第三章：基差数据获取——交易所接口、第三方源、清洗对齐与频率选择
做基差交易，数据就是你的眼睛。眼睛要是花了，再好的策略也白搭。
我刚开始做基差策略那会儿，吃过不少数据上的亏。有一次，因为交易所的结算价和第三方数据源差了2个tick，导致整个回测结果完全偏离。嗯，从那以后，我对数据获取这块就格外较真。
今天咱们就聊聊，怎么把基差数据这个「源头活水」给整明白。
一、交易所数据接口：最权威，但最折腾
说白了，交易所的数据是最干净的。但想拿到手，你得先过几道坎。
- CTP接口（上期所、郑商所、大商所）：国内期货最主流的接口。我建议你直接用穿透式监管版本，虽然认证麻烦点，但数据稳定。
- 中金所接口：股指期货和国债期货的娘家。接口协议和CTP略有不同，注意看文档里的「基差计算字段」——他们给的结算价是收盘前最后30秒的加权平均。
- 能源中心（INE）：原油、20号胶这些品种。接口和CTP基本一致，但要注意夜盘时间。
我的经验：交易所接口拿到的数据，一定要做「Tick级校验」。我曾经发现上期所的某个品种，在收盘前最后一笔tick的成交价和结算价差了0.5%，后来发现是接口文档里有个字段含义理解错了。
二、第三方数据源：省心，但要留个心眼
如果你不想自己折腾交易所接口，第三方数据源是个好选择。但记住——天下没有免费的午餐。
| 数据源 | 优点 | 缺点 | 我常用的场景 |
|---|---|---|---|
| Wind | 字段全，历史数据长 | 贵，接口调用有频率限制 | 回测时拉取5年历史基差 |
| 聚宽/米筐 | Python友好，有现成的基差计算函数 | 实时数据延迟约1-3秒 | 策略原型验证 |
| 天软 | 数据清洗做得好 | 学习曲线陡 | 生产环境的数据校验 |
| 自建爬虫 | 完全可控 | 维护成本高，容易被封 | 小众品种的补充数据 |
避坑指南：我曾经用某第三方数据源做回测，发现基差序列在2018年10月有个诡异的跳变。后来一查，是对方把「收盘价」和「结算价」搞混了。所以，拿到数据后，一定要先画个图看看——肉眼扫一遍，比任何统计检验都管用。
三、数据清洗与对齐：90%的时间花在这里
数据清洗这事儿，说白了就是「去伪存真」。我见过太多人，策略写得漂亮，但数据没洗干净，结果全白干。
清洗的四个关键步骤：
- 去重：同一个tick时间戳出现两次？保留第一条，删除重复。
- 异常值处理：基差突然从-50跳到+500？先标记，再判断是数据错误还是市场异动。
- 缺失值填充：夜盘中间有5分钟没数据？用前向填充，别用插值——期货市场的信息传递不是线性的。
- 时间对齐：这是最头疼的。不同交易所的tick时间戳精度不一样，有的精确到毫秒，有的只到秒。
注意：对齐时，千万别用「就近匹配」。我吃过这个亏——把上期所的tick和郑商所的tick按「最接近的时间」匹配，结果基差序列里出现了大量「未来数据」。正确的做法是：统一用「上一笔tick」的时间戳作为对齐基准。
下面是我常用的对齐代码片段：
# 伪代码：tick级基差对齐
def align_basis(tick_df_spot, tick_df_future):
# 1. 统一时间戳精度到毫秒
tick_df_spot['time_ms'] = tick_df_spot['time'].dt.floor('ms')
tick_df_future['time_ms'] = tick_df_future['time'].dt.floor('ms')
# 2. 用merge_asof做前向匹配
aligned = pd.merge_asof(
tick_df_spot.sort_values('time_ms'),
tick_df_future.sort_values('time_ms'),
on='time_ms',
direction='forward' # 关键：用前向，不用最近
)
# 3. 计算基差
aligned['basis'] = aligned['spot_price'] - aligned['future_price']
return aligned
四、数据频率选择：不是越快越好
很多人一上来就搞tick级基差，觉得频率越高越赚钱。其实不然。
不同频率的适用场景：
- Tick级（逐笔）：适合高频套利，但噪声极大。我一般只用来做「事件驱动」的基差交易，比如某个品种突然放量时。
- 1分钟/5分钟：我最常用的频率。既能捕捉到日内基差的波动，又不会太吵。做均值回归策略时，这个频率刚刚好。
- 日线：适合做趋势跟踪或跨期套利。但要注意——日线基差用的是收盘价还是结算价？这两个差别很大。
我的建议：刚开始做基差策略，先从「5分钟频率」入手。等你对品种的基差特性熟悉了，再慢慢往高频或低频扩展。别一上来就搞tick级，否则你会被数据噪声折磨到怀疑人生。
五、知识体系总览
下面这张图，是我自己整理的数据获取全流程。你照着这个框架走，基本不会漏掉关键环节。
你看，整个流程其实就四步：拿到数据 → 洗干净 → 选频率 → 输出基差。每一步都有坑，但只要你按这个框架走，至少能避开80%的常见问题。
最后说一句：数据获取这件事，没有「最好」的方案，只有「最适合你策略」的方案。我见过有人用tick级数据做日频策略，也见过有人用日线数据做高频——结果嘛，可想而知。搞清楚你的策略需要什么频率的数据，比纠结用哪个数据源重要得多。
公众号:蓝海资料掘金营，微信deep3321