Как загрузить исторические данные по акциям и валютам в Python

Исторические данные — это не просто архив котировок, а рабочий материал для тестирования стратегий, расчета волатильности, поиска закономерностей и построения торговых или аналитических моделей. В Python их можно получить несколькими путями: через готовые библиотеки, через API биржи и через внешние источники с курсами валют и котировками акций. Дальше разберем, как выстроить этот процесс без хаоса и с пониманием, какие данные пригодны для реального анализа.

Зачем вообще тянуть исторические данные в Python

Без истории невозможно нормально проверить гипотезу. На живом рынке почти любая идея кажется рабочей, пока ее не прогнали через реальные котировки за разные периоды, кризисы, боковики и тренды. Именно исторические ряды позволяют понять, где в логике стратегии дыра, а где — действительно повторяющаяся закономерность.

На практике исторические данные нужны для:

• расчета доходности и риска;
• бэктестинга торговых стратегий;
• анализа сезонности и циклов;
• оценки волатильности;
• построения ML-моделей;
• подготовки отчетов и дашбордов;
• автоматизации анализа рынка.

Для российского контекста особенно важно уметь работать с акциями Московской биржи и валютными парами, включая курс рубля к доллару, евро и другим валютам. Если вы планируете строить модели на локальном рынке, без надежного доступа к этим рядам не обойтись.

Какие есть источники данных

На практике чаще всего используют четыре подхода. Выбор зависит от того, какой рынок интересует и насколько критичны стабильность и глубина истории.

Если задача — российские акции и валюты, обычно начинают с MOEX. Там данные официальные, и они покрывают именно ту специфику торгов, которая нужна для локальных моделей. Если нужны зарубежные бумаги — часто проще стартовать с yfinance, поскольку он экономит массу времени на подготовительном этапе.

Подготовка окружения

Для базовой работы достаточно установить несколько пакетов:

pip install yfinance pandas_datareader requests pandas

Если планируете работать с визуализацией и анализом, пригодятся также:

pip install matplotlib seaborn numpy

В большинстве случаев этого набора хватает, чтобы загрузить данные, проверить их структуру, построить простой график и посчитать базовые метрики. Для более тяжелых сценариев — например, тиков или внутридневной истории — позже можно добавить parquet для хранения сжатых колоночных файлов или requests-cache для экономии запросов.

Как загрузить данные по акциям через yfinance

yfinance — один из самых удобных способов быстро получить исторические котировки в Python. Он возвращает таблицу с OHLCV-данными: Open, High, Low, Close, Volume. Для первичного анализа этого обычно достаточно.

Пример загрузки котировок Apple

import yfinance as yf

df = yf.download('AAPL', start='2020-01-01', end='2024-12-31')
print(df.head())

Что важно знать

• Тикер для американской акции указывается как есть: AAPL, MSFT, TSLA.
• Для ряда рынков используются суффиксы, например для японских бумаг часто добавляют .T.
• start и end задают диапазон дат.
• Результат уже удобно работать как с обычным pandas.DataFrame.

Загрузка одной бумаги через объект тикера

ticker = yf.Ticker('AAPL')
hist = ticker.history(period='5y')
print(hist.tail())

Такой вариант полезен, когда нужно дополнительно вытащить фундаментальные метрики, дивиденды или информацию о дроблениях бумаги. В исследовательских задачах это экономит несколько лишних запросов.

Когда yfinance подходит лучше всего

• для быстрого прототипирования;
• для учебных задач;
• для анализа американских акций и ETF;
• для небольших исследовательских проектов.

Ограничения

Не стоит строить на нем критически важную промышленную систему без проверки. Возможны пропуски, сдвиги и разница в настройках округления. Для глубокой работы с российским рынком лучше использовать данные Московской биржи, потому что там вы имеете дело с первоисточником, а не с агрегатором.

Как загрузить исторические данные по акциям Мосбиржи

Для российских акций наиболее практичный вариант — работать с MOEX ISS API. Это официальный интерфейс Московской биржи, который позволяет получать исторические данные по акциям, индексам, валютам и другим инструментам. Стоит один раз разобраться с форматом запросов, и дальше можно автоматизировать выгрузки без привязки к сторонним библиотекам.

Прямой запрос через requests

import requests
import pandas as pd

url = 'https://iss.moex.com/iss/history/engines/stock/markets/shares/boards/TQBR/securities/SBER.json'
params = {
    'from': '2022-01-01',
    'till': '2023-12-31',
    'iss.only': 'history',
    'iss.meta': 'off'
}
resp = requests.get(url, params=params)
data = resp.json()
df = pd.DataFrame(data['history']['data'], columns=data['history']['columns'])
df['TRADEDATE'] = pd.to_datetime(df['TRADEDATE'])
df = df.set_index('TRADEDATE').sort_index()
print(df[['OPEN', 'HIGH', 'LOW', 'CLOSE', 'VOLUME']].head())

Что здесь происходит

• SBER — тикер Сбербанка.
• from и till задают период.
• Ответ приходит в JSON.
• Затем данные преобразуются в DataFrame.

Как понять структуру ответа

У MOEX часто ответ состоит не из одной таблицы, а из нескольких блоков. Для истории котировок обычно нужна секция с историческими данными. Если получать не тот блок, можно увидеть пустой результат или метаданные вместо цен. Я рекомендую сначала открыть URL в браузере и посмотреть, какие ключи верхнего уровня приходят, а затем уже выбирать нужный список колонок.

Полезные поля

Чаще всего интересуют:

• дата сделки;
• open;
• high;
• low;
• close;
• volume;
• turnover;
• number of trades.

Названия полей могут отличаться в зависимости от инструмента и эндпоинта, поэтому всегда полезно посмотреть список колонок перед анализом. Для российских акций поля обычно называются OPEN, HIGH, LOW, CLOSE, VOLUME, NUMTRADES и VALTODAY, но полагаться на это без проверки не стоит.

Как загрузить данные по валютам

С валютами есть два распространенных сценария:

• курс рубля к иностранной валюте на Московской бирже;
• международные валютные пары через внешние источники.

Вариант 1. Валюты через MOEX

Если нужны биржевые валютные данные, логика та же: используете MOEX ISS и запрашиваете нужный инструмент. Например, для пары USD/RUB на валютном рынке биржи задействуется свой endpoint.

url = 'https://iss.moex.com/iss/history/engines/currency/markets/selt/boards/CETS/securities/USD000UTSTOM.json'
params = {'from': '2022-01-01', 'till': '2023-12-31', 'iss.only': 'history', 'iss.meta': 'off'}
resp = requests.get(url, params=params)
data = resp.json()
fx_df = pd.DataFrame(data['history']['data'], columns=data['history']['columns'])
fx_df['TRADEDATE'] = pd.to_datetime(fx_df['TRADEDATE'])
fx_df = fx_df.set_index('TRADEDATE').sort_index()

У валютных инструментов MOEX свои тикеры и режимы торгов, поэтому перед выгрузкой стоит уточнить конкретный код инструмента. Это уберегает от ситуации, когда таблица загрузилась, но в ней оказались не те сделки.

Вариант 2. Курсы валют через pandas_datareader

Для задач, где нужен именно валютный курс, удобно использовать интерфейсы, которые возвращают данные в табличном виде. В pandas_datareader есть поддержка исторических валютных рядов через внешние источники.

import pandas_datareader.data as web
from datetime import datetime

start = datetime(2020, 1, 1)
end = datetime(2024, 12, 31)
currency = web.DataReader('USDRUB=X', 'yahoo', start, end)
print(currency.tail())

Для многих аналитических задач этого достаточно: получить ряд, посчитать доходности, построить график, проверить корреляцию с акциями. Важно помнить, что источник данных может менять доступность или формат, поэтому в рабочем пайплайне лучше делать запасной вариант выгрузки или кэшировать последний успешный ответ.

Сравнение способов загрузки данных

Пошаговый алгоритм: как загрузить исторические данные правильно

Сам процесс загрузки — это лишь первый шаг. Дальше начинается та часть, где данные превращаются в рабочий датасет. Порядок действий ниже поможет избежать типовых граблей.

1. Определите источник

Сначала решите, откуда брать данные: MOEX, Yahoo Finance или другой сервис. Критерий простой: какой рынок вам нужен и насколько критична официальность данных.

2. Уточните тикер и рынок

Ошибка в тикере — одна из самых частых причин пустой таблицы. Перед запросом проверьте, как инструмент называется именно в выбранном источнике, а не в новостях или у брокера.

3. Проверьте период

Слишком короткий диапазон дает мало статистики, слишком длинный — может упереться в ограничения источника. Для бэктеста среднесрочной стратегии обычно берут несколько лет, для анализа волатильности — как минимум полный рыночный цикл.

4. Посмотрите структуру ответа

Не начинайте сразу считать доходности. Сначала убедитесь, что колонки действительно содержат нужные поля. Иногда под знакомым названием скрывается скорректированная цена, а не реальная цена закрытия.

5. Приведите даты к нужному формату

Дату лучше сразу перевести в индекс и отсортировать по возрастанию. Это убирает лишние проблемы при склейке рядов и расчете дневной доходности.

6. Очистите пропуски

Пропуски, дубликаты и неработающие торговые дни встречаются регулярно. Для дневных данных обычно достаточно удалить строки без цен закрытия, но для внутридневных нужно разбираться с торговыми сессиями отдельно.

7. Нормализуйте данные под задачу

Для бэктеста может понадобиться Close, для риск-анализа — доходности, для внутридневных задач — более частые таймфреймы. Не тащите в модель лишние поля, но и не выбрасывайте волатильность, если она нужна для сигналов.

Практический пример: подготовка данных к анализу

Ниже базовый шаблон, который я чаще всего применяю к любому финансовому ряду перед тем, как начать исследование.

import pandas as pd

# Предполагаем, что df уже получен из любого источника
df.index = pd.to_datetime(df.index)
df = df.sort_index()
df = df.dropna(subset=['Close'])
df['returns'] = df['Close'].pct_change()

print(df[['Close', 'returns']].tail())

Такой шаблон подходит почти для любого финансового ряда:

• загрузили;
• привели дату;
• отсортировали;
• удалили пропуски;
• рассчитали доходность.

Типовые ошибки новичков

1. Путают торговый символ и название компании

Сервису нужен тикер, а не полное название. Например, не Сбербанк, а SBER. Часто пользователи вводят название компании так, как оно отображается в новостях, и удивляются пустому результату.

2. Сразу используют Close, не проверив корректность данных

Иногда в ряду есть корпоративные события, разрывы, неполные дни и технические пропуски. Прежде чем строить стратегию на ценах закрытия, стоит посмотреть на график и проверить аномальные скачки.

3. Смешивают разные источники без синхронизации

У разных поставщиков могут отличаться часовые пояса, методика корректировки и состав торговых дней. Если склеивать ряды из разных мест, легко получить ложные доходности на стыке.

4. Игнорируют разделение price series и total return series

Для оценки стратегии на дивидендных бумагах обычного Close может быть недостаточно. Полная доходность должна учитывать дивиденды, иначе модель будет систематически занижать результат по бумагам с высокой дивидендной доходностью.

5. Используют слишком частые данные без учета ограничений

Минутные и тиковые ряды тяжелее, а у некоторых источников на них есть лимиты по глубине истории. Перед загрузкой внутридневных данных уточните, сколько свечей вы реально можете получить и сколько памяти это займет.

Как проверить, что данные загружены правильно

Используйте короткий чек-лист:

• в таблице есть строки, а не пустой DataFrame;
• даты идут по порядку;
• нет явных дублей;
• столбцы Open, High, Low, Close, Volume выглядят разумно;
• нет странных скачков из-за ошибок импорта;
• данные соответствуют ожидаемому рынку и периоду.

Если строите рабочий пайплайн, добавьте автоматическую проверку:

assert not df.empty, 'Данные не загрузились'
assert df.index.is_monotonic_increasing, 'Даты не отсортированы'
assert df['Close'].notna().sum() / len(df) > 0.95, 'Слишком много пропусков'
print('Базовые проверки пройдены')

Когда лучше брать данные с MOEX, а когда с yfinance

Мини-шпаргалка по рабочему процессу

1. Выберите источник данных.
2. Найдите тикер.
3. Загрузите историю.
4. Проверьте структуру таблицы.
5. Очистите пропуски.
6. Посчитайте доходности.
7. Сохраните данные в CSV или Parquet.
8. Используйте их в анализе, бэктесте или модели.

Вывод

Загружать исторические данные по акциям и валютам в Python проще всего через yfinance для зарубежных активов и через MOEX ISS для российского рынка. Если задача учебная или исследовательская, начните с готовых библиотек; если нужен анализ российских бумаг и валют, лучше сразу выстраивать работу вокруг официальных данных Мосбиржи.

Главный принцип простой: не ограничивайтесь фактом загрузки. Всегда проверяйте структуру, даты, пропуски и корректность ряда. Именно это отличает рабочий финансовый датасет от случайной выгрузки.

FAQ

Какой способ самый простой для новичка?

Самый простой старт — yfinance, потому что он дает готовый DataFrame и требует минимум кода.

Можно ли загрузить данные по Сбербанку в Python?

Да, для российских акций удобно использовать MOEX ISS и тикер SBER.

Где брать исторические курсы валют?

Для валютных рядов можно использовать MOEX, а для международных пар — внешние источники через Python-библиотеки.

Что делать, если данные не загружаются?

Проверьте тикер, период, структуру ответа и доступность источника. Часто проблема в неправильном символе или в том, что запрошен не тот endpoint.

Можно ли сразу использовать данные в бэктесте?

Да, но только после очистки, сортировки по дате и проверки на пропуски и дубли.