企业官网建设流程全解析

简介：这是一份面向Python初学者与个人投资者的轻量级投资组合价值追踪工具，基于yfinance库实现股票数据获取与历史收益分析，解决手动计算持仓盈亏、缺乏可视化复盘的问题。资源包仅2个文件（1个核心Python脚本+1份说明文档），总大小仅1KB，结构极简：主程序share_portfolio_value.py支持在命令行环境运行，可录入任意日期的买卖交易并持久化至本地txt文件，实现基础CRUD操作；README.md则清晰说明使用逻辑与后续扩展方向。目前已有163人学习下载，适合希望快速上手金融数据实践、理解本地数据存储与时间序列图表绘制的入门者。读者可直接运行脚本管理模拟持仓，观察投资组合净值变化趋势，同时获得一个可演进的项目骨架——从单文件脚本起步，逐步集成图表绘制、多股跟踪、CSV导出等实用功能。

1. 用 yfinance 搭建轻量级投资组合追踪器：不依赖 API Key、不碰 Web Scraping、5 分钟跑通日线净值曲线

你有没有试过：花半小时配好一个「股票盯盘工具」，结果第二天 yfinance 报错404或Too Many Requests，再一查发现是 Yahoo Finance 后端接口悄悄改了返回结构？或者更糟——刚写完的组合收益计算脚本，跑着跑着突然AttributeError: 'NoneType' object has no attribute 'Close'，连报错位置都找不到？这不是玄学，是 yfinance 在真实场景中暴露的典型断层：它表面极简，底层却是个黑匣子。这份share-portfolio-tracker项目不是教你怎么调yfinance.Ticker("AAPL").history()，而是把「从持仓表到可复现净值曲线」的整条链路，压进一个不到 200 行的 Python 脚本里——它强制你声明持仓日期、显式处理停牌/退市、自动对齐交易日历、并用本地缓存兜底网络抖动。适合想快速验证策略逻辑的量化新手、需要周度手动更新组合的个人投资者，以及被各种「全自动盯盘平台」收年费搞烦的务实派。它不替代专业投研系统，但能让你在 3 分钟内确认：上个月加仓的新能源 ETF，到底拖累了组合还是扛住了回调。

2. 核心设计逻辑：为什么不用 requests + BeautifulSoup，也不直接裸调 yfinance？

2.1 选型依据：yfinance 的「可控脆弱性」比「不可控稳定性」更可靠

yfinance 的本质是 Yahoo Finance 公开页面的结构化封装器。它不走官方 API（Yahoo 早已关闭免费金融数据 API），而是解析 HTML 和 JSON 嵌入块。很多人因此弃用它，但实际踩坑后会发现：手动写 requests + bs4 解析，失败率反而更高。原因有三：

• Yahoo 页面每季度会微调 DOM 结构（比如把<div class="Baw6Vd">改成<div class="Baw6Vd Baw6Vd--v2">），而 yfinance 社区会快速响应 patch；
• yfinance 内置了pandas_datareader兼容层和datetime时区对齐逻辑，避免你手动处理UTC vs EST导致的日期偏移；
• 它的Ticker.history()方法默认启用prepost=False（不抓盘前盘后），这反而是多数个人组合需要的干净日线数据。

提示：本项目禁用yfinance.download()批量拉取，改用单 Ticker 实例逐个获取。因为批量下载在遇到某只股票临时失效时，整个批次会中断，而单实例可捕获异常并跳过，保证其他持仓数据完整。

2.2 数据流闭环：从 CSV 持仓表到 Pandas DataFrame 净值序列

整个流程不经过数据库或 Web 服务，纯内存计算：

1. 输入层：portfolio.csv，格式为symbol,shares,buy_date,buy_price（例如TSLA,50,2023-06-15,245.32）；
2. 拉取层：对每个 symbol 创建yfinance.Ticker实例，调用.history(start=buy_date, end=today)获取历史价格；
3. 对齐层：用pandas.date_range()生成统一日期索引，对每个股票的Close列做reindex(method='ffill')填充停牌日；
4. 计算层：按日计算position_value = shares × Close，再按 symbol 汇总得每日组合总值；
5. 输出层：生成portfolio_value.csv（日期, 总值, 日收益率）和portfolio_plot.png（净值曲线图）。

这个设计放弃「实时推送」，换来的是完全可复现、可 git diff、可离线重跑——上周五收盘后你跑了一次，今天网络断了，只要本地有缓存，照样能出图。

2.3 缓存机制：用 pickle 存档原始 price DataFrame，而非 raw HTML

yfinance 默认不缓存，每次运行都发 HTTP 请求。本项目在data/cache/下按symbol_start_end.pkl命名存档pandas.DataFrame：

• 首次拉取后，df.to_pickle(cache_path)；
• 后续运行先检查os.path.exists(cache_path)且cache_time > 24h，满足则直接pd.read_pickle()；
• 若缓存过期或缺失，才触发网络请求，并在成功后更新缓存。

这样既规避了频繁请求被限流，又避免了 HTML 解析失败导致的空 DataFrame 误存。缓存文件体积小（单只股票 3 年日线约 120KB），且pickle序列化保留了DatetimeIndex和float64精度，比存 CSV 再读取快 3 倍。

3. 快速上手：5 步完成本地部署与首次运行

3.1 环境准备：Python 3.8+ + 三个确定版本的包

不要用pip install yfinance无脑装最新版。经实测，yfinance==0.2.37是目前最稳的版本（修复了 2024 年初的EmptyDataError），且与pandas>=1.5.3、matplotlib>=3.7.1兼容无冲突。执行以下命令：

# 推荐新建虚拟环境，避免污染全局 python -m venv venv_portfolio source venv_portfolio/bin/activate # Linux/macOS # venv_portfolio\Scripts\activate # Windows pip install "yfinance==0.2.37" "pandas>=1.5.3" "matplotlib>=3.7.1"

注意：yfinance依赖requests和lxml，但这两个包的版本由其 setup.py 锁定，无需手动指定。若安装报lxml编译错误，请先pip install wheel再重试。

3.2 构建持仓 CSV：严格遵循字段顺序与格式规范

在项目根目录下创建portfolio.csv，必须包含且仅包含以下四列，顺序不可调换：

• symbol：Yahoo Finance 标准代码，ETF 用VOO，加密货币用BTC-USD，中国股票需加后缀如BABA.SW（瑞士交易所）；
• shares：必须为数字，支持小数（如比特币持仓）；
• buy_date：ISO 格式YYYY-MM-DD，且必须早于今天；
• buy_price：买入时的成交价，用于后续成本计算（虽本项目主输出净值曲线，但留了扩展位）。

提示：buy_date不是「最早要查的价格日期」，而是「该笔持仓的起始日」。脚本会自动从该日起拉取数据，确保成本基准一致。

3.3 运行主脚本：传参控制时间范围与输出精度

项目主文件为tracker.py，核心参数通过命令行传入：

python tracker.py \ --start-date 2023-01-01 \ --end-date 2024-06-30 \ --output-dir ./output \ --cache-dir ./data/cache

• --start-date：净值曲线起始日（非持仓日），建议设为最早一笔buy_date；
• --end-date：截止日，留空则默认为datetime.today().strftime("%Y-%m-%d")；
• --output-dir：生成 CSV 和 PNG 的目录，不存在则自动创建；
• --cache-dir：缓存 pickle 文件的目录，同样自动创建。

脚本启动后，你会看到类似输出：

[INFO] Processing AAPL (10 shares, bought 2023-01-10 @ $132.45)... [INFO] Cache hit for AAPL_2023-01-01_2024-06-30.pkl [INFO] Processing VOO (5 shares, bought 2023-03-22 @ $378.91)... [INFO] Downloading VOO data from Yahoo Finance... [INFO] Caching VOO_2023-01-01_2024-06-30.pkl (124 rows) [INFO] Portfolio value calculated for 521 trading days. [INFO] Output saved to ./output/portfolio_value.csv and ./output/portfolio_plot.png

3.4 验证输出：三份文件缺一不可才算成功

运行结束后，检查./output/目录下是否生成：

• portfolio_value.csv：首行为date,total_value,daily_return，daily_return为(today_value / yesterday_value) - 1，首日daily_return为0.0；
• portfolio_plot.png：X 轴为日期，Y 轴为组合总值（美元），图例含所有 symbol，标题为Portfolio Value (2023-01-01 to 2024-06-30)；
• portfolio_summary.txt：文本摘要，含总投入、当前总值、总收益率、最大回撤（基于净值曲线计算）。

提示：若portfolio_plot.png中曲线为直线或全 NaN，大概率是某只股票的Close列全空——此时打开portfolio_value.csv，找到对应日期行，看哪一列是nan，再回到portfolio.csv检查 symbol 拼写（如GOOG错写成GOOGLE）。

4. 避坑指南：5 条血泪经验总结的高频翻车点

4.1 现象：KeyError: 'Close'报错，定位到df['Close']这一行

原因：yfinance 对某些 symbol（尤其是新上市 ETF 或区域股票）返回的 DataFrame 不含Close列，而是Open/High/Low/Volume但Close为空。常见于IBIT（比特币现货 ETF）、TQQQ（杠杆 ETF）等 2023 年后热门品种。
解决：在get_stock_data()函数中增加 fallback 逻辑：

def get_stock_data(ticker_obj, start, end): df = ticker_obj.history(start=start, end=end) if df.empty: raise ValueError(f"No data for {ticker_obj.ticker}") # 关键修复：若 Close 列缺失或全 NaN，尝试用 Adj Close 替代 if 'Close' not in df.columns or df['Close'].isna().all(): if 'Adj Close' in df.columns: df['Close'] = df['Adj Close'] else: raise ValueError(f"Neither 'Close' nor 'Adj Close' available for {ticker_obj.ticker}") return df[['Close']] # 只取 Close 列，减少内存占用

4.2 现象：净值曲线在某天突然归零，或出现巨大尖刺

原因：Yahoo Finance 对部分股票（如港股0700.HK）返回的价格是「港币计价」，但 yfinance 未做货币转换，导致数值量级错乱（如腾讯股价显示为320.0，实际应为320.0 HKD ≈ 41.0 USD）。
解决：不硬编码汇率，而是在portfolio.csv中增加第五列currency（可选），默认USD。主逻辑中加入汇率映射表：

CURRENCY_RATES = { 'HKD': 0.128, # 1 HKD ≈ 0.128 USD (固定近似值，足够个人追踪) 'JPY': 0.0068, # 1 JPY ≈ 0.0068 USD 'GBP': 1.27, # 1 GBP ≈ 1.27 USD } # 在计算 position_value 前： if currency != 'USD': close_usd = df['Close'] * CURRENCY_RATES.get(currency, 1.0) position_value = shares * close_usd else: position_value = shares * df['Close']

4.3 现象：FileNotFoundError: [Errno 2] No such file or directory: './data/cache/'

原因：脚本假定cache-dir已存在，但首次运行时未创建目录。Python 的open()不会自动建父目录，而pd.read_pickle()直接报错。
解决：在main()函数开头强制创建缓存目录：

import os os.makedirs(args.cache_dir, exist_ok=True) # exist_ok=True 避免已存在时报错 os.makedirs(args.output_dir, exist_ok=True)

4.4 现象：ValueError: Inferred frequency None from passed dates does not conform to passed frequency D

原因：pandas.date_range()生成的索引频率为D（日频），但某只股票的数据中存在非交易日（如周末）且Close为 NaN，reindex(method='ffill')后仍无法对齐。
解决：改用pandas.bdate_range()（business day range）生成索引，并指定freq='B'：

# 替换原代码中的 date_range common_index = pd.bdate_range( start=min_buy_date, end=end_date, freq='B' # Business day frequency, excludes weekends & common US holidays ) # 后续 reindex 保持 method='ffill' stock_df_aligned = stock_df.reindex(common_index, method='ffill')

4.5 现象：matplotlib报错UserWarning: Glyph 35831 (\N{CJK UNIFIED IDEOGRAPH-8C17}) missing from font

原因：当 symbol 包含中文字符（如600519.SS贵州茅台）时，matplotlib 默认字体不支持 CJK 字符，导致图例乱码或崩溃。
解决：在绘图前设置中文字体：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans'] # 优先用黑体 plt.rcParams['axes.unicode_minus'] = False # 正常显示负号

注意：SimHei是 Windows 自带字体，macOS 用'Arial Unicode MS'，Linux 可安装fonts-wqy-microhei后填'WenQuanYi Micro Hei'。

5. 进阶技巧：用滚动窗口计算夏普比率与行业暴露度

5.1 动态夏普比率：用 60 日滚动窗口替代静态年化

净值曲线好看不代表策略稳健。本项目扩展calculate_sharpe_ratio()函数，不计算全周期夏普，而是生成sharpe_ratio.csv：

实现逻辑：

• 对portfolio_value.csv的daily_return列，用pandas.Series.rolling(60)计算滚动标准差（波动率）和滚动均值（日均收益）；
• 夏普比率 =(rolling_mean_daily_return * 252) / (rolling_std_daily_return * sqrt(252))（年化处理）；
• 输出时过滤掉前 59 行（窗口不足），确保每行都有完整 60 日数据。

def calculate_rolling_sharpe(df_value, window=60): returns = df_value['daily_return'].dropna() rolling_mean = returns.rolling(window).mean() rolling_std = returns.rolling(window).std() # 年化：日均收益 * 252，日波动率 * sqrt(252) sharpe_ratio = (rolling_mean * 252) / (rolling_std * np.sqrt(252)) return pd.DataFrame({ 'sharpe_60d': sharpe_ratio, 'volatility_60d': rolling_std * np.sqrt(252), 'return_60d': rolling_mean * 252 }).dropna() # 调用 sharpe_df = calculate_rolling_sharpe(portfolio_value_df) sharpe_df.to_csv(os.path.join(output_dir, "sharpe_ratio.csv"))

5.2 行业暴露度分析：用 symbol 映射 GICS 行业分类

单纯看AAPL、VOO不知道组合风险在哪。我们维护一个轻量sector_mapping.csv：

然后在tracker.py中增加calculate_sector_exposure()：

• 读取sector_mapping.csv，构建symbol -> sector字典；
• 对每个 symbol，计算其占组合总值的日均权重（position_value / total_value）；
• 按 sector 分组求和，得每日各行业暴露度；
• 输出sector_exposure.csv，含date,Information Tech,Energy,Health Care,...各列。

提示：GICS 分类会更新（如 2023 年将通信服务从信息技术拆出），但个人追踪用旧映射足够。若需最新，可从标普官网下载免费 Excel 表，用pandas.read_excel()读取。

5.3 自动化周度更新：用 crontab / Task Scheduler 实现无人值守

既然脚本可复现，就让它每周一上午 9:30 自动跑一次（美股开盘前）：

Linux/macOS（crontab -e）：

# 每周一 09:30 运行，日志追加到 tracker.log 30 09 * * 1 cd /path/to/share-portfolio-tracker && /path/to/venv_portfolio/bin/python tracker.py --end-date $(date +%Y-%m-%d) >> tracker.log 2>&1

Windows（Task Scheduler）：

• 触发器：每周一，09:30；
• 操作：启动程序C:\path\to\venv_portfolio\Scripts\python.exe，参数C:\path\to\share-portfolio-tracker\tracker.py --end-date %date:~-4,4%-%date:~-10,2%-%date:~-7,2%；
• 注意：Windows 的%date%格式依赖系统区域设置，更稳妥是写个 batch 脚本用powershell Get-Date -Format "yyyy-MM-dd"获取日期。

从那以后我每次新增持仓，都强制走一遍「修改 portfolio.csv → 手动运行一次 tracker.py → 确认 portfolio_plot.png 更新」的闭环，绝不跳过。因为少一次验证，就可能让一个拼写错误潜伏三周，在回撤统计里埋下偏差。希望帮到你。

本文还有配套的精品资源，点击获取