第一章：数据获取与预处理——从交易所/数据商拿到Level-1/Level-2行情

做量化交易，第一道坎就是数据。我见过太多人策略写得漂亮，结果一跑实盘就崩——原因往往是数据源没处理好。今天咱们就聊聊，怎么从交易所和数据商手里，把Level-1和Level-2行情数据拿回来，再洗干净、对齐好。

1.1 Level-1 vs Level-2：到底差在哪？

先搞清楚这两个概念。Level-1行情，说白了就是咱们平时在炒股软件上看到的那一套：开盘价、收盘价、最高价、最低价、成交量、成交额，外加三档买卖盘口。数据频率通常是3秒或5秒快照一次。

Level-2行情就细多了。它提供十档甚至更深的买卖盘口，还有逐笔成交数据。我2018年做高频策略时，发现Level-1的数据根本不够用——你想捕捉盘口瞬间的挂单变化，3秒一次的快照早就把关键信息丢了。

1.2 数据源怎么选？

国内主流的数据源，我列个表给你看：

数据源	Level-1	Level-2	费用	我的评价
万得（Wind）	✓	✓	高	机构首选，稳定但贵
聚宽（JoinQuant）	✓	✓	中	回测方便，实盘需注意
通联数据	✓	✓	中	API友好，文档清晰
交易所直连	✓	✓	极高	延迟最低，但门槛高

我个人习惯是：回测用聚宽或通联，实盘用交易所直连。为什么？回测时数据量巨大，聚宽的历史数据全，省心。实盘时延迟是关键，直连能省掉中间商那几毫秒。

1.3 数据获取实战：用Python拉取Level-2行情

拿通联数据举个例子。他们提供Python SDK，用起来挺顺手。下面这段代码，是我在项目中实际用过的：

import tushare as ts
import pandas as pd
from datetime import datetime

# 设置token（去通联官网申请）
ts.set_token('your_token_here')
pro = ts.pro_api()

# 获取某只股票的Level-2行情
# 注意：Level-2数据需要额外权限
df = pro.stk_factor_pro(
    ts_code='000001.SZ',
    start_date='20240101',
    end_date='20240131',
    fields='ts_code,trade_date,open,high,low,close,vol,amount'
)

print(df.head())

1.4 数据清洗：缺失值、异常值、复权处理

数据拿到手，别急着用。我踩过的坑太多了——有一次策略回测收益高得离谱，查了半天才发现是某天数据缺失，系统自动用前值填充了，导致信号全错。

1.4.1 缺失值处理

行情数据缺失，常见原因有：停牌、节假日、网络中断。我的处理原则是：

• 停牌日：直接删除该行，不要填充。因为停牌期间没有真实交易，填充会扭曲指标。
• 盘中缺失：用前一个有效值填充，但仅限于短时间（比如1分钟内）。
• 连续缺失：标记为异常，人工核查。

# 缺失值处理示例
df = df.dropna(subset=['close'])  # 删除收盘价缺失的行
df = df.fillna(method='ffill', limit=3)  # 前向填充，最多3个

1.4.2 异常值检测

什么是异常值？比如某只股票突然涨了1000%，或者成交量比前一天翻了100倍。这些多半是数据错误。

我常用的方法是：用滚动窗口计算均值和标准差，超过3倍标准差就标记为异常。

# 异常值检测：3-sigma法则
mean = df['close'].rolling(20).mean()
std = df['close'].rolling(20).std()
df['is_outlier'] = (abs(df['close'] - mean) > 3 * std)

1.4.3 复权处理

复权是个大坑。很多新手直接用不复权的价格做回测，结果分红送股后，价格突然跳空，策略信号全乱套。

我的建议是：回测用后复权，实盘用前复权。为什么？后复权能真实反映历史收益，前复权方便当前价格对比。

# 聚宽平台复权示例
from jqdatasdk import *
auth('account', 'password')

# 获取后复权数据
df = get_price('000001.XSHE', 
               start_date='2024-01-01', 
               end_date='2024-01-31',
               frequency='daily',
               fq='post')  # 'post'为后复权，'pre'为前复权

1.5 时间对齐与重采样

不同数据源的时间戳格式可能不一样。有的用Unix时间戳，有的用字符串。更麻烦的是，Level-1和Level-2的采样频率不同——Level-1是3秒一次，Level-2是逐笔。

做流动性指标时，必须把数据对齐到统一的时间轴上。我一般用1分钟或5分钟作为基准。

# 时间对齐：将逐笔数据重采样到1分钟
df['time'] = pd.to_datetime(df['time'], unit='s')
df.set_index('time', inplace=True)

# 重采样：计算每分钟的OHLC
resampled = df.resample('1T').agg({
    'price': 'ohlc',
    'volume': 'sum'
})

1.6 本章知识体系总览

下面这张图，把数据获取与预处理的整个流程串起来了。你可以把它当作操作手册：

1.7 避坑指南

最后，分享几个我踩过的坑：

• 时间戳时区问题：交易所数据是北京时间，但有些数据商存的是UTC。我曾经没做时区转换，导致策略在开盘前就发出了交易信号——嗯，那笔单子自然没成交。
• 复权因子更新：公司分红后，复权因子会变。如果你用历史复权数据做回测，记得定期更新复权因子，否则回测结果会漂移。
• Level-2数据量：一只股票一天的逐笔数据可能有几十万条。如果你做全市场回测，硬盘空间和内存都要提前规划好。

数据预处理这一步，看似枯燥，但它是整个量化策略的基石。数据干净了，后面的流动性指标计算才能靠谱。下一章，咱们就聊聊怎么从这些干净数据里，提取出有意义的流动性指标。

---

公众号:蓝海资料掘金营，微信deep3321