用yfinance获取股票数据最省事但需防时区和频率陷阱：默认ET时区须转Asia/Shanghai，日线用asfreq('D').ffill()补休市日，rolling均值必设min_periods=1，EMA用ewm，多均线需校验列长与NaN数一致。
用 yfinance 获取股票历史数据最省事，但要注意时区和频率陷阱
直接用 yfinance 是当前最稳定、免 API Key 的方案，它底层调用 Yahoo Finance 公开接口，支持日线、周线、1h 等频率。但默认返回的是美股本地时间（ET），若你处理 A 股或港股，.tz_localize(None) 或 .tz_convert('Asia/Shanghai') 必须显式处理，否则 resample 或对齐日期时会错位。
常见错误现象：df['Close'].rolling(5).mean() 算出来均线值明显滞后或跳空——大概率是原始数据里有非交易日未填充、或索引时区混乱导致重采样失效。
实操建议：
- 下载时强制指定
period="2y"或start/end，避免依赖默认周期（Yahoo 有时返回不完整） - 立刻执行
df.index = df.index.tz_localize(None)清除时区，再设为pd.DatetimeIndex - 用
df.asfreq('D').ffill()补齐 A 股休市日（注意：这仅适合日线；分钟级不能简单前向填充） - 验证：打印
df.index[0], df.index[-1], len(df)，确认日期连续性
rolling().mean() 计算均线必须配 min_periods，否则开头全是 NaN
默认 pd.Series.rolling(20).mean() 要求窗口内 20 个有效值才计算，前 19 行全为 NaN。对交易策略回测来说，这会导致信号延迟甚至漏触发。
实操建议：
- 始终显式加
min_periods=1：df['MA10'] = df['Close'].rolling(10, min_periods=1).mean() - 若需严格等权（如传统 MA），
min_periods可设为int(window * 0.8)防止早期噪声过大 - 注意：EMA（指数移动平均）要用
ewm(span=10).mean()，它从第一行就有值，逻辑不同，别混用 - 性能提示：对百万级行数据，
rolling().mean()比纯 Python 循环快 100 倍以上，但 window > 500 时建议先切片再算
计算多周期均线（如 MA5/MA20/MA60）时，列名和对齐必须手动校验
一次算多个均线容易图省事写成循环赋值，但若原始 df 索引有重复、或某只股票停牌导致某天缺失，各均线列长度可能不一致——后续画图或判断金叉死叉直接报 ValueError: operands could not be broadcast together。
实操建议：
- 统一用
df[['Close']].copy()起手，避免链式赋值引发 SettingWithCopyWarning - 均线列名强制带周期标识：
df['MA5'] = ...，别用df['ma']这类模糊名 - 算完立刻检查：
df[['Close', 'MA5', 'MA20']].isna().sum()，确保各列 NaN 数量一致 - 金叉逻辑示例：
df['MA5'] > df['MA20']且df['MA5'].shift(1) ，注意 shift 后索引不变，无需 reindex
A 股复权价格必须用 actions=True + 手动前复权，Yahoo 不提供现成复权数据
yfinance 默认返回前复权价（adjusted close），但 A 股分红送转频繁，其 Adj Close 字段实际是基于美股逻辑调整的，对 A 股常不准。真实场景中，必须自己根据 df.actions 中的分红、拆股记录做前复权。
实操建议：
- 下载时加参数
actions=True：yf.Ticker("600519.SS").history(..., actions=True) -
df.actions返回 DataFrame，含Dividends和Stock Splits两列，非空行即事件日 - 前复权公式：从最新日倒推，每遇到一次分红/拆股，就将此前所有价格按比例缩放（例如 10 送 10，价格除以 2）
- 关键点：复权必须在计算均线前完成，且
Close和Volume要同步调整（成交量反向乘）
复权这事没有银弹，开源库如 akshare 提供 A 股原生复权数据，但依赖国内网络；若坚持用 yfinance，就得自己啃这块硬骨头——多数人卡在这步，不是代码不会写，是没意识到 Yahoo 的 Adj Close 对 A 股根本不可信。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
