3、数据获取与清洗：获取历史行情数据、数据清洗、数据对齐

做套利交易，最怕什么？

怕数据不准。数据不准，信号就是废的。我见过太多人，策略逻辑写得天花乱坠，结果一跑回测，发现是数据源本身就有问题。嗯，今天我们就来聊聊数据获取与清洗这档子事。

3.1 数据获取：从哪里拿数据？

我个人习惯用两个库：tushare 和 akshare。前者是老牌金融数据接口，后者是后起之秀，覆盖面更广。

先说说 tushare。它需要 token 认证，注册后就能拿到。我建议你申请一个 pro 版权限，免费额度够用，但别太贪心，一天调个几百次就行。

import tushare as ts

# 设置 token
ts.set_token('你的token')
pro = ts.pro_api()

# 获取某只股票的历史日线数据
df = pro.daily(ts_code='000001.SZ', start_date='20230101', end_date='20231231')
print(df.head())

再说 akshare。它更轻量，不需要 token，直接 pip install akshare 就能用。我最近做期货套利时常用它，数据更新挺及时。

import akshare as ak

# 获取期货主力连续合约数据
df = ak.futures_main_sina(symbol='RB0')
print(df.head())

3.2 数据清洗：脏数据是魔鬼

数据拿到手，别急着用。先看看有没有坑。我在项目中遇到过好几次，回测跑得漂亮，实盘一塌糊涂，最后发现是数据里有重复行和空值。

3.2.1 去重

同一个时间戳出现两次？这很常见。尤其是从多个数据源合并时，重复数据会干扰你的信号计算。

# 去重：按时间戳去重，保留第一条
df = df.drop_duplicates(subset=['trade_date'], keep='first')

3.2.2 缺失值处理

缺失值怎么处理？我一般分三种情况：

• 连续缺失不超过3个：用前向填充（ffill）或线性插值。
• 连续缺失超过3个：直接删除该时间段，别硬补。
• 开盘价/收盘价缺失：必须处理，否则信号算不出来。

# 前向填充
df['close'] = df['close'].ffill()

# 线性插值
df['close'] = df['close'].interpolate(method='linear')

# 删除缺失过多的行
df = df.dropna(subset=['close', 'open', 'high', 'low'])

3.3 数据对齐：时间戳必须一致

套利交易的核心是价差。价差怎么算？两个品种的价格相减。但如果它们的时间戳不对齐，你算出来的价差就是错的。

举个例子：

品种A在 09:30:00 有数据，品种B在 09:30:05 才有数据。如果你直接相减，相当于用 09:30:00 的价格减去 09:30:05 的价格，这能对吗？

我建议的做法是：以较慢的那个品种为基准，做重采样对齐。

import pandas as pd

# 假设 df_a 和 df_b 都有 datetime 列
# 先设置索引
df_a.set_index('datetime', inplace=True)
df_b.set_index('datetime', inplace=True)

# 重采样到1分钟级别
df_a_resampled = df_a.resample('1T').last()
df_b_resampled = df_b.resample('1T').last()

# 合并对齐
df_merged = pd.merge(df_a_resampled, df_b_resampled, 
                     left_index=True, right_index=True, 
                     suffixes=('_a', '_b'))

3.4 知识体系总览

下面这张图，是我自己总结的数据获取与清洗流程。你可以照着这个框架来搭建你的数据管道。

3.5 实战避坑指南

最后，分享几个我踩过的坑：

• 时间戳时区问题：tushare 返回的是北京时间，akshare 有些接口返回的是 UTC 时间。一定要统一时区，否则对齐会出错。
• 停牌日数据：股票停牌时，tushare 会返回空值。我建议直接删除停牌日的数据，别用前一天的收盘价填充。
• 期货换月数据：期货有主力合约切换，数据会出现跳空。我一般用复权因子处理，或者直接使用连续合约指数。

好了，数据获取与清洗就讲到这里。记住一句话：数据质量决定策略上限。你花再多时间优化策略，都不如先把数据搞干净。

---