免费拿美联储数据：FRED API 入门指南，让 Python 帮你做投资研究

作者提米哥

为什么开发者投资人需要 FRED API？

大多数人做投资研究，第一反应是打开股票图。这其实是个误区。宏观经济状况——GDP 增长、通胀趋势、就业市场健康度——才是决定行业轮动、利率预期以及最终资产价格的底层逻辑。问题在于，过去要把干净可靠的宏观数据拉进 Python 工作流，要么靠爬虫去扒 BLS 表格，要么每年花几万块买 Bloomberg 终端。

美联储经济数据库（FRED）由圣路易斯联储维护，托管了超过 80 万个经济时间序列——从美国 GDP 到韩国出口量，再到地区住房库存，应有尽有。而且 FRED API 是免费的。你只需要申请一个 API 密钥，数据本身不要钱。对同时搞编程和投资的人来说，这是能加到研究工具箱里的最划算的工具之一。

我本人用 FRED 数据做个人投资研究已经三年了。这篇指南会告诉你我第一天就希望知道的东西：如何不费力地拿到 API 密钥、直接调 REST API 还是用 fredapi 库、拉取哪些真正影响市场的序列，以及怎么绕过新手常踩的速率限制陷阱。

两分钟拿到 FRED API 密钥

政府类 API 的注册流程出奇地简单：

  1. 打开 research.stlouisfed.org/useraccount/apikey
  2. 用电子邮箱创建免费账户——不需要组织认证，也不用等待审批
  3. 马上从控制面板复制那串 32 位的密钥

这个密钥的速率限制是每分钟 120 次请求。听起来挺大方，但如果你在循环里一次性拉 50 个序列，很快就会撞墙。在每个请求之间加一句 time.sleep(0.6) 就能稳稳躲在限制之下。

把密钥存到环境变量里，不要硬编码在代码中：

# 在终端设置环境变量（Linux/Mac）
export FRED_API_KEY="你的32位密钥"

⚠️ 警告
FRED API 密钥绑定的是你的账户，不是 IP。如果你不小心把它提交到了公开仓库，别人就能耗光你的速率限制——圣路易斯联储会直接限制该密钥的访问，而不会自动帮你换密钥。请一定用 .env 文件并把它加到 .gitignore 里。

直接调 REST API 还是用 fredapi Python 库？

你有两条集成路径。直接用 REST API 是一个标准的 JSON 接口，地址是 https://api.stlouisfed.org/fred/。每个请求需要传 series_id、api_key 和可选参数（如 observation_start 和 units）。下面是一次原始请求的样子：

import requests

# 构建请求URL和参数
url = "https://api.stlouisfed.org/fred/series/observations"
params = {
    "series_id": "GDP",          # 国内生产总值序列ID
    "api_key": "你的密钥",        # 你的API密钥
    "file_type": "json",         # 返回JSON格式
    "observation_start": "2020-01-01",  # 数据起始日期
}
resp = requests.get(url, params=params)  # 发送GET请求
data = resp.json()               # 解析返回的JSON数据

这样也能用。但等你第三次手动解析日期、处理分页、把字符串转成浮点数之后，你就会想找个封装库。fredapi 库（由 Mortada Mehyar 编写）把这些都处理好了——而且它的接口直接对应 FRED API 端点，所以即使以后需要降到底层写原始请求，心智模型也完全通用。

安装它：

# 使用pip安装fredapi库
pip install fredapi

然后初始化：

from fredapi import Fred

# 用你的密钥创建一个Fred对象
fred = Fred(api_key="你的密钥")

fredapi 提供了三类方法：获取序列数据（get_series）、元数据搜索（search、get_series_info）以及发布和分类信息。你 90% 的时间都会花在 get_series 上。

每个投资者都该跟踪的三个序列

FRED 有超过 80 万个序列，其中大部分是噪声。下面是我放在每个仪表盘里的三个核心序列，以及它们的精确 series_id。

GDP（国内生产总值）—— GDP
季度数据，经季节调整，单位十亿美元。这是衡量美国经济产出的最广义指标。我拉取它用来计算同比增速：

# 获取从2010年起的GDP数据
gdp = fred.get_series("GDP", observation_start="2010-01-01")
# 计算同比变化率（4个季度=1年），乘以100得到百分比
gdp_yoy = gdp.pct_change(periods=4) * 100

GDP 增速下滑通常比 2001 年和 2008 年衰退提前两到三个季度。它不是择时信号，但能告诉你当前的投资环境是在扩张还是收缩。

失业率—— UNRATE
月度数据，经季节调整，百分比。萨姆规则（Sahm Rule）——当失业率三个月移动平均值比过去 12 个月最低点高出 0.5 个百分点时触发——自 1970 年以来准确预测了美国每一次衰退，零误报。用五行代码就能实现：

# 获取失业率数据
unrate = fred.get_series("UNRATE")
# 计算三个月移动平均
ma_3 = unrate.rolling(3).mean()
# 获取过去12个月的最低值
min_12 = unrate.rolling(12).min()
# 计算萨姆指标：移动平均减去最低值
sahm = ma_3 - min_12
# 当指标大于0.5时触发衰退信号
recession_signal = sahm > 0.5

消费者价格指数—— CPIAUCSL
月度数据，经季节调整，指数基期 1982-1984=100。CPI 驱动美联储政策，美联储政策驱动债券收益率，债券收益率又驱动股票估值。我跟踪它的同比变化，并叠加联邦基金利率（FEDFUNDS）来判断货币政策是紧缩还是宽松：

# 获取CPI数据
cpi = fred.get_series("CPIAUCSL")
# 计算同比变化率（12个月）
cpi_yoy = cpi.pct_change(periods=12) * 100

# 获取联邦基金利率
fed_funds = fred.get_series("FEDFUNDS")
# 计算实际利率（名义利率减去通胀）
real_rate = fed_funds - cpi_yoy

当 real_rate 为深度负数时（如 2021-2022 年），美联储实际上在补贴借贷；当它转为正数并高出几百个基点时，流动性收紧，风险资产通常会重新定价。

💡 提示
序列 ID 区分大小写。GDP 有效，gdp 无效。如果请求返回空 DataFrame，首先检查 ID——这是最常见的无声失败原因。

搭建一个最简经济仪表盘

你不需要 Streamlit 或 Dash 就能做出有用的东西。一个 Pandas DataFrame 加 Matplotlib 对个人研究来说完全够了。下面是我用的骨架：

import matplotlib.pyplot as plt
from fredapi import Fred

# 初始化FRED客户端
fred = Fred(api_key="你的密钥")

# 定义要拉取的序列：标签 -> 序列ID
series = {
    "GDP": "GDP",
    "失业率": "UNRATE",
    "CPI同比%": "CPIAUCSL",
    "联邦基金利率": "FEDFUNDS",
    "10年期国债收益率": "DGS10",
    "标普500指数": "SP500",
}

# 创建3行2列的子图，设置总画布尺寸
fig, axes = plt.subplots(3, 2, figsize=(14, 12))
axes = axes.flatten()  # 把二维数组展平为一维

# 遍历每个序列，绘制到对应的子图中
for ax, (label, series_id) in zip(axes, series.items()):
    data = fred.get_series(series_id, observation_start="2015-01-01")
    data.plot(ax=ax, title=label, linewidth=1.2)  # 绘制折线图
    ax.grid(True, alpha=0.3)  # 添加半透明网格
    ax.set_xlabel("")  # 隐藏x轴标签

plt.tight_layout()  # 自动调整子图间距
plt.savefig("macro_dashboard.png", dpi=150)  # 保存图片

运行这段代码大约 10 秒就能得到一张包含六个经济指标的宽视图。我每月重新生成一次，把 PNG 存到 Notion 页面里，跟投资笔记放在一起。它的价值不在于图表本身——而在于强迫自己在做资产配置之前先看一眼宏观数据。

如果你想要更交互的体验，fredapi 的数据可以直接喂进 Jupyter notebook。配合 ipywidgets 做下拉选择器选序列 ID 和日期范围，你就能拥有一个不用点点点就能复制 FRED 官网功能的研究环境。

速率限制和实际使用中的限制

FRED API 有几个需要注意的地方：

  • 每分钟 120 次请求，但每天也有限制：6000 次。 每日上限才是批量处理时的真正瓶颈。如果你要拉 500 个序列的历史数据，就得把请求分散到多天，或者激进地缓存结果。

  • 没有实时数据。 大多数序列更新有延迟。GDP 每个季度更新一次，延迟一个月；失业率每月第一个星期五更新；CPI 在月中发布。如果你按日线交易，FRED 数据不是你的信号——它是你的背景信息层。

  • 数据会被修订。 GDP 和就业数据有时会被大幅修正。2020 年一季度 GDP 初值是 -4.8%，最终修正为 -5.0%。如果你的回测用“日期 X 的 GDP”作为输入，但用的可能是 X 日期之后才有的修正数据。想要严格回测，请使用 ALFRED（ArchivaL FRED）API，它提供每个时间点上的原始数据。fredapi 通过 vintage_dates 参数支持这一点。

  • 序列可能会被停用。 美联储偶尔会停止某些序列或调整统计方法。如果你的管道依赖某个特定序列 ID，当它停止更新时，程序会无声地失败。我每个季度检查一次序列元数据：

# 获取GDP序列的元数据信息
info = fred.get_series_info("GDP")
print(f"最后更新: {info.get('last_updated')}")
print(f"频率: {info.get('frequency')}")

我如何把 FRED 数据整合到投资研究中

我的工作流不是一个交易系统，而是一个决策辅助层。FRED 数据在一个典型的研究周期里是这样融入的：

  • 行业配置： 我会拉取制造业数据（INDPRO）、新屋开工（HOUST）和零售销售（RSXFS），再加上那三个核心序列。当制造业下行而服务业持平时，我会减少工业周期股，增加公用事业和必需消费品权重。这不是择时，而是调整概率估计。

  • 债券久期决策： 10 年期国债收益率（DGS10）减去 2 年期（DGS2）就是收益率曲线利差。曲线倒挂在过去 50 年里每次都先于衰退发生。当倒挂后曲线开始陡化，我会在固定收益部分延长久期。fredapi 一行代码就能搞定：spread = fred.get_series("T10Y2Y")。

  • 估值背景： 我跟踪标普 500 指数（SP500）和名义 GDP，大致估算巴菲特指标（总市值 / GDP）。这个信号很粗糙，但极端值很有价值——在互联网泡沫前该比率飙到 180% 以上，2022 年初超过 200%。而低于 80% 通常意味着绝佳的入场点。

这些都不是独立的买卖信号。它们只是决策流程的输入。FRED API 消除了手动收集数据的麻烦，让你能把时间花在真正需要思考的分析上。

价值在于管道，而不在于数据

数据是免费的。你围绕数据构建的东西——自动拉取、预警阈值、你确实会在决策前查看的仪表盘——才是真正的优势来源。FRED 消除了获取机构级宏观数据的成本障碍。剩下的就要靠你自己把这些整合到一个可重复的研究流程中了。

先从那三个核心序列开始：GDP、UNRATE、CPIAUCSL。让它们在一个每周更新的脚本中跑起来。然后每个月新增一个你关心的资产对应的序列。六个月后，你就拥有一个只花了几十行 Python 代码时间、不需要任何费用的宏观监控系统。

直达网址：https://research.stlouisfed.org/useraccount/apikey

微信联系：timidamen

类似文章