量化ptrade之get_ashares函数简历

前言

在量化策略开发中，获取全市场 A 股标的清单是绝大多数选股策略的第一步。手动维护股票代码库不仅繁琐，还容易出现遗漏、退市标的未剔除等问题。PTrade 内置的get_Ashares函数完美解决了这个痛点 —— 只需一行代码，即可获取指定交易日沪深两市全部 A 股的代码清单，是量化新手必掌握的基础 API 之一。

本文将从功能说明、语法参数、基础用法到实战场景，全方位讲解get_Ashares函数的使用方法，附可直接运行的策略代码。

---

一、函数核心功能

get_Ashares的核心作用是：获取指定日期沪深市场全部 A 股的股票代码列表。 我们可以把它理解为 A 股市场的「时间快照生成器」：输入一个交易日日期，就能拿到当天所有在市 A 股的完整代码清单，同时可直接通过列表长度统计当日 A 股总数量。

典型适用场景：

• 全市场选股策略的基础股票池搭建
• 统计不同时点 A 股市场总规模
• 复现历史截面的股票池，保证回测真实性
• 分析 A 股市场扩容节奏与趋势

---

二、语法与参数说明

函数原型

get_Ashares(date=None)

参数详情

参数名	数据类型	是否必填	格式要求	说明
date	字符串	可选	YYYYmmdd	指定查询的交易日，例如"20230101"代表 2023 年 1 月 1 日

返回值

返回一个 Python 列表（list），每个元素为带交易所后缀的 A 股代码字符串，格式为股票代码.交易所：

• 深交所标的后缀为.SZ，如'000001.SZ'（平安银行）
• 上交所标的后缀为.SH，如'600000.SH'（浦发银行）
• 此处只用作举例说明

默认规则

• 不传入date参数时，回测环境默认取当前回测周期的交易日；研究环境 / 实盘交易环境默认取当日日期。
• 该函数自动匹配当日在市标的，适配历史回测的股票池复现需求。

---

三、基础调用示例

示例 1：获取当日 A 股代码与总数

无参调用，直接获取当前环境下的 A 股清单，适合研究环境快速查询或实盘策略每日调用。

# 获取当日全部A股代码列表
current_ashares = get_Ashares()

# 输出前10只股票代码
print("当日A股前10只标的：", current_ashares[:10])
# 输出当日A股总数量
print("当日沪深A股总数：", len(current_ashares))

示例 2：获取指定历史日期的 A 股清单

传入指定日期字符串，可回溯任意历史交易日的全市场标的，适合历史数据分析。

# 获取2020年1月1日的A股完整清单
ashares_2020 = get_Ashares("20200101")

print("2020-01-01 A股总数：", len(ashares_2020))
print("2020-01-01 前5只标的：", ashares_2020[:5])

---

四、实战场景完整代码

场景 1：回测每日自动构建全市场股票池

这是全市场选股策略的标准模板：每日开盘前获取当日全部 A 股，作为选股母池存入全局变量，供后续因子计算、标的筛选逻辑调用。

def initialize(context):
    """策略初始化函数，仅运行一次"""
    log.info("策略启动，每日自动更新全市场A股股票池")
    # 定义全局变量存储当日股票池
    g.stock_universe = []

def before_trading_start(context, data):
    """每日开盘前执行，用于更新股票池"""
    # 获取当日全部A股代码
    g.stock_universe = get_Ashares()
    stock_count = len(g.stock_universe)
    
    # 输出日志便于排查
    log.info(f"当日A股代码清单(前10支)：{g.stock_universe[:10]}")
    log.info(f"当日沪深两市A股总数：{stock_count} 支")

def handle_data(context, data):
    """盘中交易主逻辑"""
    # 在此基于g.stock_universe做因子计算、选股、下单等操作
    pass

运行后日志效果：

INFO-策略启动，每日自动更新全市场A股股票池
INFO-当日A股代码清单(前10支)：['000001.SZ', '000002.SZ', '000004.SZ', ...]
INFO-当日沪深两市A股总数：5164 支

场景 2：跨日期对比 A 股市场扩容情况

对比不同历史时点的 A 股总量，直观观察市场扩容速度，可用于策略容量评估、市场环境分析。

def initialize(context):
    """策略初始化"""
    log.info("策略启动，对比不同时期A股市场规模")
    # 设置要对比的历史基准日期
    g.base_date = "20200101"

def before_trading_start(context, data):
    """每日开盘前执行对比"""
    # 1. 获取当前回测日A股数量
    current_list = get_Ashares()
    current_count = len(current_list)
    
    # 2. 获取基准日期A股数量
    base_list = get_Ashares(g.base_date)
    base_count = len(base_list)
    
    # 3. 输出对比结果
    log.info(f"当前回测日A股数量：{current_count} 支")
    log.info(f"{g.base_date} A股数量：{base_count} 支")
    log.info(f"区间新增A股数量：{current_count - base_count} 支")

def handle_data(context, data):
    pass

运行后日志效果：

INFO-策略启动，对比不同时期A股市场规模
INFO-当前回测日A股数量：5164 支
INFO-20200101 A股数量：3758 支
INFO-区间新增A股数量：1406 支

---

五、新手避坑指南

1. 严格遵守日期格式 日期参数必须为YYYYmmdd格式的字符串，例如"20230520"。禁止使用横杠、斜杠分隔的格式（如"2023-05-20"、"2023/05/20"），否则函数无法正常返回结果。

2. 回测环境无需手动传参 在回测场景下，不传日期参数时函数会自动匹配当前回测的交易日，非常适合遍历历史行情的策略开发，无需循环手动修改日期。

3. 返回值可直接对接其他 API 函数返回的股票代码自带交易所后缀，可直接传入get_history、order等其他 PTrade API，无需额外格式转换。

---

六、总结

get_Ashares是 PTrade 量化体系中最基础也最高频的工具函数，堪称 A 股市场的「全景清单生成器」。从简单的市场规模统计，到复杂的全市场多因子选股，都离不开这个函数作为底层支撑。

掌握它之后，我们可以在此基础上叠加量价因子、财务指标、行业分类等过滤逻辑，快速搭建出完整的量化选股策略，是量化入门的必学知识点。

风险提示：本文仅为量化 API 技术用法讲解，不构成任何投资建议。所提上市公司称呼仅做举例说明，量化交易存在风险，入市需谨慎。