akshare 与 Python:中国金融数据分析与获取的开源首选工具

连享会：2026五一论文班 · 线上
时间：5月2-4日
嘉宾：郭士祺 (上海交通大学)、戚树森 (厦门大学)、李学恒 (中山大学)
咨询：王老师 18903405450（微信）

温馨提示: 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：

作者：张祖冲 (江苏大学)邮箱：zzchong1228@163.com

1. 简介：何谓 akshare？

akshare 是专为金融数据分析打造的开源 Python 库，其核心设计理念可用一句话概括：“为人类设计的优雅简洁的 Python 金融数据接口库”。这一定位鲜明地体现了以用户为中心、追求极致易用性的目标。

深入了解 akshare，会发现它本质上并不是原始数据的生产者，而是一个高效的数据聚合与抽象平台。这一点从其接口函数的命名规范即可看出，例如 stock_zh_a_spot_em 和 futures_zh_daily_sina，其中的 _em 和 _sina 后缀分别指明了底层数据源——东方财富网和新浪财经。

akshare 的最大价值在于，它帮助用户摆脱了繁琐的网页数据抓取和各类网站 API 解析的工作，通过统一、稳定的 API，将来自不同来源、结构各异的数据标准化为 pandas DataFrame 格式，大大简化了数据获取流程。这样的设计不仅让用户能够免费获取海量公开金融数据，还无需关心底层数据源的变化与实现细节，极大提升了数据分析的效率和体验。

• 项目源码: https://github.com/akfamily/akshare
• 官方文档: https://akshare.akfamily.xyz/。详细介绍了 akshare 的安装、使用方法、涵盖的主要数据库、指标定义，以及各类数据接口的详细说明。

1.1 为何要使用 akshare 库？

一个开源项目的可靠性与生命力，很大程度上取决于其社区的活跃度与认可度。在这方面，akshare 表现尤为突出，其 GitHub 仓库的相关数据充分印证了这一点：

• 社区认可度：项目已获得超过 12,200 个星标（Stars），并被 1,300 多个项目实际依赖，显示出在开发者群体中的高度关注与广泛应用。
• 协作与贡献：拥有 2,300 余个分支（Forks）和 91 位贡献者，体现了健康且活跃的协作开发氛围。
• 专业背书：知名开发者工具厂商 JetBrains 作为赞助商之一，为项目增添了重要的专业信誉。
• 持续维护：项目已累计发布 31 个版本，并保持着积极的更新频率。例如，更新日志中多次记录了对 rate_interbank 等接口的修复，显示出维护团队对社区反馈和 bug 修复的高度响应。

这些数据不仅反映了 akshare 的技术实力，也展现了其背后强大的社区支持和持续发展的潜力。

1.2 安装方法与使用要点

akshare 的安装过程非常简便，只需在命令行中通过 pip 执行如下指令即可：

pip install akshare

但在正式使用前，用户需特别注意其数据使用声明。akshare 明确强调，所提供的数据“仅限于学术研究用途”，不构成任何投资建议。同时，由于底层数据源等“不可控因素”，部分接口未来可能会发生变动或下线。理解这一定位，有助于用户合理预期和规范使用行为。

此外，部分用户可能会发现，虽然项目的 GitHub 仓库维护活跃、响应及时，但官方文档网站（akshare.akfamily.xyz）偶尔会出现访问不稳定的情况。这在开源项目中较为常见，通常意味着开发团队将主要精力投入在代码和社区维护上。因此，建议大家优先通过 GitHub 仓库 获取最新动态、反馈问题和寻求帮助，这样不仅能规避文档站点偶发的访问障碍，还能直接融入最活跃的用户与开发者社区。

1.3 akshare 提供的主要数据接口

akshare 提供了丰富的金融数据接口，涵盖了股票、期货、外汇、宏观经济等多个领域。以下是一些主要的接口分类：

• 股票数据：包括 A 股、港股、美股等市场的实时行情、历史 K 线、财务报表等。
• 期货数据：提供国内外主要期货品种的实时行情、历史数据、持仓量等。
• 外汇数据：涵盖主要货币对的实时汇率、历史数据等。
• 宏观经济数据：包括 GDP、CPI、PPI 等重要经济指标的历史数据。
• 数字货币数据：支持比特币、以太坊等主流数字货币的行情和历史数据。
• 行业数据：提供各行业指数、板块行情等信息。
• 量化分析工具：包括技术指标计算、数据可视化等功能。
• 新闻与舆情数据：提供财经新闻、社交媒体舆情等信息。
• 数据下载与转换工具：支持将数据导出为 CSV、Excel 等格式，方便后续分析。
• 数据清洗与预处理工具：提供常用的数据清洗、转换函数，便于用户快速处理原始数据。

详情参见 asshare 数据字典。下面，我们将重点介绍如何使用 akshare 获取中国 A 股市场的核心数据。

2. 核心数据获取 - 中国 A 股市场

akshare 在中国 A 股市场的数据获取方面表现尤为出色，能够满足从实时行情到深度历史数据的多层次需求，并内置了量化分析所需的核心功能。

2.1. 实时市场快照

对于希望全面掌握市场最新动态的分析师来说，akshare 提供了极为便捷的接口。只需调用 ak.stock_zh_a_spot_em() 函数，即可一键获取沪深京 A 股所有上市公司的实时行情数据。

代码示例：获取 A 股实时行情

import akshare as ak# 获取沪深京 A 股实时行情数据stock_zh_a_spot_em_df = ak.stock_zh_a_spot_em()# 显示数据框的前几行print(stock_zh_a_spot_em_df.head())

   序号      代码      名称    最新价    涨跌幅   涨跌额       成交量           成交额     振幅     最高     最低     今开     昨收    量比    换手率  市盈率-动态   市净率           总市值          流通 市值   涨速  5分钟涨跌  60日涨跌幅  年初至今涨跌幅01300993    玉马科技  14.6820.032.45327918.04.336300e+0821.1014.6812.1012.2012.232.8713.5937.463.134.523366e+093.541780e+090.00.036.0531.1912300650    太龙股份  17.0320.012.84385574.06.193797e+0819.2417.0314.3014.4914.194.9425.24144.602.983.717583e+092.601650e+090.00.025.8748.4723300991     创益通  28.9720.014.83175393.04.763418e+0821.5828.9723.7624.2624.144.7819.51166.356.494.171680e+092.604171e+090.00.053.2840.2234301024    霍普股份  47.8820.007.9854306.02.491418e+0822.5147.8838.9039.0039.900.949.02-86.247.213.044450e+092.882855e+090.00.086.30101.1845688062  迈威生物-U  28.6220.004.77296333.08.274653e+089.7328.6226.3026.5023.852.3014.51-9.808.951.143655e+105.843345e+090.00.040.2341.68

该函数返回的 DataFrame 不仅包含基础的价格信息，还集成了诸如动态市盈率、市净率、总市值、流通市值、换手率等多项经过计算的高价值指标。分析师仅需一次 API 调用，即可获取构建复杂筛选策略所需的绝大部分核心数据，大幅提升了研究与分析的效率。

表 2.1: stock_zh_a_spot_em() 关键输出字段

2.2. 历史价格数据：复权的决定性作用

历史 K 线数据是所有回测和时间序列分析的基础。akshare 通过 stock_zh_a_hist() 接口为用户提供了强大的历史数据获取能力，而其对数据复权（Adjustment）的深度支持，正是体现其专业水准的关键所在。

在金融市场中，股票由于分红、送股、配股等行为，股价会出现“断层”。如果直接使用未复权的价格序列进行分析，容易导致收益率计算和技术指标出现严重偏差。akshare 的设计者深刻理解这一量化分析的核心痛点，因此在接口中专门设置了 adjust 参数，支持不复权、前复权（qfq）和后复权（hfq）三种模式：

• 前复权（qfq）：保持当前价格不变，向前调整历史价格。优点是便于看盘，和行情软件默认显示一致，但历史价格会随每次除权而变化，甚至可能出现负值。
• 后复权（hfq）：保持上市首日价格不变，向后调整价格。优点是能真实反映投资者的累计财富增长，是计算真实历史回报率的唯一可靠方法。因此，在严谨的量化投资研究中，后复权数据是首选标准。

akshare 对复权概念的清晰阐释和功能支持，表明它不仅仅是一个数据抓取工具，更是一个由实践者为实践者打造、深刻理解金融分析需求的专业库。

代码示例：获取某只股票的后复权日 K 线数据

import akshare as ak# 获取平安银行（000001）从 2017-03-01 到 2024-05-28 的后复权（hfq）日 K 线数据stock_zh_a_hist_hfq_df = ak.stock_zh_a_hist(    symbol="000001",    period="daily",    start_date="20170301",    end_date="20240528",    adjust="hfq")# 显示后复权数据print(stock_zh_a_hist_hfq_df.tail())

      日期        股票代码    开盘     收盘      最高     最低    成交量         成交额  振幅 涨跌幅 涨跌额  换手率17552024-05-220000011639.331639.331661.841626.8321155312.458449e+092.140.081.251.0917562024-05-230000011635.581619.331643.081615.5818416232.110799e+091.68-1.22-20.000.9517572024-05-240000011615.581608.081630.581606.8313982761.593330e+091.47-0.69-11.250.7217582024-05-270000011608.081633.081635.581608.0814543611.663272e+091.711.5525.000.7517592024-05-280000011631.831619.331641.831614.3312043231.377107e+091.68-0.84-13.750.62

表 2.2：stock_zh_a_hist 输入参数

表 2.3：stock_zh_a_hist 输出字段

我们将补全缺失的 Section 3 部分，使其与现有结构一致。标题采用与前文相同的风格，结构包括：段落说明 + 示例代码 + 输出结果 + 字段说明表格，主题为 期货数据接口。

3. 期货与宏观经济数据接口

除股票市场外，中国期货市场的数据获取对于量化交易、套期保值与商品研究也至关重要。akshare 提供了对主力合约、连续合约、持仓量、结算价等关键字段的便捷接口，覆盖多个交易所（如大商所、上期所、郑商所），使用户能以统一方式访问结构清晰、格式标准的商品期货数据。

3.1 获取期货主力合约的历史数据

在实际应用中，主力合约数据可用于构建趋势策略、预测波动率、监控价格极值等。akshare 提供了 futures_zh_daily_sina() 接口，用于从新浪财经抓取国内期货主力合约的日线行情，包括开盘价、收盘价、最高价、最低价、成交量、持仓量和结算价等关键字段。

示例代码：获取豆粕（M0）主力合约的日线数据

import akshare as ak# 获取大连商品交易所豆粕主力合约的历史数据（M0）futures_soybean_meal_df = ak.futures_zh_daily_sina(symbol="M0")# 展示最近 5 行数据print(futures_soybean_meal_df.tail())

示例输出（部分）

         date     open    high    low     close   volume   hold     settle4980  2025-06-23  3074.0  3076.0  3021.0  3037.0  1158175  2341727  3042.04981  2025-06-24  3033.0  3040.0  3013.0  3037.0   904147  2330396  3029.04982  2025-06-25  3031.0  3037.0  2988.0  2993.0  1342168  2270410  3009.04983  2025-06-26  2986.0  2988.0  2921.0  2936.0  1851366  2252700  2951.04984  2025-06-27  2940.0  2949.0  2926.0  2946.0   987064  2221758  2938.0

字段说明表：futures_zh_daily_sina() 输出字段

在实证研究与策略开发中，结算价常用于构造收益率序列，而持仓量则反映市场情绪和资金博弈状况，是判断趋势强度的重要依据。

3.2. 宏观经济指标

宏观经济数据是理解市场大环境、进行自上而下分析的基础。akshare 提供了一系列接口来获取关键的宏观经济指标。

3.2.1. 国民经济健康度 (GDP)

通过 macro_china_gdp 接口，可以获取中国的季度国内生产总值数据。该函数返回包含 GDP 绝对值、同比增长率，以及按第一、二、三产业划分的详细数据的 DataFrame，为宏观经济研究提供了高质量的数据基础。

代码示例：获取中国季度 GDP 数据

import akshare as ak# 获取中国季度 GDP 数据macro_china_gdp_df = ak.macro_china_gdp()print(macro_china_gdp_df.head())

| 季度             | 国内生产总值-绝对值 | 国内生产总值-同比增长 | 第一产业-绝对值 | 第一产业-同比增长 | 第二产业-绝对值 | 第二产业-同比增长 | 第三产业-绝对值 | 第三产业-同比增长 ||------------------|--------------------|----------------------|----------------|------------------|----------------|------------------|----------------|------------------|| 2025年第1季度    | 318758.0           | 5.4                  | 11712.8        | 3.5              | 111902.9       | 5.9              | 195142.3       | 5.3              || 2024年第1-4季度  | 1349083.5          | 5.0                  | 91413.9        | 3.5              | 492087.1       | 5.3              | 765582.5       | 5.0              || 2024年第1-3季度  | 975357.4           | 4.8                  | 57363.6        | 3.4              | 356492.0       | 5.4              | 561501.8       | 4.7              || 2024年第1-2季度  | 633599.4           | 5.0                  | 30468.8        | 3.5              | 233253.0       | 5.8              | 369877.5       | 4.6              || 2024年第1季度    | 304761.8           | 5.3                  | 11458.8        | 3.3              | 108277.4       | 6.0              | 185025.6       | 5.0              |

3.2.2. 货币市场动态 (Shibor)

利率是金融市场的核心定价基准。akshare 提供了 rate_interbank 接口，方便用户获取银行间同业拆借利率（如上海银行间同业拆放利率 Shibor）。该接口设计灵活，用户只需通过设置 market、symbol 和 indicator 三个参数，即可按需获取不同市场、不同品种、不同期限的利率数据，满足多样化的分析需求。

代码示例：获取 3 个月 Shibor 利率

import akshare as ak# 获取上海银行间同业拆借市场、Shibor人民币、3个月期限的利率数据shibor_3m_df = ak.rate_interbank(market="上海银行同业拆借市场",                                  symbol="Shibor人民币",                                  indicator="3月")print(shibor_3m_df.tail())

        报告日     利率   涨跌4672  2025-06-23  1.629  0.04673  2025-06-24  1.629  0.04674  2025-06-25  1.630  0.14675  2025-06-26  1.630  0.04676  2025-06-27  1.630  0.0

表 3.2: rate_interbank 关键输入参数

4. 数据分析实战流程

获取数据只是量化分析的起点。akshare 的真正价值在于它能够与 Python 强大的数据科学生态系统无缝衔接，将原始数据高效转化为有洞察力的分析结果。本节将以一个完整的实战流程为例，展示如何从数据获取、技术指标计算，到最终的可视化呈现，逐步挖掘数据背后的价值。

4.1. 数据整理与技术指标计算

本流程将基于第 2.2 节获取的后复权历史股价数据。首先，需要对数据进行预处理——将日期列转换为索引，这一步对于后续的时间序列分析至关重要。随后，将计算两条常用的技术指标：20 日简单移动平均线（SMA20）和 50 日简单移动平均线（SMA50），为后续趋势分析和策略开发打下基础。

代码示例：计算移动平均线

import pandas as pdimport akshare as ak# 获取平安银行 (000001) 从 2017-03-01 到 2024-05-28 的后复权 (hfq) 日 K 线数据stock_zh_a_hist_hfq_df = ak.stock_zh_a_hist(symbol="000001",                                           period="daily",                                           start_date="20170301",                                           end_date='20240528',                                           adjust="hfq")# 1. 将日期列转换为 datetime 对象并设为索引stock_zh_a_hist_hfq_df['日期'] = pd.to_datetime(stock_zh_a_hist_hfq_df['日期'])stock_zh_a_hist_hfq_df.set_index('日期', inplace=True)# 2. 计算 20 日和 50 日简单移动平均线stock_zh_a_hist_hfq_df['SMA_20'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=20).mean()stock_zh_a_hist_hfq_df['SMA_50'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=50).mean()# 显示包含 SMA 的数据print(stock_zh_a_hist_hfq_df.tail())

日期        股票代码   开盘     收盘      最高     最低     成交量     成交额      振幅  涨跌幅 涨跌额 换手率 SMA_20     SMA_502024-05-220000011639.331639.331661.841626.8321155312.458449e+092.140.081.251.091559.13201523.88862024-05-230000011635.581619.331643.081615.5818416232.110799e+091.68-1.22-20.000.951564.75801526.43902024-05-240000011615.581608.081630.581606.8313982761.593330e+091.47-0.69-11.250.721569.57151528.76442024-05-270000011608.081633.081635.581608.0814543611.663272e+091.711.5525.000.751575.69751531.36482024-05-280000011631.831619.331641.831614.3312043231.377107e+091.68-0.84-13.750.621580.63601533.4652

4.2. 可视化价格趋势与交易信号

数据可视化是洞察市场趋势和识别交易信号最直观、有效的方法。借助 matplotlib 库，我们可以将股价与计算得到的移动平均线同时绘制在一张图表上，直观展现价格变动及均线交叉等关键特征，帮助分析师更好地把握行情脉络和潜在买卖时机。

代码示例：绘制股价与移动平均线

import matplotlib.pyplot as pltimport matplotlib.dates as mdatesimport numpy as npimport pandas as pd# 设置中文字体，以防乱码plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False# 生成示例数据np.random.seed(0)dates = pd.date_range('2023-01-01', periods=100)close_prices = np.cumsum(np.random.randn(100)) + 50stock_zh_a_hist_hfq_df = pd.DataFrame({'收盘': close_prices}, index=dates)stock_zh_a_hist_hfq_df['SMA20'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=20).mean()stock_zh_a_hist_hfq_df['SMA50'] = stock_zh_a_hist_hfq_df['收盘'].rolling(window=50).mean()# 创建图表fig, ax = plt.subplots(figsize=(14, 7))# 绘制后复权收盘价、SMA20 和 SMA50ax.plot(stock_zh_a_hist_hfq_df.index, stock_zh_a_hist_hfq_df['收盘'], label='后复权收盘价', color='blue', alpha=0.7)ax.plot(stock_zh_a_hist_hfq_df.index, stock_zh_a_hist_hfq_df['SMA20'], label='20日移动平均线', color='orange', linestyle='--')ax.plot(stock_zh_a_hist_hfq_df.index, stock_zh_a_hist_hfq_df['SMA50'], label='50日移动平均线', color='red', linestyle='--')# 设置图表标题和标签ax.set_title('平安银行 (000001) - 股价与移动平均线', fontsize=16)ax.set_xlabel('日期', fontsize=12)ax.set_ylabel('后复权价格 (元)', fontsize=12)ax.legend()ax.grid(True)# 格式化日期显示ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))fig.autofmt_xdate()# 显示图表plt.show()

这张图表不仅直观展示了股价的长期走势，还清晰刻画了短期（SMA20）与中期（SMA50）均线的动态关系。在技术分析中，短期均线上穿长期均线（如 SMA20 上穿 SMA50）通常被称为“金叉”，被视为市场可能转强的信号；反之，短期均线下穿长期均线则称为“死叉”，往往预示着下跌风险。通过这样的可视化，分析师能够快速识别潜在的趋势反转点，为交易决策提供有力的数据支持。

5. 小结

akshare 已成为现代 Python 量化分析师和数据科学家工具箱中不可或缺的重要工具。其核心优势体现在以下几个方面：

• 数据覆盖广泛：通过统一的接口，akshare 能够便捷获取股票、期货、宏观经济、利率等多类金融数据，满足跨市场、多资产的分析需求。
• 专业且实用的功能设计：内置如股价后复权（hfq）、期货持仓量（hold）等量化分析必需的关键功能，充分体现了对实际业务场景的深刻理解。
• 简洁易用，兼容性强：API 设计直观，返回标准的 pandas DataFrame，便于与 Python 数据科学生态（如 pandas、matplotlib 等）无缝集成，既易上手又具备强大扩展性。
• 社区活跃，响应及时：GitHub 社区活跃，专业机构支持，版本更新频繁，问题反馈和修复高效，保障了项目的持续发展和可靠性。

总体来看，akshare 极大降低了金融数据获取的门槛，让研究者和开发者能够将更多精力投入到策略开发和数据分析本身。对于用户而言，建议充分利用其带来的便利，同时要认识到其本质是高效的数据聚合工具，而非具备服务等级协议（SLA）的商业数据源。如遇问题或需获取最新信息，建议优先通过其活跃的 GitHub 社区寻求支持。

综上，凭借广泛的数据覆盖、专业的功能设计和强大的社区支持，akshare 已成为中国金融市场数据分析领域极具影响力的开源库，值得广大量化分析师和数据科学家长期关注和使用。

推荐资源：

• 项目源码与社区支持: https://github.com/akfamily/akshare
• 官方文档: https://akshare.akfamily.xyz/

6. 相关推文

Note：产生如下推文列表的 Stata 命令为：lianxh Python + 数据 , nocat md安装最新版 lianxh 命令：ssc install lianxh, replace

• 吴浩然，2024, 数据爬取：美国证监会 EDGAR 系统数据获取及 Python 实现, 连享会 No.1329.
• 周豪波，2020, Python 调用 API 爬取百度 POI 数据小贴士——坐标转换、数据清洗与 ArcGIS 可视化, 连享会 No.20.
• 孔亦泽，2023, 分享：公开数据库 及 数据格式转换-R-Stata-Python, 连享会 No.1272.
• 孙斯嘉，2020, Python 调用 API 爬取百度 POI 数据, 连享会 No.60.
• 张洪洋，2023, Python：文本数据增强, 连享会 No.1240.
• 张翠燕，2020, Python+Wind：用 Pyautogui 轻松下载 Wind 数据, 连享会 No.257.
• 王烨文，2025, Python：手绘风格的可视化图形, 连享会 No.1596.
• 秦利宾，许梦洁，2021, Python+Stata：如何获取中国气象历史数据, 连享会 No.793.
• 许梦洁，2020, Python: 如何优雅地管理微信数据库？, 连享会 No.90.
• 许梦洁，2021, Python 爬虫：从 SEC-EDGAR 爬取股东治理数据-Shareholder-Activism, 连享会 No.744.
• 许梦洁，2020, Python：拆分文件让百万级数据运行速度提高 135 倍, 连享会 No.301.
• 连享会，2021, Stata-Python 交互 -6：调用 APIs 和 JSON 数据, 连享会 No.556.
• 连享会，2021, Stata-Python 交互 -8：将 Stata 数据导入 Python, 连享会 No.558.
• 连享会，2021, Stata-Python 交互 -9：将 python 数据导入 Stata, 连享会 No.559.
• 连享会，2025, 连享会 - 系列公开课（共五次）, 连享会 No.1622.
• 连小白，2025, AI 助手系列：借助 AI 工具复现高质量图形, 连享会 No.1584.
• 连小白，2025, GMD：最新全球宏观数据库 -243 个国家 46 个宏观变量, 连享会 No.1559.
• 连小白，2025, Kaggle-数据科学平台：找数据、搜代码一网打尽, 连享会 No.1586.
• 连小白，2025, Python 常用包盘点：经济与金融领域的必备工具包, 连享会 No.1568.
• 连玉君，2025, 无法下载 github 仓库中的数据？网页跳转的原理与 Stata、R、Python 解决方案, 连享会 No.1628.
• 陈卓然，2023, Python 金融分析系列 -2：数据可视化, 连享会 No.1295.
• 陈卓然，2023, Python：爬虫雅虎财经数据-selenium, 连享会 No.1306.
• 高瑜，2025, 书籍推荐：用 Python 实现可复现的数据科学, 连享会 No.1551.
• 高瑜，2024, 新书推荐：可复现数据科学及 Python 应用, 连享会 No.1485.

连享会：2026五一论文班 · 线上
时间：5月2-4日
嘉宾：郭士祺 (上海交通大学)、戚树森 (厦门大学)、李学恒 (中山大学)
咨询：王老师 18903405450（微信）

连享会微信小店上线啦！

Note：扫一扫进入“连享会微信小店”，你想学的课程在这里······

New！ Stata 搜索神器：lianxh 和 songblGIF 动图介绍搜： 推文、数据分享、期刊论文、重现代码 ……👉 安装：. ssc install lianxh. ssc install songbl👉  使用：. lianxh DID 倍分法. songbl all

🍏 关于我们

• 连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。
• 直通车： 👉【百度一下：连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。