Python 台股 API 比較：FinMind、yfinance、證交所 OpenAPI 怎麼選

Python 台股 API 怎麼選？資料品質比起始年更決定回測成敗

用 Python 做台股分析，大部分時間其實卡在「把資料弄到手」：爬蟲被擋、欄位零散、財報要對齊公布日、價格要自己調除權息。搜尋「python 台股 api」「python 台股套件」「台股資料庫下載」時，最常見的選項是證交所 OpenAPI、yfinance、FinMind、twstock、券商 API 與 finlab。我們在 2026 年 6 月逐一實測，結果如下。

涵蓋檔數與起始年為 finlab 實測值（查詢於 2026-06，見文末可下載腳本）；其餘來源為各官方文件公開資訊。FinMind 官方 PyPI 頁面列出 pip install FinMind、Python SDK、每日更新與 API 請求限制；yfinance 官方文件說明它是使用 Yahoo 公開 API 的開源工具，主要供研究與教育用途；證交所 OpenAPI 頁面列出 /exchangeReport/STOCK_DAY_ALL 為上市個股日成交資訊端點。

選資料源時，很多人只看「歷史最早到哪一年」，於是覺得 FinMind 從 1994、yfinance 從 2000 一定占優勢。但對回測來說，決定成敗的通常是另外兩件事：

1. 除權息有沒有調：台股每年配息 3–5%，5 年累積報酬若不還原會被低估 15–25%，基準直接失真。
2. 有沒有避開前視偏差：財報、月營收都有「公布日」，回測若用到當天還沒公布的數字，績效會虛高、實單卻做不出來。

finlab 的價格從 2007 才開始，比 FinMind 晚 13 年。代價換來的是：這兩件最容易出錯的事它預設處理好，而且股價、月營收、財報、籌碼用的是同一種表格、同一行 data.get()。對回測而言，這層差異往往比多 13 年歷史更重要。下表把搜尋意圖對到資料源：

前視偏差（Look-ahead bias）：回測時不小心用到當下還沒被市場知道的資訊（例如還沒公布的財報），會讓策略在歷史上看起來很神，實盤卻完全複製不出來。

先把資料接到回測：用 FinLab Skill 建第一個可執行環境

如果你的目標是「可回測的台股資料」而不只是下載 CSV，建議先把環境接起來，再回頭比較各 API 的細節。把下方提示詞交給 AI，它會安裝 FinLab Skill、引導 finlab.login()，並用本文的 data.get() 範例抓第一張收盤價表。

import finlab
finlab.login()
from finlab import data
 
close = data.get('price:收盤價')

免費方案有每月資料額度（以 MB 計），做選股、回測、學習都夠用；需要更高頻率更新或更大量下載再升級。整個流程不需要寫爬蟲、不必背 API 文件，之後所有資料都是同一行 data.get('資料表:欄位')。如果你想看 AI agent 的安裝方式與支援工具，也可以看 FinLab AI Agent 說明。

2026 最新實測：6 種抓台股資料方法逐一示範

下面每種方法都附一段可複製的程式碼，讓你比較「拿一檔台積電（2330）收盤價要寫多少」。

方法一：twstock（最輕量，只有價量）

import twstock
stock = twstock.Stock('2330')
prices = stock.fetch_from(2024, 1)   # 從 2024/01 抓到現在
print(prices[-1].close)              # 最近一筆收盤價

優點是零成本、安裝即用；缺點是它本質是爬證交所，抓太頻繁會被擋，而且只有價量，沒有財報、籌碼，除權息也要自己處理。適合做最簡單的價格小工具。

方法二：證交所 OpenAPI（官方，但只留最新）

import requests, pandas as pd
 
url = "https://openapi.twse.com.tw/v1/exchangeReport/STOCK_DAY_ALL"
df = pd.DataFrame(requests.get(url).json())
print(df.head())   # 全市場「當日」收盤、開高低、成交量

這是證交所官方端點，資料正確、免費。你在 Google 看到的 openapi.twse.com.tw/v1/exchangereport/stock_day_all、/v1/exchangereport/stock_day_all、stock_day_all openapi.twse，多半都在找同一個資料集；實際文件頁面列出的路徑是 https://openapi.twse.com.tw/v1/exchangeReport/STOCK_DAY_ALL。

它的定位很清楚：抓上市個股當日全市場行情，不是下載完整歷史股價。若要用它建立台股歷史資料庫，你需要每天收盤後排程：

這正是 ARON HACK 用富果 API 那篇也點出的痛點：證交所只留最新，得自行備份。若你的目標是「今天行情表」，OpenAPI 很好；若你的目標是「可回測的 10 年台股資料庫」，資料清洗與保存成本要先算進去。

方法三：yfinance（有歷史，但台股偶爾不穩）

import yfinance as yf
 
df = yf.download("2330.TW", start="2010-01-01", auto_adjust=False)
print(df[["Close", "Adj Close"]].tail())

yfinance 使用 Yahoo Finance 公開資料，安裝簡單、歷史也夠長。台股代號要加 .TW 或 .TWO，例如上市台積電是 2330.TW，上櫃股票通常用 .TWO。這個工具很適合快速看價量，但正式回測前要做三件檢查：

方法四：FinMind（開源、起始最早、資料表最廣）

pip install FinMind

from FinMind.data import DataLoader
 
api = DataLoader()
df = api.taiwan_stock_daily(stock_id="2330", start_date="1994-01-01")
print(df.tail())

FinMind 是值得尊敬的開源專案，官方說明涵蓋台股技術面、基本面、籌碼面、衍生性商品與海外資料，資料每日更新；PyPI 頁面也列出 pip install FinMind、Python SDK 與 API request 上限。若要提高額度，可到 FinMind 會員頁取得認證金鑰，再依官方文件登入。它最適合做「資料倉儲」與資料表探索。做嚴謹回測時，仍要自己處理幾件事：

FinMind vs finlab：資料倉儲和回測環境的差別

FinMind 和 finlab 不該簡化成誰比較好；它們服務的工作不一樣。

如果你的目標是「把台股資料下載下來做自己的資料庫」，FinMind 很適合；如果你的目標是「用台股資料快速做選股回測」，finlab 的 data.get()、sim() 與 FinLab Skill 會少掉很多資料工程。

方法五：富果 Fugle（穩定、可下單，需開戶）

from fugle_marketdata import RestClient
client = RestClient(api_key="YOUR_KEY")
data = client.stock.historical.candles(symbol="2330", from_="2024-01-01")
print(data["data"][:3])

富果是券商級 API，穩定、可同時下單，適合要把回測接到實盤的人。代價是要開戶綁券商、申請金鑰。資料品質好，但歷史約從 2010 起。

方法六：finlab（一行抓，且回測即用）⭐

前面五種有個共同問題：每換一種資料（價格、營收、籌碼），就要換一套 API、換一種欄位格式、自己對齊日期。finlab 把整個市場整理成統一的「日期 × 股票」表格，任何資料都用同一行指令：

from finlab import data
 
close = data.get('price:收盤價')   # 一張表:列=日期,欄=股票代號,整個市場一次到手
print(close['2330'].tail())        # 看台積電最近幾天收盤價

實際印出（查詢於 2026-06）:

date
2026-06-01    2355.0
2026-06-02    2380.0
2026-06-03    2425.0
2026-06-04    2385.0
2026-06-05    2365.0
Name: 2330, dtype: float64

要哪一檔就 close['2330']（代號用字串），不必一檔一檔抓。下一節我們把月營收、財報、籌碼也用同一行拿到。

一行抓多種資料：股價、月營收、財報、籌碼

finlab 與其他來源最大的差異在於換資料不換寫法。下表覆蓋數字為 2026-06 實測：

依資料類型，往下看對應策略

每一種資料都對應到一套可重現的台股策略實作。抓到資料後，依你想做的方向往下接：

把台積電的股價、月營收 YoY、財報 ROE、籌碼一次印出來，你會看到它們長得「一模一樣」（都是同一種序列）：

print(data.get('monthly_revenue:去年同月增減(%)')['2330'].tail())
# 2026-01-12    20.43
# 2026-02-10    36.81
# 2026-03-10    22.17
# 2026-04-10    45.19   ← 月營收年增 +45.19%
# 2026-05-11    17.49
 
print(data.get('fundamental_features:ROE稅後')['2330'].tail())
# 2025-Q1     8.08
# 2025-Q2     8.62
# 2025-Q3     9.36
# 2025-Q4     9.63
# 2026-Q1    10.06     ← 單季 ROE 逐季回升
 
print(data.get('institutional_investors_trading_summary:投信買賣超股數')['2330'].tail())
# 2026-06-03     647975
# 2026-06-04     537838
# 2026-06-05    2900428  ← 投信單日買超近 2,900 張(2026-06-05,來源:finlab)

下面這張圖就是一行 data.get() 拿到的東西：台積電近 120 個交易日的股價，疊上投信（藍）、外資（綠）的單日買賣超。

籌碼（法人買賣超）：投信、外資、自營商三大法人每天買進與賣出的差額（淨買賣超）。市場常把法人連續買超視為認同訊號，但這個直覺禁不禁得起回測，下一節用兩組對照來驗證。

用一個籌碼策略檢驗：這份資料能接上回測流程

資料乾不乾淨，跑一次回測就知道。我們用一個跨多種資料的籌碼策略實跑，順帶展示 finlab 的廣度：同一份程式碼裡同時用到籌碼（投信）、基本面（月營收）與價量（流動性），差別只是多打幾行 data.get()。

「跟著聰明錢」這個想法在學術上有根據，但效果好壞取決於怎麼用：

這幾篇放在一起，指向一個可檢驗的假設：籌碼訊號搭配基本面把關時較可靠，只看籌碼則容易追在高點。下面用兩組對照回測這個假設。

對照組：投信連買 5 天就追，13 年只有 4.76% CAGR

常見的第一直覺是投信連續買超就跟。我們照這個直覺寫（連買 5 日、選買超最多的 20 檔、週頻換股）：

trust = data.get('institutional_investors_trading_summary:投信買賣超股數')
vol   = data.get('price:成交股數')
streak = (trust > 0).rolling(5).sum() >= 5          # 連續 5 日買超
liq    = vol.average(20) > 500*1000                 # 流動性過濾
pos    = trust.rolling(5).sum()[streak & liq].is_largest(20)
from finlab.backtest import sim
report = sim(pos.loc['2013':], resample='W')        # 週頻換股

結果是 CAGR 4.76%、最大回撤 −51.8%、Sharpe 0.24。不但跑輸含息 0050(CAGR 19.86%)，回撤也接近腰斬。這與 Barber et al. 的觀察一致：單純跟著法人短線進出的那一方，長期報酬並不理想。

優化組：籌碼強度 × 月營收動能，13 年 CAGR 30.1%

對照組的問題有兩個：用「買超股數」會偏向大型股，而且完全沒有基本面把關。優化組改成這樣：

• 投信買超強度 = 20 日投信淨買超 ÷ 20 日成交量（用占比而非絕對股數，降低大型股偏誤）；
• 疊上月營收年增 > 0、且月營收創 12 個月新高（基本面把關）；
• 用 rank 把兩個訊號做複合排序選 15 檔，月頻換股，並用 resample_offset='14D' 對齊月營收公布日（避前視偏差、捕捉公布後的營收動能）：

trust_intensity = (trust.rolling(20).sum() / vol.rolling(20).sum())  # 籌碼強度
rev     = data.get('monthly_revenue:當月營收')
rev_yoy = data.get('monthly_revenue:去年同月增減(%)')
rev_high = rev.average(3) == rev.average(3).rolling(12).max()        # 營收創高
 
score = trust_intensity.rank(axis=1, pct=True) + rev_yoy.rank(axis=1, pct=True)
cond  = (vol.average(20) > 500*1000) & rev_high & (rev_yoy > 0)
position = score[cond].is_largest(15)
 
report = sim(position.loc['2013':], resample='M', resample_offset='14D')

績效對照（2013-01 ~ 2026-06，基準 0050 用含息 etl:adj_close）:

數字來源：finlab sim() 回測，基準 0050 採 etl:adj_close（已調除權息）。月報酬 Sortino 2.18 通過風險調整門檻（≥1.5）。完整可重現腳本見文末下載。

把兩條曲線和大盤畫在一起。藍色是優化組，橘色是天真追籌碼的對照組，灰色虛線是含息 0050:

逐年來看，優化組在多數年份贏過 0050，且在 2018、2022 的空頭年回撤可控：

下面是完整互動式回測報告：月報酬熱力圖、權益曲線、年度績效、持股明細全在裡面，可直接在文章中操作：

回測方法與限制（這些數字怎麼算出來的）

漂亮的數字要先交代口徑才有意義。本策略的回測設定與已知限制如下：

把這幾項攤開講，目的是讓你能判斷哪些數字可信、哪些要打折看。例如全段 in-sample 意味著參數可能對這 13 年的市況有後見之明，實單前值得自己再跑一次樣本外。

可以在這十幾行內把籌碼、月營收、流動性組成策略並回測，關鍵在於這些資料一行就拿到、格式統一、除權息與公布日都對齊好了。換成爬蟲方案，光把這三種資料對齊到同一張交易日表格，就要寫上百行清洗碼。想看更多因子組合，可參考 四因子選股實戰：複合因子贏過 0050 與 法人籌碼跟單術。

不離開這頁，直接跑一次真實回測

資料接上回測流程長什麼樣，用下面的回測器直接體驗：選一組因子、按執行，就會在瀏覽器裡用真實台股資料跑出淨值曲線與績效指標，不需要安裝任何環境。

把資料存成 CSV / 本地資料庫（離線重用）

抓下來的是標準 pandas DataFrame，要存檔、離線重用都很直覺：

close = data.get('price:收盤價')
close.to_csv('tw_close.csv')                 # 存成 CSV
close.to_parquet('tw_close.parquet')         # 大檔建議 parquet,讀寫更快
 
# 存進 SQLite 本地資料庫
import sqlite3
con = sqlite3.connect('tw_stock.db')
close['2330'].to_frame('close').to_sql('tsmc_close', con, if_exists='replace')

finlab 本身也會把抓過的資料快取在本地，同一個資料表第二次 data.get() 幾乎瞬間回應，不會重複消耗額度。

反爬蟲被擋怎麼辦？

如果你執意自己爬證交所/Yahoo，常見會踩到：

爬蟲的維護成本是長期的：網站一改版，你的解析程式就跟著壞。這也是正式量化研究多半改用整理好的資料源的原因，把時間花在策略上，而不是跟反爬蟲機制周旋。finlab 走 API，不會被擋，資料表也由團隊維護更新。延伸閱讀：程式交易是什麼？從零開始的自動化交易、用 Python 計算 158 種技術指標、Python 選股與回測教學。

延伸閱讀：從台股資料到程式交易

這篇是 程式交易 裡「用 Python / 工具取得資料」的入門頁。延伸學習路徑：

• 想知道量化交易全貌 → 量化交易完整指南
• 想學怎麼選股 → 股票選股方法總覽
• 想看更多因子實測 → 台股單因子 vs 複合因子實測圖
• 想看籌碼面深入策略 → 法人籌碼跟單術、散戶反向指標策略
• 想串月營收事件 → 月營收動能與公布後漂移（PEAD）

常見問題（FAQ）

📎 可下載資源

• 完整可重現回測腳本：strategy.py（籌碼強度 × 月營收動能，含對照組）
• 互動式回測報告：report_strategy.html、report_baseline.html

作者：FinLab 量化研究團隊，專注台股因子研究與回測工程，所有數字皆由 finlab 套件實跑，可用文末腳本自行重現。最後更新：2026-06。資料覆蓋數字查詢於 2026-06。投資有風險，過去績效不代表未來表現，本內容僅供教學參考，不構成投資建議，請依個人風險承受度審慎評估。