获取A股股票基础信息数据。并增加了一些使用案例和说明,方便用户和大模型工具便捷并准确调用。
582 0
|
安全 网络协议 网络安全
|
2月前
|
消息中间件 人工智能 Apache
Apache RocketMQ 面向 AI 演进:LiteTopic 支撑百万级多 Agent 会话协作
本文整理自 Apache 2026 技术分享《面向 AI 的 Apache RocketMQ:多 Agent 系统的可靠协作机制》。
302 24
|
2月前
|
算法 自动驾驶 安全
AgentLoop 数据飞轮实践(一):总览 —— 让 Agent 持续调优的闭环
Agent 上线的那一刻,真正的考试才开始:上线只是起点,持续调优才是关键。本文用一小时实操带你看 AgentLoop 如何把接入、评估、实验、经验库串成数据飞轮,以专家驱动与全自动经验挖掘,让 Agent 越转越聪明。
685 23
|
2月前
|
消息中间件 SQL Kafka
存算分离不只是弹性:一份 Kafka 数据如何同时服务当下与未来
本文整理自 Apache 2026 技术分享《实时湖仓管道:分离式 Kafka 中的原生入湖与内嵌计算》。
246 22
|
2月前
|
人工智能 API 调度
DeepSeek V4‑Pro对接Claude Code完整实操:配置、测试、排错全流程指南
Claude Code作为一款成熟的命令行AI编程助手,内置完整的斜杠命令、工具调用、本地文件操作、多步骤任务调度能力,深受开发者喜爱。但原生使用会受到调用成本、网络环境等因素制约。DeepSeek V4‑Pro作为具备百万级上下文窗口的高性能代码模型,在大型代码库理解、复杂逻辑推演、超长文件解析场景表现突出。通过官方提供的Anthropic兼容协议,就可以把DeepSeek V4‑Pro作为底层推理基座接入Claude Code,在完全保留原有操作习惯、工具链能力不变的前提下,获得更强长文本处理能力,同时降低API调用开销。
476 3
|
2月前
|
弹性计算 监控 测试技术
阿里云免费云服务器权益全拆解:个人 / 企业 / 学生申领、性能测试、Linux 实操命令与踩坑避坑完整指南
云计算持续普及,越来越多个人开发者、在校学生以及初创团队,希望以零成本的方式完成技术学习、项目原型验证、架构方案测试。云服务器作为云上开发最基础的算力载体,可以运行Web网站、后端接口、定时脚本、数据库、AI测试环境等多种多样的业务。平台面向新用户推出分层免费试用权益,覆盖个人、企业、学生三类群体,实例规格从1核2G一直到8核16G,个人与企业最长可享受3个月试用周期,符合条件的在校学生最长可以获得12个月使用时长。
770 1
|
2月前
|
人工智能 API 云计算
开源AI助手 OpenClaw 是什么?阿里云计算巢部署 OpenClaw 配置百炼Token Plan 喂饭级完整教程
随着AI智能体技术快速演进,具备自主执行系统指令、文件处理、多步骤自动化任务的自托管AI助手,已经成为开发者提升工作效率的重要工具。OpenClaw作为一款热度极高的开源个人AI助手平台,凭借强大工具调用能力、多消息渠道适配、社区丰富技能库,受到大量开发者青睐。本地设备运行OpenClaw会遇到诸多现实问题,电脑关机服务中断、本地硬件资源占用过高、网络环境不稳定,很难实现7×24小时不间断运行。阿里云计算巢提供容器化托管运行环境,屏蔽底层硬件环境维护工作,非常适合部署OpenClaw这类常驻后台的AI智能体服务。搭配百炼Token Plan订阅套餐,可以获得稳定的大模型推理服务,拥有独立调用链
174 2
|
2月前
|
弹性计算 前端开发 API
阿里云渠道商:阿里云ECS带宽买多少合适?1M、5M、10M分别适合什么业务
企业购买阿里云ECS云服务器时,CPU核心数和内存容量通常相对直观,真正容易出现选型偏差的反而是公网带宽。很多IT管理人员常问:1M到底够不够?5M是不是性价比最高的选择?10M有没有必要买?甚至有人直接试图根据“支持多少在线用户”来反推带宽。实际上,这种方式从底层网络逻辑上就是不成立的。
阿里云渠道商:阿里云ECS带宽买多少合适?1M、5M、10M分别适合什么业务