当前位置：首页 > news >正文

Python之如何做出交易日历（上）

news 2026/4/25 16:36:52

摘要

在量化交易的策略回测、实盘交易、因子计算等核心环节中，交易日历是最容易被新手忽略却直接决定系统准确性的底层基础模块。错误的交易日历会导致回测信号偏移、实盘下单失败、因子计算失真等一系列致命问题。本文系统梳理了 Python 生态中 5 大类交易日历解决方案，从开箱即用的第三方库、在线 API 接口，到本地化部署、高可用混合架构，覆盖单市场回测到多市场实盘的全场景需求，并给出了可直接落地的代码实现与选型决策指南，帮助量化开发者快速搭建稳定、精准的交易日历体系。

tdxquant+miniQMT强强结合

关键词

Python；量化交易；交易日历；策略回测；pandas；金融数据 API

一、引言：为什么交易日历是量化系统的核心基石

几乎所有量化新手在本地运行策略回测、实盘交易脚本时，都曾遇到过这些经典问题：

回测时用自然日计算持仓周期，导致收益率、最大回撤等指标计算完全失真
节假日 / 周末触发了下单信号，实盘接口直接报错，策略流程中断
多市场跨市场策略中，A 股、港股、美股交易日不匹配，导致套利信号计算错误
因子计算时未剔除休市日，出现未来函数，回测结果严重虚高

这些问题的核心根源，都是没有搭建一套精准、适配目标市场的交易日历体系。

交易日历并非简单的 “剔除周末和法定节假日”，还需要覆盖交易所临时休市、特殊交易时段调整、跨市场时区匹配、节假日前后的交易日修正等复杂场景。本文将从易到难，全面拆解 Python 生态中主流的交易日历实现方案，所有代码均可直接复制运行。

二、开箱即用：第三方 Python 交易日历库方案

对于量化新手和快速验证策略的场景，第三方成熟的交易日历库是首选方案，无需自行维护节假日数据，安装后即可直接调用，支持全球主流交易所，适配绝大多数回测场景。

2.1 pandas_market_calendars：全球市场全覆盖

pandas_market_calendars是量化领域最主流的交易日历库之一，深度兼容 pandas 数据结构，原生适配 pandas 时间序列处理逻辑，是多市场策略的首选工具。

2.1.1 基础使用示例

2.1.2 核心优势与适用场景

✅ 支持全球 30 + 主流交易所，覆盖 A 股、港股、美股、欧股等主流市场
✅ 内置完整的节假日修正规则，自动适配交易所临时休市、特殊时段调整
✅ 支持自定义日期范围查询，原生兼容 pandas 时间序列，无缝对接回测系统
✅ 可精准获取开盘、收盘时间，适配日内高频策略的时间窗口判断
🎯 适用场景：多市场跨市场策略、美股 / 港股等境外市场回测、日内高频策略

2.2 exchange_calendars：A 股市场深度适配

exchange_calendars是另一款高稳定性的交易日历库，对 A 股上交所、深交所的适配性极强，节假日规则更新及时，支持交易日校验、交易时段拆分等精细化操作，是 A 股量化策略的首选。

2.2.1 基础使用示例

# 安装依赖：pip install exchange_calendars import exchange_calendars as ecals # 1. 获取上交所日历（XSHG=上交所，XSHE=深交所，XNYS=纽交所，XHKG=港交所） sse = ecals.get_calendar("XSHG") # 2. 核心功能1：校验指定日期是否为交易日 print("2023-10-01是否为交易日：", sse.is_session('2023-10-01')) # 国庆节，输出False print("2023-10-09是否为交易日：", sse.is_session('2023-10-09')) # 调休开市，输出True # 3. 核心功能2：获取指定范围的交易日列表 trading_days = sse.sessions_in_range(start='2023-01-01', end='2023-12-31') # 转换为标准日期格式 trading_days_list = [day.date() for day in trading_days] # 输出结果查看 print(f"2023年上交所交易日数量：{len(trading_days_list)}")

2.2.2 核心优势与适用场景

✅ 对 A 股市场适配性极强，节假日、调休开市规则更新及时，准确率极高
✅ 支持交易日校验、交易时段拆分、休市日期批量查询等精细化操作
✅ 兼容 pandas 数据结构，可无缝对接 zipline、backtrader 等主流回测框架
🎯 适用场景：A 股单市场策略、中低频策略回测、实盘交易日校验

三、在线获取：金融数据 API 交易日历方案

对于需要实时更新交易日历、适配国内市场最新休市规则的场景，通过国内主流金融数据 API 获取交易日历是最优选择，数据直接对接交易所，准确率最高，可覆盖临时休市等特殊场景。

3.1 Tushare Pro：国内市场精准适配

Tushare Pro 是国内量化领域最常用的金融数据接口，其交易日历接口覆盖上交所、深交所、港交所等主流市场，数据与交易所完全同步，支持历史全量数据查询，是 A 股实盘系统的首选。

3.1.1 接口使用示例

# 安装依赖：pip install tushare import tushare as ts # 1. 初始化接口（需替换为自己的Tushare API_TOKEN，可在Tushare官网获取） pro = ts.pro_api("YOUR_API_TOKEN") # 2. 获取上交所2023年完整交易日历 # exchange参数：SSE=上交所，SZSE=深交所，HKEX=港交所 df = pro.trade_cal( exchange='SSE', start_date='20230101', end_date='20231231' ) # 3. 筛选开市交易日，转换为标准日期列表 trading_days = df[df['is_open'] == 1]['cal_date'].tolist() # 输出结果查看 print(f"2023年上交所交易日数量：{len(trading_days)}") print(f"前5个交易日：{trading_days[:5]}")

3.1.2 使用注意事项

需注册 Tushare 账号并获取 API_TOKEN，基础交易日历接口免费额度即可覆盖需求
接口有调用频率限制，实盘系统使用时需搭配本地缓存，避免频繁调用
支持查询历史年度数据，可一次性拉取全量交易日数据本地化存储

3.2 AKShare：零 Token 免费获取方案

AKShare 是一款开源免费的金融数据接口，无需注册账号、无需申请 Token，安装后即可直接调用，交易日历数据对接新浪财经等权威数据源，完全免费，适合新手快速入门和非商业场景使用。

3.2.1 接口使用示例

# 安装依赖：pip install akshare import akshare as ak # 1. 获取A股历史全量交易日历（对接新浪财经数据源） trade_cal_df = ak.tool_trade_date_hist_sina() # 2. 筛选2023年交易日列表 trading_days_2023 = trade_cal_df[ trade_cal_df['trade_date'].between('2023-01-01', '2023-12-31') ]['trade_date'].tolist() # 3. 核心功能：校验指定日期是否为交易日 check_date = '2023-10-01' is_trading_day = check_date in [day.strftime('%Y-%m-%d') for day in trading_days_2023] print(f"{check_date}是否为交易日：{is_trading_day}") # 输出结果查看 print(f"2023年A股交易日数量：{len(trading_days_2023)}")

3.2.2 核心优势

✅ 完全开源免费，无需注册、无需 Token，无调用频率限制
✅ 数据更新及时，适配 A 股节假日、调休规则，满足基础回测需求
✅ 接口简单易用，一行代码即可获取全量历史数据，新手友好
🎯 适用场景：新手入门学习、策略快速验证、非商业个人量化场景

四、自主可控：本地化交易日历处理方案

对于企业级量化系统、高频交易场景，对交易日历的稳定性、可控性要求极高，不依赖第三方库和在线 API 的本地化方案是最优选择，可完全自主掌控数据规则，避免外部依赖故障导致系统崩溃。

4.1 交易所官网 CSV 数据源方案

国内上交所、深交所官网每年都会发布官方的全年休市安排公告，可基于官方公告制作 CSV 格式的交易日历文件，完全自主可控，数据准确率 100%，是实盘系统的最稳定方案。

4.1.1 实现步骤

从上交所 / 深交所官网获取年度休市安排公告，整理全年交易日、休市日数据
制作 CSV 文件，核心字段包含：date(日期)、is_trading_day(是否为交易日)、exchange(交易所)、remark(备注)
通过 Python 读取 CSV 文件，实现交易日查询、校验、列表筛选等功能

4.1.2 Python 读取与处理示例

import pandas as pd # 1. 读取本地交易日历CSV文件 cal_df = pd.read_csv( 'sse_trade_calendar_2023.csv', parse_dates=['date'], # 自动解析日期格式 dtype={'is_trading_day': bool} ) # 2. 筛选2023年交易日列表 trading_days = cal_df[cal_df['is_trading_day'] == True]['date'].dt.date.tolist() # 3. 交易日校验函数（可直接嵌入实盘系统） def check_trading_day(check_date: str) -> bool: """ 校验指定日期是否为交易日 :param check_date: 待校验日期，格式'YYYY-MM-DD' :return: 是交易日返回True，否则返回False """ check_date = pd.to_datetime(check_date).date() return check_date in trading_days # 函数调用测试 print(check_trading_day('2023-10-01')) print(check_trading_day('2023-10-09'))

4.2 SQL 数据库集成方案

对于企业级量化平台、多策略并行的回测系统，将交易日历存储到 SQL 数据库中，可实现全系统统一调用、批量查询、多市场数据统一管理，支持高并发访问，适配大型量化系统架构。

4.2.1 适用场景

企业级量化交易系统，多服务并行调用交易日历
海量历史回测任务，需要高频批量查询交易日数据
多市场策略统一管理，需要集中维护全球交易所日历数据

4.2.2 代码实现示例

# 安装依赖：pip install pandas sqlalchemy psycopg2-binary import pandas as pd import sqlalchemy as sa # 1. 初始化数据库连接引擎（支持PostgreSQL/MySQL/SQLite，替换为自身数据库配置） # 示例为PostgreSQL，MySQL可替换为'mysql+pymysql://user:pass@localhost/calendar_db' engine = sa.create_engine('postgresql://user:pass@localhost/calendar_db') # 2. 编写SQL查询语句，筛选港交所2023年上半年交易日 query = """ SELECT date FROM hkex_calendar WHERE is_trading_day = True AND date BETWEEN '2023-01-01' AND '2023-06-30' """ # 3. 执行查询并转换为日期列表 hk_days = pd.read_sql(query, engine)['date'].dt.date.tolist() # 输出结果查看 print(f"2023年上半年港交所交易日数量：{len(hk_days)}") print(f"前5个交易日：{hk_days[:5]}")

五、高可用实践：混合架构解决方案

在实盘交易场景中，单一方案往往存在风险：第三方库可能更新不及时、在线 API 可能出现接口故障、本地化方案可能遗漏临时休市。混合架构方案结合了多种方案的优势，实现 “在线 API 校准 + 本地缓存兜底” 的高可用架构，是实盘生产环境的最佳实践。

5.1 混合方案核心逻辑

优先从本地数据库 / CSV 文件读取交易日历数据，保证核心功能不依赖外部网络
每日开盘前自动调用权威 API 接口，校验本地数据与交易所官方数据是否一致
若出现临时休市、数据偏差，自动更新本地数据，同时发送告警通知
基础过滤规则兜底：剔除周末、法定节假日，避免极端情况下的数据错误

5.2 完整代码实现

from datetime import date, timedelta from dateutil import rrule import pandas as pd import akshare as ak # ===================== 1. 基础配置 ===================== TARGET_YEAR = 2023 # 本地法定节假日配置（从交易所官网更新） LOCAL_HOLIDAYS = [ date(2023, 1, 1), date(2023, 1, 2), date(2023, 1, 21), date(2023, 1, 27), date(2023, 4, 5), date(2023, 5, 1), date(2023, 6, 22), date(2023, 9, 29), date(2023, 10, 1), date(2023, 10, 6) ] # ===================== 2. 本地基础日历生成 ===================== # 生成全年自然日序列 all_days = list(rrule.rrule( rrule.DAILY, dtstart=date(TARGET_YEAR, 1, 1), until=date(TARGET_YEAR, 12, 31) )) # 基础过滤：剔除周末 + 剔除法定节假日 local_trading_days = [ day.date() for day in all_days if day.weekday() < 5 and day.date() not in LOCAL_HOLIDAYS ] # ===================== 3. 在线权威数据校准 ===================== def get_official_trading_days(year: int) -> list: """从AKShare获取官方校准的交易日列表""" trade_cal_df = ak.tool_trade_date_hist_sina() start_date = f"{year}-01-01" end_date = f"{year}-12-31" official_days = trade_cal_df[ trade_cal_df['trade_date'].between(start_date, end_date) ]['trade_date'].dt.date.tolist() return official_days # 获取官方校准数据 official_trading_days = get_official_trading_days(TARGET_YEAR) # ===================== 4. 数据比对与最终输出 ===================== # 比对本地数据与官方数据，输出偏差 diff_add = set(local_trading_days) - set(official_trading_days) diff_miss = set(official_trading_days) - set(local_trading_days) print(f"本地数据多算的交易日：{diff_add}") print(f"本地数据遗漏的交易日：{diff_miss}") # 最终采用官方校准后的交易日列表 final_trading_days = official_trading_days print(f"【最终校准】2023年A股交易日数量：{len(final_trading_days)}")

六、方案选型决策树与最佳实践

6.1 选型核心考量维度

选择适合自身场景的交易日历方案，需重点评估以下 5 个核心维度，对应选型优先级如下：

考量维度	评估要点	高权重场景
覆盖市场	境内单市场 / 境外市场 / 多市场跨市场	多市场套利策略、跨境量化策略
准确性要求	是否需要覆盖临时休市、特殊时段调整	实盘交易系统、高频交易策略
系统架构	云端部署 / 本地离线部署 / 分布式架构	企业级量化平台、离线回测系统
历史深度	是否需要 10 年以上长周期历史交易日数据	多因子模型、长周期策略回测
运维成本	是否需要自行维护数据、更新节假日规则	个人开发者、小型量化团队

6.2 分场景最佳组合策略

基于多年量化系统搭建经验，针对不同场景给出经过生产环境验证的最佳组合方案，可直接落地：

实时交易系统：金融数据 API + 本地缓存兜底
- 核心逻辑：以交易所官方 API 数据为准，每日自动校准，本地缓存保证网络故障时系统正常运行，兼顾准确性与稳定性
历史回测研究：本地数据库 + 第三方库校准
- 核心逻辑：本地数据库存储全量历史数据，保证回测任务高效运行，第三方库定期校准数据，避免历史数据错误
多市场跨境策略：pandas_market_calendars + 交易所官网数据校准
- 核心逻辑：第三方库实现全球市场全覆盖，各交易所官网数据定期校准，解决不同市场节假日规则差异问题
新手入门 / 策略快速验证：AKShare /exchange_calendars 单库方案
- 核心逻辑：开箱即用，无需复杂配置，免费无门槛，快速实现交易日历核心功能，聚焦策略本身开发