股票交易记录系统的核心诉求是把每一笔买卖操作结构化存储，并能随时回答持仓数量、成本和盈亏情况。SQLite作为嵌入式数据库，无需独立服务端，特别适合个人投资者或小团队搭建轻量级复盘工具。下面按数据表设计、交易计算、自动化维护和Python集成四个部分展开。

一、股票交易记录系统的表结构设计

设计数据库前先明确几个关键实体：股票本身、交易流水和每日行情。股票基础信息表用来保存代码、名称和交易市场，交易流水表记录每一次买入卖出，每日行情快照表则用于计算持仓市值。把这三类信息分开存储，可以避免数据重复，也为后续扩展多账户、多币种留出空间。

先建立股票基础信息表和交易流水表。交易流水表中需要包含交易方向、数量、价格和手续费，并通过外键关联股票表。同时用检查约束限制交易方向只能是买入或卖出，数量必须大于零，防止脏数据写入。建表语句如下：

CREATE TABLE stocks (
    stock_id INTEGER PRIMARY KEY AUTOINCREMENT,
    symbol TEXT NOT NULL UNIQUE,
    name TEXT,
    exchange TEXT,
    currency TEXT DEFAULT 'CNY'
);
CREATE TABLE transactions (
    tx_id INTEGER PRIMARY KEY AUTOINCREMENT,
    stock_id INTEGER NOT NULL,
    trade_date TEXT NOT NULL,
    side TEXT NOT NULL CHECK(side IN ('BUY','SELL')),
    quantity INTEGER NOT NULL CHECK(quantity > 0),
    price REAL NOT NULL CHECK(price >= 0),
    commission REAL DEFAULT 0,
    account TEXT,
    note TEXT,
    FOREIGN KEY(stock_id) REFERENCES stocks(stock_id)
);
CREATE TABLE daily_prices (
    price_id INTEGER PRIMARY KEY AUTOINCREMENT,
    stock_id INTEGER NOT NULL,
    trade_date TEXT NOT NULL,
    close_price REAL,
    high_price REAL,
    low_price REAL,
    volume INTEGER,
    UNIQUE(stock_id,trade_date),
    FOREIGN KEY(stock_id) REFERENCES stocks(stock_id)
);

外键约束在SQLite中默认关闭，每次连接数据库后需要执行PRAGMA foreign_keys = ON才会生效。另外，交易流水表会随着时间快速增长，建议在stock_id和trade_date上建立联合索引，提升按股票和日期筛选的速度。例如：

CREATE INDEX idx_tx_stock_date ON transactions(stock_id, trade_date);

如果交易涉及多个证券账户，还可以增加account字段并建立索引，后续按账户分别统计收益时会更加高效。表结构设计完成后，接下来要考虑如何计算持仓成本。

二、交易录入与移动加权平均成本计算

对于个人投资者，移动加权平均法是最直观的持仓成本计算方式。每次买入后，用买入金额加上手续费除以总持仓股数，得到新的平均成本；卖出时不改变平均成本，只减少持仓数量。这样做的好处是计算简单，不需要像先进先出那样逐笔匹配买卖记录，适合快速复盘。

先插入一笔买入记录，然后查询当前持仓和平均成本。买入交易的SQL如下：

PRAGMA foreign_keys = ON;
INSERT INTO stocks(symbol, name, exchange) VALUES ('600519', '贵州茅台', 'SSE');
INSERT INTO transactions(stock_id, trade_date, side, quantity, price, commission, account)
VALUES (1, '2024-01-15', 'BUY', 100, 1650.00, 5.00, 'main');

查询当前持仓数量和累计买入成本可以用聚合函数结合条件表达式：

SELECT s.symbol,
       SUM(CASE WHEN t.side = 'BUY' THEN t.quantity ELSE -t.quantity END) AS hold_quantity,
       SUM(CASE WHEN t.side = 'BUY' THEN t.quantity * t.price + t.commission ELSE 0 END) AS total_buy_cost
FROM stocks s
JOIN transactions t ON t.stock_id = s.stock_id
WHERE s.stock_id = 1
GROUP BY s.symbol;

已实现盈亏的计算相对复杂一些。卖出时收入减去对应买入成本，严格来说需要从最早买入的批次开始抵扣。如果采用移动加权平均，可以把卖出时的平均成本作为抵扣单价，公式为：卖出收入减去卖出数量乘以当前平均成本。这个逻辑可以放在应用层计算，也可以用SQL子查询实现，但后者在数据量大时性能会下降，建议在Python脚本中处理。

实际使用中，很多投资者还会关心每笔交易的手续费对成本的影响。手续费可以单独记录，也可以折算进买入成本。本文示例中把买入手续费加入成本，卖出手续费从收入中扣减，这样更贴近真实资金变动。

三、触发器与视图自动维护账户汇总

手动维护账户总成本、总市值和已实现盈亏容易遗漏，SQLite的触发器可以在交易流水写入后自动更新汇总表。先创建一张账户汇总表：

CREATE TABLE account_summary (
    account TEXT PRIMARY KEY,
    total_cost REAL DEFAULT 0,
    realized_pnl REAL DEFAULT 0
);

然后写一个AFTER INSERT触发器，当交易流水表新增记录时，把对应账户的总成本和已实现盈亏累加。这里只处理买入和卖出对成本与盈亏的影响：

CREATE TRIGGER trg_tx_after_insert
AFTER INSERT ON transactions
BEGIN
    INSERT INTO account_summary(account, total_cost, realized_pnl)
    VALUES (NEW.account,
            CASE WHEN NEW.side = 'BUY' THEN NEW.quantity * NEW.price + NEW.commission ELSE 0 END,
            CASE WHEN NEW.side = 'SELL' THEN NEW.quantity * NEW.price - NEW.commission ELSE 0 END)
    ON CONFLICT(account) DO UPDATE SET
        total_cost = total_cost + excluded.total_cost,
        realized_pnl = realized_pnl + excluded.realized_pnl;
END;

这个触发器只记录了交易带来的直接成本和卖出收入，并没有真正冲减买入成本。要得到更准确的已实现盈亏，还需要在更新时读取当前平均成本，但SQLite触发器里直接查询同一张表的聚合值容易造成递归或锁问题。更稳妥的做法是使用应用层事务：先计算盈亏，再更新汇总表。不过对于简单的个人记账，上述触发器已经能给出大致资金流向。

视图可以把频繁使用的持仓查询固化下来，避免每次手写长SQL。例如创建一个当前持仓视图：

CREATE VIEW v_current_positions AS
SELECT s.symbol,
       s.name,
       SUM(CASE WHEN t.side = 'BUY' THEN t.quantity ELSE -t.quantity END) AS hold_quantity,
       SUM(CASE WHEN t.side = 'BUY' THEN t.quantity * t.price + t.commission ELSE 0 END) AS total_cost
FROM stocks s
JOIN transactions t ON t.stock_id = s.stock_id
GROUP BY s.symbol;

之后只需SELECT * FROM v_current_positions就能拿到所有股票的持仓和成本。连接每日行情快照表后，即可算出持仓市值和浮动盈亏。

四、用Python录入交易并生成每日收益报表

Python标准库自带的sqlite3模块操作SQLite非常方便。连接数据库后，先开启外键约束，再插入股票信息或交易记录。示例代码如下：

import sqlite3
conn = sqlite3.connect('stock_trading.db')
cur = conn.cursor()
cur.execute('PRAGMA foreign_keys = ON')
cur.execute(
    'INSERT INTO stocks(symbol, name, exchange) VALUES (?, ?, ?)',
    ('000001', '平安银行', 'SZSE')
)
conn.commit()

如果需要批量导入历史成交记录，可以配合csv模块读取文件，循环写入交易流水表。假设CSV文件包含stock_id、trade_date、side、quantity、price和commission列，导入代码如下：

import csv
with open('trades.csv', newline='', encoding='utf-8') as f:
    reader = csv.DictReader(f)
    for row in reader:
        cur.execute(
            'INSERT INTO transactions(stock_id, trade_date, side, quantity, price, commission) '
            'VALUES (?, ?, ?, ?, ?, ?)',
            (
                row['stock_id'],
                row['trade_date'],
                row['side'],
                int(row['quantity']),
                float(row['price']),
                float(row.get('commission', 0))
            )
        )
conn.commit()

生成每日收益报表时，可以把当前持仓视图与每日行情快照表关联。例如查询某一天所有持仓的市值和浮动盈亏：

SELECT d.trade_date,
       SUM(p.hold_quantity * d.close_price) AS market_value,
       SUM(p.total_cost) AS total_cost,
       SUM(p.hold_quantity * d.close_price) - SUM(p.total_cost) AS floating_pnl
FROM daily_prices d
JOIN stocks s ON s.stock_id = d.stock_id
JOIN v_current_positions p ON p.symbol = s.symbol
WHERE d.trade_date = '2024-02-18'
GROUP BY d.trade_date;

这个查询假设v_current_positions中的symbol与行情快照表对应的股票符号一致。实际工程中最好使用stock_id关联，避免股票代码重复或修改带来的问题。除此之外，SQLite的日期字段建议统一使用ISO 8601格式如2024-01-15，这样字符串排序和区间查询都不会出问题。

通过以上几个步骤，一个基础但完整的股票交易记录系统就搭建起来了。后续还可以扩展自动获取行情、计算技术指标、导出Excel报表等功能，而SQLite轻量、零配置的特性让这些迭代变得非常顺手。