简介：一套开箱即用的股票数据可视化解决方案，用Python Django搭建后端服务，通过Tushare实时获取A股基础行情、历史K线、成交量及均线数据。系统内置完整的Web应用结构：数据库模型定义（models.py）、业务逻辑处理（views.py）、路由配置（urls.py）、REST接口封装（rests.py），还包含日志记录（logger.py）、日期格式转换（formatdate.py）、权限控制装饰器（decorators.py）和统一响应封装（response.py）。前端提供简洁的index.html主页和404错误页，后端支持Django 3.x/4.x与Python 3.8+，附带settings.py和config.py配置文件、数据库初始化脚本及详细README.MD说明文档。从环境安装、API密钥配置、数据库迁移、服务启动到页面访问，每一步都有明确指引。适合本科生毕设、课程设计或量化入门实践，代码结构清晰、模块职责分明，便于添加MACD/RSI等技术指标、回测逻辑或接入其他金融数据源。
1. 这不是又一个“Hello World”项目：为什么用Django搭股票可视化系统，而不是Flask或Streamlit？
你点开这个标题，大概率是正在为毕业设计焦头烂额的计算机系本科生，或者刚接触量化分析、想找个能跑起来的练手项目的入门者。我当年也是——大四上学期，导师甩来一句“做个股票相关的系统”，我第一反应是去GitHub搜“stock dashboard”，结果满屏都是React+Node.js堆砌的前端炫技项目，后端要么空着，要么只有一行npm install，本地跑起来报错二十行；还有些用Streamlit写的，界面确实快，但一想到答辩时老师问“数据库怎么设计的？”“权限怎么控制的？”“并发请求怎么扛？”我就头皮发麻。后来自己硬着头皮从零搭了一套，才真正明白：一个能拿出去讲清楚、经得起提问、还能继续往上加功能的系统，骨架比皮肤重要得多。
这套基于Django和Tushare的A股行情可视化系统，核心价值不在“能画K线图”，而在于它是一个完整、可演进、有生产思维的Web应用骨架。它用Django，不是因为Django多酷，而是因为它天然解决了本科生项目里最容易翻车的五个硬骨头：
-
数据库建模与迁移管理：
models.py里定义的StockBasic、DailyTrade、IndexData三张表，不是随便写的。StockBasic存股票基础信息（代码、名称、上市日期、行业），主键是ts_code（Tushare标准编码），带索引；DailyTrade存日线数据，复合索引(ts_code, trade_date)确保按股票查日期、按日期查全市场都快；IndexData专为大盘指数设计，字段精简但保留close、change、pct_chg等关键指标。这些设计背后是真实行情查询场景的倒推：你要查“贵州茅台2023年所有交易日”，数据库得在毫秒级返回；你要查“2023-01-01全市场涨跌幅前10”，索引必须覆盖trade_date和pct_chg。Flask没这层ORM约束，新手容易写出N+1查询，一查500只股票就卡死；Streamlit根本没数据库概念，数据全靠内存缓存，重启就丢。 -
权限与安全边界清晰：
decorators.py里的login_required_api和staff_only不是摆设。前者强制REST接口校验登录态（用Django默认session机制），后者限制只有后台管理员才能调用数据重载接口（比如手动触发全量更新）。这对应两个现实场景：一是毕设演示时，你不想让评委随便点个按钮就把你的测试数据库刷成空；二是后续加策略回测模块，得防止未授权用户调用耗资源的计算接口。Flask要自己写装饰器+session验证，容易漏掉CSRF防护；Streamlit连登录页都没有，纯靠文件系统权限硬隔离，答辩时老师问“如果别人拿到你服务器IP，能直接访问数据接口吗？”，你就只能沉默。 -
响应结构统一且可扩展：
response.py封装的SuccessResponse、ErrorResponse、PaginatedResponse，统一返回{"code": 0, "msg": "success", "data": {...}}格式。这不是为了好看，是为后续留接口。比如你明天想加MACD指标计算，只要在rests.py里新增一个/api/stock/macd/接口，返回的数据结构自动套进SuccessResponse，前端不用改任何解析逻辑；再比如加分页查询，PaginatedResponse直接把page_size、current_page、total_count塞进meta字段，Vue或React组件拿过来就能用。而裸写Flask视图，每个接口都要手动拼JSON，字段名大小写不一致、错误码不统一，后期维护就是噩梦。 -
配置与环境解耦：
config.py单独抽离TUSHARE_TOKEN、DB_ENGINE、DEBUG_MODE，settings.py通过from config import *导入。这意味着你本地开发用SQLite（DB_ENGINE='sqlite'），部署到学校服务器用MySQL（DB_ENGINE='mysql'），只需改一行配置，manage.py migrate自动适配不同数据库的SQL语法。我见过太多毕设项目，数据库连接字符串硬编码在views.py里，答辩前两天才发现MySQL密码错了，临时改代码到处找'localhost'，最后手抖把'root'改成'roor'，服务起不来，当场崩溃。 -
日志可追溯、问题可定位：
logger.py配置了console和file双输出，level=INFO记录正常流程，level=ERROR捕获异常堆栈。当你在views.py里写logger.info(f"获取{ts_code}日线数据，共{len(data)}条")，日志里就真有这一行；当Tushare接口突然限频，except Exception as e: logger.error(f"Tushare请求失败: {str(e)}")会把完整错误写进logs/app.log。答辩时老师问“如果数据加载不出来，你怎么排查？”，你打开日志文件，直接指出是TushareTokenInvalidError，而不是支吾说“可能网络不好”。
所以，这套系统真正的“开箱即用”，不是指双击run.bat就能看到网页，而是指你拿到代码，就能立刻理解每一层的设计意图，知道哪里该改、哪里不能动、哪里是预留的扩展口。它不教你如何写MACD公式，但它让你写的MACD模块，能无缝接入现有路由、数据库、权限和响应体系。这才是毕设和入门量化最需要的——不是玩具，而是脚手架。
2. 核心模块拆解：代码不是堆出来的，是“职责切片”出来的
很多人看Django项目，第一眼扫views.py，觉得“哦，全是函数”，然后就开始抄。其实这套系统的生命力，恰恰藏在那些不起眼的、被反复调用的小文件里。我把它们按“职责切片”重新梳理一遍，告诉你每个文件为什么存在、怎么用、踩过什么坑。
2.1 rests.py：REST接口的“业务胶水”，不是简单的数据搬运工
rests.py不是views.py的简化版，它是业务逻辑的前置过滤器和数据预处理器。比如get_stock_kline()这个函数：
def get_stock_kline(ts_code, start_date, end_date):
# 1. 先查缓存：检查数据库里有没有这段日期的数据
cached_data = DailyTrade.objects.filter(
ts_code=ts_code,
trade_date__range=(start_date, end_date)
).order_by('trade_date').values(
'trade_date', 'open', 'high', 'low', 'close', 'vol', 'amount'
)
if cached_data:
return list(cached_data)
# 2. 缓存无命中，才调Tushare API
try:
df = pro.daily(ts_code=ts_code, start_date=start_date, end_date=end_date)
# 3. 数据清洗：Tushare返回的vol是“手”，需转为“股”；amount单位是“千元”，转为“元”
df['vol'] = df['vol'] * 100
df['amount'] = df['amount'] * 1000
# 4. 写入数据库缓存（异步？不，这里同步写，保证下次查询快）
for _, row in df.iterrows():
DailyTrade.objects.update_or_create(
ts_code=ts_code,
trade_date=row['trade_date'],
defaults={
'open': row['open'], 'high': row['high'], 'low': row['low'],
'close': row['close'], 'vol': int(row['vol']), 'amount': int(row['amount'])
}
)
return df.to_dict('records')
except Exception as e:
logger.error(f"Tushare获取K线失败 {ts_code}: {e}")
raise
注意三个关键点：
- 缓存优先策略：每次请求先查库，有就直接返回，避免频繁调用Tushare（免费版有调用频率限制）。这是性能底线，不是可选项。
- 单位转换硬编码：Tushare文档写得很清楚，vol字段单位是“手”（1手=100股），amount是“千元”。但新手常忽略这点，直接把原始数据扔给前端画图，结果成交量柱子矮得看不见——因为实际是100倍关系。我在rests.py里强制转换，并加注释# Tushare vol单位是“手”，转为“股”，就是防这种低级错误。
- update_or_create而非create：防止重复插入同一天数据。Tushare偶尔会返回重复日期（尤其跨月时），用create会报IntegrityError，服务直接500；update_or_create则静默覆盖，保证数据最终一致性。
提示：
rests.py里所有函数，都遵循“查缓存→调API→存缓存→返回”四步铁律。新加接口（比如未来加RSI计算），必须先在这个文件里实现数据获取逻辑，再在views.py里调用它。这样views.py只负责HTTP协议处理（接收参数、校验、调用rests、封装响应），不掺杂业务细节，职责单一。
2.2 formatdate.py：日期不是字符串，是“时间契约”
formatdate.py只有两个函数：date_to_str(date_obj)和str_to_date(date_str)。看起来简单，但它是整个系统时间处理的“宪法”。
def date_to_str(date_obj):
"""将date/datetime对象转为YYYYMMDD字符串，Tushare要求格式"""
if isinstance(date_obj, datetime):
return date_obj.strftime('%Y%m%d')
elif isinstance(date_obj, date):
return date_obj.strftime('%Y%m%d')
else:
raise TypeError("输入必须是date或datetime对象")
def str_to_date(date_str):
"""将YYYYMMDD字符串转为date对象，兼容Tushare和前端传参"""
try:
return datetime.strptime(date_str, '%Y%m%d').date()
except ValueError:
# 兼容前端可能传YYYY-MM-DD格式（如DatePicker组件）
return datetime.strptime(date_str, '%Y-%m-%d').date()
为什么需要它？
- Tushare API的硬性要求：所有日期参数必须是YYYYMMDD格式字符串，比如20230101。如果你在views.py里直接用datetime.now().strftime('%Y-%m-%d')，传给pro.daily()就会报错Invalid date format。
- 前端交互的灵活性：HTML <input type="date"> 默认返回YYYY-MM-DD，而用户手动输入可能写2023/01/01。str_to_date()做了容错，先试%Y%m%d，失败再试%Y-%m-%d，避免因日期格式问题导致整个接口崩掉。
- 数据库字段类型匹配：DailyTrade.trade_date字段是DateField，Django要求存date对象，不是字符串。str_to_date()确保传入的字符串总能转成合法date，否则save()时会抛ValidationError。
注意：所有涉及日期的参数传递（URL路径、Query参数、POST body），必须经过
str_to_date()转换；所有返回给前端的日期字段（如trade_date），必须用date_to_str()格式化。我在views.py里写了条注释：“// 所有日期进出，必过formatdate.py”，这就是契约。
2.3 decorators.py：权限不是锦上添花，是安全底线
decorators.py里的login_required_api，表面看只是加个@login_required，但它的实现细节决定了系统是否真的安全：
def login_required_api(view_func):
@wraps(view_func)
def _wrapped_view(request, *args, **kwargs):
if not request.user.is_authenticated:
return ErrorResponse(code=401, msg="未登录，请先登录")
if request.method == 'GET':
# GET接口允许普通用户访问
return view_func(request, *args, **kwargs)
else:
# POST/PUT/DELETE接口，要求用户是staff（后台管理员）
if not request.user.is_staff:
return ErrorResponse(code=403, msg="权限不足，仅管理员可操作")
return view_func(request, *args, **kwargs)
return _wrapped_view
关键点：
- 区分HTTP方法：GET查数据，放开给所有登录用户；POST（如数据重载）、DELETE（如清空缓存）必须是is_staff。这对应真实场景：学生可以查股票，但不能一键删库。
- 返回标准错误码：不是HttpResponse("请登录", status=401)，而是调用ErrorResponse(code=401, msg="未登录")，保证响应结构统一。
- 不依赖Session中间件：Django默认的@login_required装饰器会重定向到登录页，但REST接口不该跳转。这个自定义装饰器直接返回JSON错误，前端可捕获code=401跳转登录页。
实操心得：部署到学校服务器时，务必在
settings.py里设置LOGIN_URL = '/admin/login/'，并确保django.contrib.auth.middleware.AuthenticationMiddleware已启用。我曾因忘记开这个中间件，导致装饰器永远认为request.user.is_authenticated为False，所有接口都返回401——查日志发现request.user是AnonymousUser，才意识到中间件没生效。
2.4 response.py：响应不是return字典，是“协议声明”
response.py的SuccessResponse类，核心是__init__方法：
class SuccessResponse(HttpResponse):
def __init__(self, data=None, msg="success", code=0, **kwargs):
response_data = {
"code": code,
"msg": msg,
"data": data or {}
}
# 如果data是QuerySet，转为list；如果是model instance，转为dict
if hasattr(data, 'values') and callable(getattr(data, 'values')):
response_data["data"] = list(data.values())
elif hasattr(data, '__dict__'):
response_data["data"] = model_to_dict(data)
super().__init__(
json.dumps(response_data, ensure_ascii=False, default=str),
content_type="application/json;charset=utf-8",
**kwargs
)
为什么这么写？
- 自动序列化QuerySet：DailyTrade.objects.filter(...).values()返回的是ValuesQuerySet，json.dumps无法直接序列化。SuccessResponse检测到hasattr(data, 'values')，自动调用list()转成Python列表，再JSON序列化。
- 兼容Model实例：get_object_or_404(StockBasic, ts_code=code)返回单个Model对象，SuccessResponse用model_to_dict()转成字典，避免TypeError: Object of type StockBasic is not JSON serializable。
- default=str兜底：Django的DateTimeField、DecimalField等特殊类型，json.dumps不认识，default=str将其转为字符串（如"2023-01-01"、"32.50"），保证不报错。
注意：
SuccessResponse和ErrorResponse都继承HttpResponse，不是JsonResponse。因为JsonResponse会强制Content-Type: application/json，而某些场景（如下载CSV）需要text/csv。统一用HttpResponse，由子类控制content_type，更灵活。
3. 从零启动：环境搭建、数据获取到页面渲染的全流程实操
别被“全流程”吓到，这套系统设计时就考虑了本科生的实操场景：没有Docker、不依赖云服务、不碰Linux命令行（Windows/Mac/Linux全适配）。我按你真实操作顺序，一步步拆解，每一步都标出“为什么这么做”和“不做会怎样”。
3.1 环境准备：Python、Django、Tushare，三件套缺一不可
第一步：安装Python 3.8+
- Windows：去python.org下载最新3.8+安装包，勾选“Add Python to PATH”，一路下一步。
- Mac：brew install python3（需先装Homebrew）。
- Linux（Ubuntu）：sudo apt update && sudo apt install python3.8 python3-pip。
为什么必须3.8+？Tushare 2.x要求Python >= 3.7，但Django 4.x官方支持只到3.8+。用3.7可能遇到
async语法报错，答辩时解释不清。
第二步：创建虚拟环境（关键！）
# 进入你的项目目录（比如 D:\stock-system）
cd /path/to/your/project
# 创建虚拟环境（名字叫venv，Django惯例）
python -m venv venv
# 激活虚拟环境
# Windows:
venv\Scripts\activate.bat
# Mac/Linux:
source venv/bin/activate
提示：虚拟环境是隔离的“沙盒”。你装的Django、Tushare只在这个项目里有效，不会污染全局Python。我见过同学全局
pip install django，结果电脑里十几个项目版本冲突，最后重装系统。venv就是防这个。
第三步：安装依赖
# 确保激活了venv（命令行前应有(venv)）
pip install -r requirements.txt
# 如果没有requirements.txt，手动装：
pip install django==4.2.7 tushare==2.3.6 pandas==1.5.3
版本锁定原因：Django 4.2.7是LTS长期支持版，稳定；Tushare 2.3.6是当前兼容性最好的版本（新版对免费token限频更严）；pandas 1.5.3避免与旧版numpy冲突。不要用
pip install django tushare，可能装到最新版，导致pro = ts.pro_api()报错。
3.2 配置环节：Tushare Token和数据库，两处填错就全盘皆输
第一步：获取Tushare Token
- 访问Tushare官网注册账号。
- 登录后进入“个人中心”→“API接口”，复制你的Token（一长串字母数字，如abc123def456...）。
- 打开项目根目录下的config.py，找到：
python TUSHARE_TOKEN = "your_token_here" # ← 把你的Token粘贴到这里，删掉引号外的空格
- 保存文件。
注意：Token是你的“数据钥匙”，绝不能上传到GitHub！
gitignore里已包含config.py，但你自己要确认没手抖git add config.py。我有个同学Token泄露，被人写脚本疯狂调用，一天刷完免费额度，最后只能买付费套餐。
第二步：数据库初始化
- 默认用SQLite（免安装，适合毕设）。settings.py里已配置：
python DATABASES = { 'default': { 'ENGINE': 'django.db.backends.sqlite3', 'NAME': BASE_DIR / 'db.sqlite3', } }
- 执行迁移命令：
bash python manage.py makemigrations python manage.py migrate
这会在项目目录生成db.sqlite3文件，里面已有auth_user（Django用户表）、stock_basic等空表。
如果要用MySQL（学校服务器常见）：
1. 安装MySQL（或用学校提供的数据库服务）；
2. 在config.py里设DB_ENGINE = 'mysql'；
3. 修改settings.py的DATABASES，填入你的MySQL地址、用户名、密码；
4.pip install mysqlclient（Windows可能需先装VC++编译工具）；
5. 再执行makemigrations和migrate。
3.3 数据加载：第一次运行，让系统“活”起来
第一步：创建超级用户（登录后台用）
python manage.py createsuperuser
# 按提示输入用户名（如admin）、邮箱（可空）、密码（记住！）
第二步：加载股票基础信息（必需！）
python manage.py load_stock_basic
这个自定义命令在management/commands/load_stock_basic.py里，作用是调用pro.query('stock_basic')，把A股所有股票代码、名称、上市日期等信息存进StockBasic表。执行后，db.sqlite3里就有几千条股票数据了。
为什么先加载基础信息？因为K线查询接口
/api/kline/需要ts_code参数，而ts_code（如000001.SZ）必须先存在于StockBasic表里，前端下拉框才能列出可选股票。不执行这步，首页下拉框是空的，你连“查哪只股票”都不知道。
第三步：启动服务，访问首页
python manage.py runserver
浏览器打开http://127.0.0.1:8000，看到简洁的index.html页面，顶部有股票代码输入框、日期选择器、查询按钮——系统活了。
实操心得：如果页面空白或报错，先看终端输出的错误信息。常见问题：
-ModuleNotFoundError: No module named 'tushare'：没激活venv，或pip install没成功；
-OperationalError: no such table: stock_basic：没执行load_stock_basic，或migrate失败；
-TushareTokenInvalidError：config.py里的Token错了，或Tushare官网没开通数据权限（免费用户需实名认证）。
3.4 前端交互：index.html不是静态页，是“数据管道入口”
index.html看着简单，但它的JavaScript逻辑是整个系统的“神经末梢”：
<!-- 股票代码下拉框 -->
<select id="stock-select" class="form-control">
<option value="">请选择股票...</option>
<!-- 这里由JS动态填充 -->
</select>
<script>
// 1. 页面加载时，用AJAX获取所有股票列表
fetch('/api/stock/list/')
.then(res => res.json())
.then(data => {
const select = document.getElementById('stock-select');
data.data.forEach(stock => {
const option = document.createElement('option');
option.value = stock.ts_code;
option.text = `${stock.name} (${stock.ts_code})`;
select.appendChild(option);
});
});
// 2. 点击查询按钮，调用K线接口
document.getElementById('query-btn').onclick = function() {
const ts_code = document.getElementById('stock-select').value;
const start_date = document.getElementById('start-date').value;
const end_date = document.getElementById('end-date').value;
fetch(`/api/kline/?ts_code=${ts_code}&start_date=${start_date}&end_date=${end_date}`)
.then(res => res.json())
.then(data => {
if (data.code === 0) {
// 3. 用Chart.js画K线图（代码在static/js/chart.js里）
renderKLineChart(data.data);
} else {
alert(`错误：${data.msg}`);
}
});
};
</script>
关键点：
- /api/stock/list/接口：返回所有StockBasic数据，供下拉框填充。它用SuccessResponse封装，前端直接取data.data。
- 日期格式自动转换：HTML <input type="date">返回YYYY-MM-DD，但/api/kline/接口要求YYYYMMDD。fetch URL里用了模板字符串，但实际应由前端JS转换：
javascript function formatDate(dateStr) { return dateStr.replace(/-/g, ''); // "2023-01-01" → "20230101" } fetch(`/api/kline/?ts_code=${ts_code}&start_date=${formatDate(start_date)}&end_date=${formatDate(end_date)}`)
（这个转换逻辑在static/js/main.js里已实现，你只需确保调用正确）
提示：
index.html里引用的Chart.js在static/js/chart.js，它封装了K线图绘制逻辑。你不需要懂Canvas绘图，只需传入data.data（数组，每项含trade_date,open,high,low,close,vol），它自动画出带成交量的K线。这是“开箱即用”的核心——你专注业务，图表交给专业库。
4. 功能扩展实战：加均线、接新数据源、做简单回测，三步走稳
系统设计时就预留了扩展口，不是让你“改核心”，而是“插模块”。我以三个高频需求为例，手把手带你加功能，每一步都有代码、有原理、有避坑点。
4.1 加MA5/MA10均线：不改一行原有代码，只增新文件
均线计算逻辑放在utils/indicators.py（新建目录和文件）：
# utils/indicators.py
import pandas as pd
import numpy as np
def calculate_ma(df, window=5):
"""
计算移动平均线
:param df: pandas DataFrame，含'close'列
:param window: 窗口大小（天数）
:return: 新增'ma_{window}'列的DataFrame
"""
df = df.copy()
df[f'ma_{window}'] = df['close'].rolling(window=window).mean()
return df
# 示例：计算MA5和MA10
def add_ma_columns(df):
df = calculate_ma(df, window=5)
df = calculate_ma(df, window=10)
return df
然后在rests.py里新增接口：
# rests.py 新增
def get_stock_kline_with_ma(ts_code, start_date, end_date):
"""获取K线数据并附加MA5、MA10"""
kline_data = get_stock_kline(ts_code, start_date, end_date) # 复用原有逻辑
if not kline_data:
return []
df = pd.DataFrame(kline_data)
df = add_ma_columns(df)
# 转回字典列表，保持前端兼容
return df.to_dict('records')
最后在urls.py里加路由：
# urls.py
urlpatterns = [
# ...原有路由
path('api/kline-ma/', views.kline_with_ma, name='kline_with_ma'), # 新增
]
views.py里写视图：
# views.py
def kline_with_ma(request):
ts_code = request.GET.get('ts_code')
start_date = request.GET.get('start_date')
end_date = request.GET.get('end_date')
try:
data = rests.get_stock_kline_with_ma(ts_code, start_date, end_date)
return SuccessResponse(data=data)
except Exception as e:
logger.error(f"MA计算失败: {e}")
return ErrorResponse(msg="均线计算出错")
为什么这样设计？
-utils/indicators.py是纯计算模块，不依赖Django、不碰数据库，单元测试方便（pytest test_indicators.py）；
-rests.py复用get_stock_kline()，保证数据源一致，避免重复调用Tushare；
- 新增路由/api/kline-ma/，不影响原有/api/kline/接口，前端可自由选择用哪个；
- 前端chart.js里，renderKLineChart()函数已预留ma5、ma10字段解析逻辑，你只需在fetch时换URL，图表自动叠加均线。
4.2 接入聚宽（JoinQuant）数据源：替换Tushare，不是重写系统
聚宽提供类似API，但返回格式不同。我们不改rests.py，而是新增rests_jq.py：
# rests_jq.py
import jqdatasdk as jq
def init_jq(token):
"""初始化聚宽SDK"""
jq.auth('your_jq_username', 'your_jq_password') # 聚宽账号密码
def get_jq_kline(ts_code, start_date, end_date):
"""从聚宽获取K线（示例）"""
# 聚宽代码映射：Tushare的'000001.SZ' → 聚宽的'000001.XSHE'
jq_code = ts_code.replace('.SZ', '.XSHE').replace('.SH', '.XSHG')
df = jq.get_price(
security=jq_code,
start_date=start_date,
end_date=end_date,
frequency='daily',
fields=['open', 'high', 'low', 'close', 'volume']
)
# 聚宽volume单位是“股”，无需转换
df.reset_index(inplace=True)
df.rename(columns={'index': 'trade_date'}, inplace=True)
return df.to_dict('records')
然后在views.py里根据配置切换数据源：
# views.py
from config import DATA_SOURCE # 'tushare' 或 'jq'
def kline_view(request):
ts_code = request.GET.get('ts_code')
start_date = request.GET.get('start_date')
end_date = request.GET.get('end_date')
if DATA_SOURCE == 'tushare':
data = rests.get_stock_kline(ts_code, start_date, end_date)
elif DATA_SOURCE == 'jq':
data = rests_jq.get_jq_kline(ts_code, start_date, end_date)
else:
data = []
return SuccessResponse(data=data)
关键点：
-DATA_SOURCE在config.py里配置，开发时用tushare，部署时改jq，零代码修改；
-rests_jq.py只负责数据获取，不碰缓存、不写数据库，保持职责单一；
- 聚宽需单独pip install jqdatasdk，且账号需开通相应权限（免费版有调用限制）。
4.3 添加简易回测模块：从“看数据”到“验策略”
回测不是高深算法，而是“按规则模拟买卖”。我们在apps/backtest/下新建App：
python manage.py startapp backtest
backtest/models.py定义回测任务：
from django.db import models
class BacktestTask(models.Model):
name = models.CharField(max_length=100) # 策略名称，如"MA金叉"
ts_code = models.CharField(max_length=20) # 股票代码
start_date = models.DateField()
end_date = models.DateField()
params = models.JSONField() # 策略参数，如{"ma_short": 5, "ma_long": 10}
status = models.CharField(max_length=20, default='pending') # pending/running/done
result = models.JSONField(null=True, blank=True) # 回测结果
created_at = models.DateTimeField(auto_now_add=True)
backtest/views.py提供提交和查询接口：
from django.http import JsonResponse
from .models import BacktestTask
from .tasks import run_backtest # 异步任务
def submit_backtest(request):
if request.method == 'POST':
data = json.loads(request.body)
task = BacktestTask.objects.create(
name=data['name'],
ts_code=data['ts_code'],
start_date=data['start_date'],
end_date=data['end_date'],
params=data['params']
)
# 异步执行回测（用Django Q或Celery，此处简化为同步）
result = run_backtest(task)
task.result = result
task.status = 'done'
task.save()
return SuccessResponse(data=result)
def get_backtest_result(request, task_id):
try:
task = BacktestTask.objects.get(id=task_id)
return SuccessResponse(data={
'status': task.status,
'result': task.result
})
except BacktestTask.DoesNotExist:
return ErrorResponse(msg="任务不存在")
backtest/tasks.py是核心逻辑（简化版MA金叉策略）：
def run_backtest(task):
# 1. 获取K线数据（复用rests.get_stock_kline）
kline_data = rests.get_stock_kline(task.ts_code, task.start_date, task.end_date)
df = pd.DataFrame(kline_data)
# 2. 计算MA
df['ma5'] = df['close'].rolling(5).mean()
df['ma10'] = df['close'].rolling(10).mean()
# 3. 生成买卖信号（金叉：MA5上穿MA10）
df['signal'] = 0 # 0=空仓，1=买入，-1=卖出
for i in range(10, len(df)):
if df.iloc[i-1]['ma5'] <= df.iloc[i-1]['ma10'] and df.iloc[i]['ma5'] > df.iloc[i]['ma10']:
df.loc[i, 'signal'] = 1 # 金叉买入
elif df.iloc[i-1]['ma5'] >= df.iloc[i-1]['ma10'] and df.iloc[i]['ma5'] < df.iloc[i]['ma10']:
df.loc[i, 'signal'] = -1 # 死叉卖出
# 4. 模拟交易（初始资金100000，不考虑手续费）
cash = 100000
shares = 0
for i in range(len(df)):
if df.iloc[i]['signal'] == 1 and cash > 0:
# 买入：用全部现金买
price = df.iloc[i]['close']
shares = cash // price
cash -= shares * price
elif df.iloc[i]['signal'] == -1 and shares > 0:
# 卖出：卖出全部
price = df.iloc[i]['close']
cash += shares * price
shares = 0
# 5. 最终收益
final_value = cash + (shares * df.iloc[-1]['close']) if shares > 0 else cash
profit = final_value - 100000
return {
'initial_capital': 100000,
'final_value': round(final_value, 2),
'profit': round(profit, 2),
'profit_rate': round(profit / 100000 * 100, 2),
'total_trades': len(df[df['signal'] != 0])
}
注意事项：
- 回测是CPU密集型任务，生产环境必须用Celery异步队列，避免阻塞Web请求；
- 此代码是教学简化版，真实回测需考虑滑点、手续费、停牌、涨跌停无法成交等；
-BacktestTask模型支持历史任务查询，前端可做成列表页，展示所有回测记录。
5. 常见问题与排查技巧实录：那些让我熬过三个通宵的坑
以下问题，全部来自我帮学弟学妹调试毕设的真实记录。不是理论，是血泪经验。
5.1 “页面空白，控制台报错：Uncaught ReferenceError: Chart is not defined”
现象：首页打开，K线图区域一片空白，F12看Console报错Uncaught ReferenceError: Chart is not defined。
排查步骤：
1. 查index.html里<script src="...">路径是否正确。static/js/chart.js引用的是<script src="{% static 'js/chart.js' %}"></script>，确保STATIC_URL在settings.py里设为'/static/'，且STATICFILES_DIRS包含BASE_DIR / "static"。
2. 查chart.js是否真的加载了。Network标签页里找chart.js，状态码是不是200。如果不是，检查static目录结构：project/static/js/chart.js，不是project/static/static/js/chart.js（Django不会自动加双重static）。
3. 查Chart.js版本。chart.js文件开头有// Chart.js v2.9.4，而新版v4.x API不兼容。本系统用v2.9.4，已打包在static/js/里，不要CDN引入。
解决方案：删掉所有CDN链接，只用本地
static/js/chart.js；确认static目录在Django查找路径中。
5.2 “Tushare接口报错：TushareTokenInvalidError，但Token肯定没错”
现象：python manage.py load_stock_basic报错TushareTokenInvalidError，config.py里Token复制粘贴多次，确认无空格。
排查步骤：
1. 查Tushare官网个人中心，确认账号已实名认证（免费用户必须实名才能调用基础接口）。
2. 查Token是否过期。Tushare Token永久有效，但若你在官网“重置Token”，旧Token立即失效。
3. 查网络代理。公司/学校网络有时会拦截HTTPS请求，导致Token传输失败。临时关掉代理软件，或用手机热点测试。
终极方案：在
rests.py里加一行调试：
python print(f"Using Token: {ts_token[:5]}...{ts_token[-5:]}") # 打印Token首尾，确认读取正确
5.3 “查询K线返回空数据，但Tushare官网能查到”
现象：前端输入000001.SZ、20230101到20231231，接口返回{"code":0,"msg":"success","data":[]}。
排查步骤：
1. 查数据库是否有缓存。执行python manage.py dbshell（SQLite）或mysql -u user -p，运行：
sql SELECT COUNT(*) FROM daily_trade WHERE ts_code='000001.SZ';
若为0，说明缓存没写入。
2. 查rests.py里get_stock_kline()是否跳过了API调用。加日志：
python logger.info(f"Cache query for {ts_code} from {start_date} to {end_date}") cached_data = DailyTrade.objects.filter(...) # 原有代码 logger.info(f"Cached count: {len(cached_data)}")
3. 查Tushare返回的DataFrame是否为空。在get_stock_kline()里加：
python logger.info(f"Tushare returned {len(df)} rows")
常见原因：Tushare的
pro.daily()对日期范围敏感。start_date='20230101'，但000001.SZ在2023年1月1日休市（周末），Tushare返回空DataFrame。解决方案：前端日期选择器设min="20230102"，或后端自动取最近交易日（用pro.trade_cal查）。
5.4 “部署到学校服务器，页面CSS失效，全是白底黑字”
现象：本地runserver正常，部署到Linux服务器（Apache/Nginx），静态文件404。
排查步骤：
1. 查settings.py里DEBUG = False时，Django不提供静态文件服务，必须由Web服务器托管。
2. 查collectstatic是否执行：
bash python manage.py collectstatic --noinput
这会把所有static文件复制到STATIC_ROOT指定目录（如/var/www/static）。
3. 查Web服务器配置。Nginx示例：
nginx location /static/ { alias /var/www/static/; expires 1y; add_header Cache-Control "public, immutable"; }
关键点：
DEBUG=False时，STATIC_URL='/static/'必须与Nginx的location /static/匹配；STATIC_ROOT必须是绝对路径，且Web服务器有读取权限。
5.5 “添加MACD指标后，图表渲染变慢，滑动卡顿”
现象：加了MACD计算，K线图加载时间从200ms变成2s，拖拽图表明显卡顿。
优化方案：
1. 服务端计算，非前端：MACD计算逻辑放在rests.py，返回时已包含macd, signal, histogram字段，前端只负责渲染，不计算。
2. 分页加载：K线数据超过1000条时，前端分页（如每次只加载300条），滚动到底部再加载下一页。
3. Web Worker：复杂计算放Web Worker线程，避免阻塞UI主线程（static/js/worker-macd.js）。
我的实测：1000条K线+MACD计算，服务端耗时约300ms（Python+pandas），前端渲染100ms；若前端计算，单次耗时1500ms以上。结论：计算尽量后移。
6. 部署指南：从本地开发到上线演示，三步搞定
毕设答辩前最后一关，不是写代码，是让系统在老师电脑或学校服务器上稳稳跑起来。这套系统专为“零运维经验”设计，不碰Docker、不配Nginx，用最朴实的方式。
6.1 本地演示：U盘拷贝，双击运行
适用场景：答辩现场，用自己笔记本演示，老师要看实时数据。
步骤：
1. 确保项目目录完整：manage.py, settings.py, db.sqlite3, static/, templates/都在。
2. 打包Python环境：在虚拟环境里执行：
bash pip freeze > requirements.txt
3. 拷贝整个项目文件夹到U盘。
4. 在老师电脑上（Windows）：
- 安装Python 3.8（官网下载，勾选Add to PATH）；
- 打开CMD，cd \path\to\project；
- python -m venv venv → venv\Scripts\activate.bat → pip install -r requirements.txt；
- python manage.py runserver 0.0.0.0:8000；
- 浏览器访问http://localhost:8000。
优势：全程离线，不依赖网络；
db.sqlite3已含基础数据，无需重新加载；settings.py里DEBUG=True，错误信息友好。
6.2 学校服务器部署：Apache + mod_wsgi，经典稳扎稳打
适用场景：学校提供Linux服务器（CentOS/Ubuntu），需长期运行供多人访问。
步骤：
1. 服务器安装必要软件：
bash # Ubuntu sudo apt update sudo apt install apache2 libapache2-mod-wsgi-py3 python3-pip sudo pip3 install django==4.2.7 tushare==2.3.6 pandas==1.5.3
2. 上传项目到/var/www/stock-system/。
3. 创建/var/www/stock-system/wsgi.py（Django自动生成，无需改）。
4. 配置Apache虚拟主机（/etc/apache2/sites-available/stock.conf）：
```apache
ServerAdmin webmaster@localhost
DocumentRoot /var/www/stock-system
WSGIDaemonProcess stock-system python-path=/var/www/stock-system python-home=/var/www/stock-system/venv
WSGIProcessGroup stock-system
WSGIScriptAlias / /var/www/stock-system/stock_system/wsgi.py
Alias /static /var/www/stock-system/static
<Directory /var/www/stock-system/static>
Require all granted
</Directory>
<Directory /var/www/stock-system/stock_system>
<Files wsgi.py>
Require all granted
</Files>
</Directory>
ErrorLog ${APACHE_LOG_DIR}/stock-error.log
CustomLog ${APACHE_LOG_DIR}/stock-access.log combined
5. 启用站点：bash
sudo a2ensite stock.conf
sudo systemctl restart apache2
```
注意：
python-home指向虚拟环境路径；STATIC_ROOT在settings.py里设为/var/www/stock-system/static；执行python manage.py collectstatic生成静态文件。
6.3 Docker轻量部署：一键容器化，适合进阶展示
适用场景：你想在答辩时秀一下“现代化部署”，且服务器已装Docker。
步骤：
1. 项目根目录新建Dockerfile：
dockerfile FROM python:3.8-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . RUN python manage.py collectstatic --noinput EXPOSE 8000 CMD ["gunicorn", "--bind", "0.0.0.0:8000", "--workers", "2", "stock_system.wsgi:application"]
2. 新建docker-compose.yml：
yaml version: '3' services: web: build: . ports: - "8000:8000" environment: - DEBUG=False - SECRET_KEY=your-secret-key-here volumes: - ./db.sqlite3:/app/db.sqlite3
3. 执行：
bash docker-compose up -d
优势：环境完全隔离，
docker-compose down一键清理；gunicorn比runserver更健壮，支持多进程。
7. 写在最后：这代码不是终点，是你量化之路的第一块砖
我写这套系统时，没想着“教你怎么写MACD”，而是想给你一个能呼吸、能生长、能抗压的系统骨架。它不完美——Tushare免费版数据有延迟，SQLite不适合高并发，前端图表没做响应式——但它的每一行代码，都指向一个明确的目的：让你在答辩时，能指着models.py说“这张表设计是因为要支持按日期快速查询”，能指着rests.py说“这个缓存逻辑是为了应对Tushare的调用限制”，能指着config.py说“这里切换数据源，不用改业务代码”。
本科生毕设的价值，从来不在“功能多炫”，而在“设计是否经得起问”。当老师问“为什么用Django不用Flask？”，你答“因为Django的ORM帮我规避了N+1查询风险，这是金融数据高频查询的刚需”；当问“数据怎么保证不重复？”，你答“update_or_create在rests.py里统一处理，这是幂等性设计”；当问“如果Tushare挂了怎么办？”，你答“logger.py会记录ERROR，前端有降级提示，且response.py的统一结构让错误处理不散落各处”。
这套代码，是我带过十几届学生后，沉淀下来的“最小可行骨架”。它不教你数学，但给你一个跑数学公式的安全沙盒；它不替你思考策略，但让你的策略能立刻落地验证。你接下来要做的，不是把它当成品交差，而是把它当乐高——换一块“聚宽数据源”的砖，加一根“MACD指标”的梁，搭一层“回测报告”的楼。等你搭完，回头看，那套“开箱即用”的代码，早已成了你自己的东西。
最后分享个小技巧：每次加新功能，先写tests.py里的单元测试。比如加MA5计算，就写：
def test_ma5_calculation():
df = pd.DataFrame({'close': [10, 12, 11, 13, 14, 15]})
result = calculate_ma(df, window=5)
assert result.iloc[4]['ma_5'] == 12.0 # 前5天均值
跑python manage.py test backtest.tests，绿条一闪，你就知道这块砖，稳了。
简介：一套开箱即用的股票数据可视化解决方案，用Python Django搭建后端服务，通过Tushare实时获取A股基础行情、历史K线、成交量及均线数据。系统内置完整的Web应用结构：数据库模型定义（models.py）、业务逻辑处理（views.py）、路由配置（urls.py）、REST接口封装（rests.py），还包含日志记录（logger.py）、日期格式转换（formatdate.py）、权限控制装饰器（decorators.py）和统一响应封装（response.py）。前端提供简洁的index.html主页和404错误页，后端支持Django 3.x/4.x与Python 3.8+，附带settings.py和config.py配置文件、数据库初始化脚本及详细README.MD说明文档。从环境安装、API密钥配置、数据库迁移、服务启动到页面访问，每一步都有明确指引。适合本科生毕设、课程设计或量化入门实践，代码结构清晰、模块职责分明，便于添加MACD/RSI等技术指标、回测逻辑或接入其他金融数据源。
扫一扫
950
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
