第三章：数据获取与清洗——从交易所拿到能用的期权链数据

做波动率曲面交易，第一步不是建模，不是回测。

是先把数据搞干净。

我见过太多人，策略逻辑写得漂漂亮亮，结果一跑实盘就崩——为什么？数据源里藏着各种坑。缺失值、异常报价、交易所的奇葩规则……这些才是真正的拦路虎。

今天咱们就聊聊，怎么从交易所拿到期权链数据，怎么清洗，怎么构建一套能直接上模型的标准数据集。

3.1 数据源的选择：不是所有交易所都一样

国内期权市场，目前主要就三个地方：上交所（50ETF、300ETF）、深交所（300ETF）、中金所（沪深300股指期权）。

我个人习惯，优先用上交所的数据。为什么？

• 流动性最好——50ETF期权日均成交几百万张，数据质量相对稳定
• 数据接口规范——上交所的Level-2行情接口，字段定义清晰
• 历史数据完整——从2015年到现在，基本没断过

但要注意，深交所的300ETF期权，虽然流动性差一些，但有时候会出现一些套利机会——因为定价效率没那么高。我在2021年做过一个统计，深交所的平价套利窗口平均比上交所多持续0.3秒。嗯，这个差距在程序化交易里就是真金白银。

3.2 从交易所获取数据：两种主流方式

获取期权链数据，说白了就两条路：

1. 直接接入交易所行情网关——适合机构，延迟低，但成本高
2. 通过数据服务商API——适合个人或小团队，方便但有一定延迟

我建议，如果你刚开始做，先用数据服务商的API。比如万得、聚宽、米筐这些，都有现成的期权数据接口。等你策略跑通了，再考虑直接接交易所。

下面是一个用Python获取上交所期权链数据的示例：

import requests
import pandas as pd
from datetime import datetime

def fetch_option_chain(date, exchange='SSE'):
    """
    获取期权链数据
    date: 日期字符串，如'2024-01-15'
    exchange: 交易所代码，SSE=上交所，SZSE=深交所
    """
    # 这里用模拟数据展示结构
    # 实际使用时替换为真实API调用
    data = {
        'code': ['50ETF购1月2400', '50ETF购1月2450', '50ETF沽1月2400'],
        'type': ['call', 'call', 'put'],
        'strike': [2.400, 2.450, 2.400],
        'expiry': ['2024-01-24', '2024-01-24', '2024-01-24'],
        'bid': [0.0450, 0.0210, 0.0380],
        'ask': [0.0455, 0.0215, 0.0385],
        'last': [0.0452, 0.0212, 0.0382],
        'volume': [12500, 8300, 10200],
        'open_interest': [452000, 321000, 398000]
    }
    df = pd.DataFrame(data)
    df['date'] = date
    return df

# 使用示例
df = fetch_option_chain('2024-01-15')
print(df.head())

3.3 数据清洗：处理那些烦人的缺失值和异常值

数据拿到手，别急着用。先看看有没有坑。

我遇到过最离谱的一次——某天50ETF期权数据里，居然有行权价为0的合约。你想想看，行权价0？那不就是送钱吗？后来查出来是交易所测试数据没清干净。

所以，清洗步骤一定要做扎实。

3.4 缺失值处理

期权数据常见的缺失情况：

• 买卖价缺失——流动性差的合约，可能一整天都没有报价
• 成交量缺失——某些深度虚值合约，全天零成交
• 持仓量缺失——新上市合约，持仓量还没更新

我的处理原则：

• 如果买卖价都缺失，直接剔除这个合约——没有报价的数据，留着也没用
• 如果只有一方缺失，用另一方加上合理价差来估算。比如只有卖价，没有买价，那就用卖价减去一个典型价差
• 成交量缺失，填0——表示没有成交

def clean_option_data(df):
    """
    清洗期权数据
    """
    # 剔除买卖价都缺失的行
    df = df.dropna(subset=['bid', 'ask'], how='all')
    
    # 如果只有一方缺失，用另一方估算
    df['bid'] = df['bid'].fillna(df['ask'] - 0.001)  # 假设最小价差为0.001
    df['ask'] = df['ask'].fillna(df['bid'] + 0.001)
    
    # 成交量缺失填0
    df['volume'] = df['volume'].fillna(0)
    
    # 持仓量缺失，用前一天的持仓量填充（如果有的话）
    df['open_interest'] = df['open_interest'].fillna(method='ffill')
    
    return df

3.5 异常值检测

异常值比缺失值更隐蔽。常见的异常包括：

• 价格倒挂——看涨期权价格低于内在价值，或者看跌期权价格低于内在价值
• 买卖价差异常大——正常合约价差在0.001-0.005之间，如果突然变成0.05，肯定有问题
• 波动率异常——同一到期日、相邻行权价的隐含波动率，如果相差超过10个百分点，大概率是数据错误

我一般用以下规则来检测：

def detect_outliers(df, underlying_price):
    """
    检测异常值
    underlying_price: 标的资产当前价格
    """
    # 计算内在价值
    df['intrinsic_call'] = df.apply(
        lambda x: max(0, underlying_price - x['strike']), axis=1)
    df['intrinsic_put'] = df.apply(
        lambda x: max(0, x['strike'] - underlying_price), axis=1)
    
    # 检测看涨期权价格低于内在价值
    call_mask = (df['type'] == 'call') & (df['last'] < df['intrinsic_call'] - 0.001)
    # 检测看跌期权价格低于内在价值
    put_mask = (df['type'] == 'put') & (df['last'] < df['intrinsic_put'] - 0.001)
    
    # 标记异常
    df['is_outlier'] = False
    df.loc[call_mask | put_mask, 'is_outlier'] = True
    
    # 检测买卖价差异常
    df['spread'] = df['ask'] - df['bid']
    median_spread = df['spread'].median()
    df.loc[df['spread'] > 5 * median_spread, 'is_outlier'] = True
    
    return df

3.6 构建标准化的数据集

数据清洗完了，接下来就是标准化。

为什么要标准化？因为不同交易所、不同数据源，字段命名、数据格式都不一样。你总不希望每次换数据源，都要重写一遍策略代码吧？

我定义的标准数据集结构如下：

字段名	类型	说明
date	datetime	交易日期
underlying	string	标的资产代码
option_code	string	期权合约代码
option_type	string	call/put
strike	float	行权价
expiry	datetime	到期日
days_to_expiry	int	剩余天数
bid	float	买一价
ask	float	卖一价
mid	float	中间价 (bid+ask)/2
last	float	最新成交价
volume	int	成交量
open_interest	int	持仓量
underlying_price	float	标的资产价格
implied_vol	float	隐含波动率（后面章节会算）

标准化函数示例：

def standardize_dataset(df, source='sse'):
    """
    将不同数据源的数据标准化为统一格式
    """
    # 字段映射
    field_mapping = {
        'sse': {
            'date': 'date',
            'code': 'option_code',
            'type': 'option_type',
            'strike': 'strike',
            'expiry': 'expiry',
            'bid': 'bid',
            'ask': 'ask',
            'last': 'last',
            'volume': 'volume',
            'open_interest': 'open_interest'
        },
        'szse': {
            'date': 'trade_date',
            'code': 'contract_code',
            'type': 'call_put',
            'strike': 'exercise_price',
            'expiry': 'maturity_date',
            'bid': 'bid_price',
            'ask': 'ask_price',
            'last': 'close_price',
            'volume': 'turnover_volume',
            'open_interest': 'position'
        }
    }
    
    mapping = field_mapping.get(source, {})
    df_std = df.rename(columns=mapping)
    
    # 计算衍生字段
    df_std['mid'] = (df_std['bid'] + df_std['ask']) / 2
    df_std['days_to_expiry'] = (df_std['expiry'] - df_std['date']).dt.days
    
    # 只保留标准字段
    standard_fields = [
        'date', 'underlying', 'option_code', 'option_type',
        'strike', 'expiry', 'days_to_expiry', 'bid', 'ask',
        'mid', 'last', 'volume', 'open_interest', 'underlying_price'
    ]
    
    return df_std[standard_fields]

3.7 本章知识体系

下面这张图，把整个数据获取与清洗的流程串起来了：

整个流程，说白了就是三步：拿到数据 → 搞干净 → 统一格式。每一步都有坑，但只要你按照上面的方法走一遍，基本能避开90%的问题。

我记得刚开始做波动率交易时，花在数据清洗上的时间，比写策略还多。但现在回头看，那些时间花得值——数据干净了，后面的建模、回测、实盘，都顺很多。

---

公众号:蓝海数据掘金营，微信deep3321