免费股票数据：行情、历史与 API

你真正需要哪一种免费股票数据？

先明确你的决策或产品目标。自选股需要当前行情，回测需要复权历史数据，选股器需要基本面，Agent 工作流则需要稳定字段与来源元数据。

“免费股票数据”并不是单一产品。行情接口可能只返回最新成交价，日线数据集可以覆盖多年，却没有盘中更新；基本面数据通常跟随公司财报周期，监管申报则可能以文档而非整齐表格提供。因此在比较供应商之前，应先写清市场范围、资产类别、数据频率、历史深度以及可接受的延迟。

对于研究任务，只有价格字段通常不够。你还可能需要交易日历、代码变更、退市记录、币种、交易所标识和公司行动。这些参考字段能减少幸存者偏差，也能让价格与基本面正确关联。来源清楚、标识一致的小型数据集，往往比来源不明、复权规则模糊的大型数据源更有价值。

先按使用场景选择数据

比较数值前先理解股票数据字段

“股票价格”可能指最后一笔符合条件的成交价、最优买卖价中点、官方收盘竞价价、延迟综合行情，或者供应商计算的快照。这些数值都可能有效，却彼此不同。应把事件类型、交易场所或综合数据流标识、交易时段、币种、时间戳和延迟状态与价格一起保存。缺少这些上下文的单个价格，不适合直接用于提醒、图表、估值输入或交易执行。

在股票代码之外保留稳定标识

股票代码可能变更、被重复使用、因交易所而不同，也可能代表不同股份类别。可靠的证券主数据应保存供应商代码、交易所或 MIC、币种、工具类型、公司身份和生效日期范围；若来源提供 CIK、FIGI、ISIN 或其他稳定标识，也应一并保存。历史关联必须解析观测日期当时有效的标识，把所有旧记录直接连接到今天的代码表会制造幸存者偏差和身份错误。

免费股票数据来源如何比较

没有一种来源适合所有工作流。交易所和监管机构最接近一手记录，但文件往往需要更多清洗；市场数据 API 查询方便，不过免费套餐通常以较低调用限额、延迟行情、较短历史或较窄市场覆盖来换取便利。券商数据适合个人交易流程，而可下载文件更适合可重复的研究分析。

不要只看功能清单，最好用同一组小样本横向测试：选择一只高流动性股票、一只成交稀疏的证券、一个曾更换代码的标的，以及包含拆股或分红的日期。对比时间戳、缺失记录、数值精度、复权方式和错误信息。即使字段名称相同，这种测试也能快速发现不同供应商对交易时段和指标定义的差异。

让每个来源承担合适的角色

便利的数据供应商与一手来源解决的是不同问题。Alpha Vantage 提供免费 API Key，并说明大多数免费数据集目前每天最多调用 25 次；同时，美国股票实时数据和 15 分钟延迟数据属于付费能力。Financial Modeling Prep 要求 API Key，其文档列出了标准化的行情、历史、公司资料、财报、代码变更和公司行动端点。Massive（原 Polygon.io）的文档说明，其美国股票数据来自交易所、证券信息处理机构、FINRA 设施及 OTC 市场，实际数据流权限由用户套餐和授权决定。这些服务降低了应用接入难度，但免费范围和许可仍需在正式接入时核验。

SEC EDGAR 是美国公司申报和结构化 XBRL 事实的一手来源，而不是股票价格流。其公共数据 API 无需认证密钥，会在日内更新，并提供夜间批量归档。用市场数据来源获取价格、用 EDGAR 获取申报，通常比把同一家聚合商同时视为两类数据的权威来源更可靠。对于关键数值，应保留供应商、端点、获取时间和上游来源署名，使审阅者能够追溯。

构建不含隐性偏差的历史股票数据集

制作一张干净图表比构建可信回测容易得多。历史研究需要每个日期当时存在的证券，而不仅是今天仍然存续的公司；还需要退市记录、代码变更、上市日期、交易日历、公司行动，以及各历史时点当时可得的基本面数据。否则数据集可能排除失败公司、过早使用后来修订的信息，或把价格连接到错误发行人。

在 QVeris 工作流中，应从数据和决策需求出发：自选列表需要延迟行情，研究需要复权历史，估值需要公司事实，对账需要公司行动。先查找匹配的数据能力，检查供应商、字段结构、延迟、限额和来源，再传入明确的标识与日期进行调用，并将原始响应与标准化表并存。QVeris 可以协助查找和调用这些能力，但不会授予市场数据权限，也不能代替对准确性、时效和许可条款的验证。

实用的 API 与 CSV 工作流

可靠的工作流会把“发现数据源”和“正式使用”分开。先查看供应商文档与示例响应，再发起小规模请求，保存原始返回，并转换为自己的稳定字段结构。数据进入图表、模型、表格或 Agent 之前应先经过验证。这样未来更换数据源时，无需重写整个产品。

使用 API 时，应缓存不要求秒级更新的结果，对临时失败采用指数退避，并记录请求时间、参数、状态码和供应商时间戳。使用 CSV 时，应把原始文件与清洗后的表格分开保存，同时记录下载日期、分隔符、编码和时区。两种方式都需要可重复的更新策略，避免新旧数据在无提示的情况下混合。

请求并验证日线时间序列

下面的示例使用用户提供的 Key 从 Alpha Vantage 请求 IBM 日线数据。代码会在使用时间序列对象前检查响应，因为限额提示和 API 错误同样可能以 JSON 返回。该示例用于研究数据接入，并不表示免费响应属于实时行情。

import os
import requests

params = {
    "function": "TIME_SERIES_DAILY",
    "symbol": "IBM",
    "outputsize": "compact",
    "apikey": os.environ["ALPHA_VANTAGE_API_KEY"],
}
response = requests.get(
    "https://www.alphavantage.co/query",
    params=params,
    timeout=20,
)
response.raise_for_status()
payload = response.json()

series = payload.get("Time Series (Daily)")
if not isinstance(series, dict):
    raise RuntimeError(payload.get("Note") or payload.get("Error Message") or payload)

rows = [
    {"date": date, **values, "provider": "Alpha Vantage"}
    for date, values in series.items()
]

入库前应明确转换数字字符串，在归档中保留供应商原始字段名，按日期排序，并结合对应交易日历检查重复和缺口。只有排除节假日与休市后，才能把缺失日历日期认定为数据缺失。如果之后切换到复权数据，应把原始序列与复权序列分开保存，并记录复权方法。

免费股票数据质量检查清单

数据质量不只是判断一个数字“看起来是否合理”。每条记录都应对应正确的交易场所、交易时段、币种和时区，还要确认时间戳表示成交时间、K 线结束时间，还是数据从供应商送达的时间。构建指标或回测时，应记录如何处理缺失交易日、零成交量、重复行、异常值、拆股、分红以及重述后的财务数据。

• 确认市场、交易所、资产类别、周期和历史深度。
• 记录价格是否复权，以及拆股和分红等公司行动的处理方式。
• 为每条结果保留来源、时间戳、币种、时区和请求参数。

最后，许可证应当和字段说明一样认真阅读。免费访问可能允许个人分析，却限制公开展示、再分发、自动抓取、模型训练或商业产品。建议在项目中保存适用条款的链接或副本，并在供应商调整套餐时重新检查。如果数据用于交易、合规或面向客户的决策，关键数值还应与权威来源交叉核验。

可先查看 Financial Modeling Prep 服务商详情，接入时再参阅 QVeris REST API 参考。

常见问题

外部参考链接