第一章：数据获取与清洗——基差交易的基石
做量化交易，尤其是基差套利，有个铁律：数据质量决定策略上限。我见过太多人花几个月写策略，结果数据一塌糊涂，回测曲线漂亮得像假的一样。说白了，数据没洗干净，后面全是白费功夫。
这一章，咱们就聊聊怎么用 Python 把期货数据搞到手，再把它收拾得服服帖帖。我个人习惯用 yfinance，虽然它主要是股票数据，但期货数据也能拿，关键是免费、方便。
核心要点：数据获取只是开始，清洗才是重头戏。对齐、重采样、去异常、补缺失——每一步都可能让你踩坑。
1.1 用 yfinance 获取期货数据
先装库：
pip install yfinance pandas numpy matplotlib然后写个函数，把主力连续合约的数据拉下来。我一般用 yf.download()，指定代码和周期：
import yfinance as yf
import pandas as pd
def get_futures_data(ticker, start='2020-01-01', end='2024-12-31'):
data = yf.download(ticker, start=start, end=end, auto_adjust=False)
return data
# 以沪深300股指期货为例
if_data = get_futures_data('IF=F')
print(if_data.head())嗯，这里要注意：yfinance 的期货代码后面要加 =F。比如 IF=F 是沪深300期货，CL=F 是原油。我刚开始用的时候老忘，结果拉了一堆空数据回来，气得我差点砸键盘。
小技巧：如果数据量太大，可以分段拉取，避免网络超时。我一般一次拉一年，然后合并。
1.2 数据对齐与重采样
做跨品种套利，最烦的就是两个品种的交易时间不一样。比如股指期货和商品期货，一个9:30开盘，一个9:00开盘。你直接拿收盘价算基差？那肯定对不上。
我的做法是：先对齐时间戳，再重采样到统一频率。比如都按日线来：
# 假设有两个品种的数据
df1 = get_futures_data('IF=F')
df2 = get_futures_data('IC=F')
# 只保留收盘价
df1_close = df1['Close'].resample('D').last()
df2_close = df2['Close'].resample('D').last()
# 对齐到相同日期
aligned = pd.concat([df1_close, df2_close], axis=1, join='inner')
aligned.columns = ['IF', 'IC']
print(aligned.head())这里用了 resample('D').last()，意思是按天重采样，取最后一个值。如果你做日内交易，可以改成 resample('1H') 按小时对齐。
避坑指南：我曾经在重采样时用了 ffill() 填充缺失值，结果把非交易日的数据也填上了，导致基差曲线出现奇怪的平台。后来我改用 dropna() 直接扔掉非交易日，反而更干净。
1.3 异常值处理
期货数据里经常有「鬼数据」——比如某天收盘价突然跳涨10%，第二天又跌回来。这可能是数据源错误，也可能是极端行情。但做套利时，这种异常值会严重干扰统计模型。
我常用的方法是 Z-score 法：
import numpy as np
def detect_outliers_zscore(series, threshold=3):
z_scores = np.abs((series - series.mean()) / series.std())
return z_scores > threshold
# 找出异常点
outliers = detect_outliers_zscore(aligned['IF'])
print(f"发现 {outliers.sum()} 个异常值")如果发现异常值，我一般直接替换成前一天的收盘价，或者用中位数填充。千万别用均值填充——均值会被异常值本身拉偏，越填越歪。
个人经验：有一次我处理螺纹钢和热卷的套利数据，发现一个异常点导致基差突然扩大。后来查出来是数据源把主力合约切换那天的价格搞错了。这种错误，光靠统计方法很难发现，得结合合约换月规则手动检查。
1.4 缺失值填充策略
缺失值在期货数据里太常见了。节假日、合约到期、数据源中断……都会导致缺失。我的策略分三种情况：
| 缺失类型 | 推荐方法 | 说明 |
|---|---|---|
| 连续缺失 ≤ 2 天 | 线性插值 | 用前后两个有效值线性填充 |
| 连续缺失 3-5 天 | 前向填充 | 用最近的有效值填充 |
| 连续缺失 > 5 天 | 直接删除 | 保留反而引入噪声 |
代码实现：
# 线性插值
aligned['IF'] = aligned['IF'].interpolate(method='linear', limit=2)
# 前向填充
aligned['IF'] = aligned['IF'].fillna(method='ffill', limit=5)
# 删除大段缺失
aligned = aligned.dropna(subset=['IF'])你想想看，如果缺失值太多，说明这个品种流动性有问题，做套利时得格外小心。我一般会设个阈值：如果某个月缺失超过10%，直接放弃这个品种。
避坑指南：我曾经用 bfill() 后向填充，结果把未来的数据填到了过去，回测时看起来完美，实盘一塌糊涂。记住：永远不要用未来数据填充过去。
1.5 本章知识体系
下面这张图，是我自己总结的数据处理流程。每次做新策略，我都会按这个步骤走一遍：
这张图看着简单，但每一步都有坑。比如数据验证，我一般会画个基差曲线图，肉眼扫一遍。有时候统计方法没发现的问题，眼睛一看就发现了——比如某天基差突然变成负数，但实际不可能发生。
好了，数据获取和清洗就聊到这儿。记住一句话：数据干净了，策略就成功了一半。下一章咱们聊聊基差的计算和可视化，到时候你会感谢今天认真洗数据的自己。