第二章：市场选择与数据获取

做价差回归交易，第一步不是写策略，而是选对市场、拿对数据。我见过太多人一上来就搞复杂的统计模型，结果数据源本身就有问题——那真是白费功夫。今天咱们就把这块地基打扎实。

2.1 交易品种的选择逻辑

选品种，说白了就是找「能配对」的标的。不是随便两个品种都能做价差回归的。

我个人习惯把品种分成三类：

• 同品种跨期：比如螺纹钢主力合约和次主力合约。价差波动小，回归性强，适合新手练手。
• 同产业链上下游：比如焦煤和焦炭、豆粕和豆油。逻辑硬，但要注意供需节奏差异。
• 跨市场套利：比如沪深300股指期货和上证50股指期货。流动性好，但要注意交易时间差。

我在项目中遇到过一个问题：有人拿比特币和以太坊做价差回归，统计上相关性高达0.9，但一遇到政策黑天鹅，价差直接崩了。为什么？因为这两个品种的经济逻辑并不牢固——它们各自受不同的监管政策影响。

2.2 数据源对比：别在数据上省钱

数据是策略的命根子。我见过有人用免费API做回测，结果数据里缺了三天，策略表现好得离谱——一上实盘就亏。嗯，这里要注意。

目前主流的数据源，我整理了一张对比表：

数据源	覆盖品种	数据精度	费用	适合场景
Wind	全品种（股票/期货/期权）	Tick级	高（年费数万）	机构级回测
聚宽/JQData	A股/期货	分钟级	中等（按量计费）	个人量化研究
CCXT（加密货币）	数字货币	Tick级	免费（需自建）	加密货币套利
AKShare	A股/期货/基金	日级为主	免费	快速原型验证

你想想看，如果你的策略是捕捉5分钟级别的价差回归，用日线数据做回测，那结果能信吗？我建议至少用分钟级数据做价差策略回测。

2.3 数据清洗：脏数据是策略杀手

拿到原始数据后，别急着算价差。先做三步清洗：

1. 去重：检查是否有重复的时间戳。有些数据源会在行情中断后补发数据，导致同一时间出现两条记录。
2. 补缺失：对于非交易时段的数据，直接删除。对于盘中缺失的分钟数据，用前值填充或插值法处理。
3. 异常值检测：用3-sigma法则或IQR方法，剔除价格突变的数据点。

下面是我常用的清洗代码片段：

import pandas as pd
import numpy as np

def clean_price_data(df, price_col='close'):
    # 去重
    df = df.drop_duplicates(subset=['datetime'])
    
    # 按时间排序
    df = df.sort_values('datetime')
    
    # 补缺失（前值填充）
    df[price_col] = df[price_col].fillna(method='ffill')
    
    # 异常值检测（3-sigma）
    mean = df[price_col].mean()
    std = df[price_col].std()
    df = df[(df[price_col] > mean - 3*std) & 
            (df[price_col] < mean + 3*std)]
    
    return df

2.4 数据对齐：价差计算的前提

做价差回归，两个品种的数据必须对齐到同一时间轴。这听起来简单，但坑很多。

举个例子：螺纹钢期货的交易时间是9:00-15:00，而铁矿石期货是9:00-23:00。如果你直接取两个品种的收盘价做价差，那铁矿石的收盘价是23:00的，螺纹钢的收盘价是15:00的——这能比吗？

我常用的对齐方法：

• 时间戳对齐：以其中一个品种的时间轴为基准，对另一个品种的数据进行重采样。
• 交易时段对齐：只取两个品种都交易的时段。比如上面那个例子，只取9:00-15:00的数据。
• 合约换月处理：期货有到期日，换月时价差会跳变。我习惯用「主力合约连续」的方式，或者用持仓量最大的合约作为主力。

2.5 本章知识体系

下面这张图，是我做数据准备时的完整流程。你可以把它贴在工位上：

这张图里，每个环节都是环环相扣的。我见过有人跳过数据清洗直接算价差，结果策略回测收益高得离谱——一查，原来是数据里有个异常值，导致价差计算出了bug。