3、数据准备：获取股票行情数据、获取行业分类数据、数据对齐与清洗

好，咱们进入实战环节。数据准备这一步，说白了就是给模型「喂饭」。饭要是馊了，模型再牛也白搭。我在做多因子模型初期，就吃过数据没对齐的亏——回测曲线漂亮得不行，实盘一跑直接崩。后来才发现，是行情数据和行业分类数据差了整整一天。

所以这一节，咱们把数据准备的三个核心环节拆开揉碎讲清楚。你跟着我的节奏走，保证不踩坑。

3.1 获取股票行情数据

行情数据是因子计算的原材料。我个人习惯用 日频数据，因为多因子模型换仓周期通常是月频或周频，日频足够用了。当然，如果你做高频策略，那就得用分钟级数据，但那是另一个话题了。

获取行情数据，核心字段就这几个：

字段名	说明	数据来源
trade_date	交易日期	交易所日历
stock_code	股票代码（如 000001.SZ）	Wind / Tushare / 聚宽
close_price	复权收盘价（后复权）	行情接口
volume	成交量（股）	行情接口
turnover_rate	换手率	衍生计算

这里有个关键点：一定要用复权价格。为什么？因为分红送股会导致价格跳空，你不复权的话，计算收益率会失真。我曾经用未复权数据算了一个「高股息因子」，结果回测收益高得离谱——后来发现是除权日价格暴跌导致的假信号。

代码示例（用 Python 获取数据）：

import pandas as pd
import tushare as ts

# 初始化接口
pro = ts.pro_api('your_token')

# 获取平安银行 2023年行情数据
df = pro.daily(
    ts_code='000001.SZ',
    start_date='20230101',
    end_date='20231231',
    fields='trade_date,open,high,low,close,vol'
)

# 后复权处理（简化版）
df['adj_close'] = df['close'] * (1 + df['vol'] / df['vol'].shift(1)).fillna(1)

3.2 获取行业分类数据

行业分类是中性化处理的核心。你想想看，如果不做行业中性化，你算出来的因子可能只是「重仓了某个行业」而已，根本不是选股能力。

国内常用的行业分类标准有：

• 申万一级行业（28个）：最常用，覆盖面广
• 中信一级行业（29个）：机构用得比较多
• 证监会行业（19个）：官方标准，但颗粒度粗

我个人偏好用 申万一级行业。为什么？因为28个行业分类，做回归时自由度够用，又不至于像二级行业那样有100多个类别导致过拟合。

获取行业分类数据，通常有两种方式：

1. API 接口直接拉：比如聚宽、Tushare 都有行业分类接口
2. 定期下载 Excel 文件：申万官网每月更新行业成分股列表

代码示例：

# 获取申万行业分类
industry_df = pro.stock_basic(
    fields='ts_code,name,industry'
)

# 查看行业分布
print(industry_df['industry'].value_counts())

3.3 数据对齐与清洗

数据对齐，说白了就是让行情数据和行业分类数据在同一个时间点上「对上号」。这一步做不好，后面所有分析都是垃圾。

对齐的核心逻辑：

• 时间对齐：行情数据是日频，行业分类是月频。以行情日期为基准，向前匹配最近的行业分类
• 股票对齐：确保行情数据里的每只股票，在行业分类表里都有对应的行业
• 缺失值处理：新股上市前5天没有行业分类？直接剔除

我常用的对齐方法：

# 假设行情数据为 price_df，行业分类为 industry_df
# 按股票代码合并
merged_df = price_df.merge(
    industry_df[['ts_code', 'industry']],
    on='ts_code',
    how='left'
)

# 检查缺失行业
missing = merged_df[merged_df['industry'].isna()]
print(f"缺失行业的股票数: {len(missing)}")

# 剔除缺失数据
merged_df = merged_df.dropna(subset=['industry'])

清洗环节，我总结了三个必做步骤：

1. 剔除ST股：ST股交易规则特殊，因子计算会失真
2. 剔除上市不足60天的新股：新股波动大，数据不稳定
3. 剔除停牌超过20天的股票：流动性太差，因子信号不可靠

3.4 知识体系总览

下面这张图，把数据准备的整个流程串起来了。你照着这个流程走，基本不会出大问题。

嗯，数据准备这块儿，说白了就是「磨刀不误砍柴工」。你花80%的时间把数据搞干净，后面20%的时间建模就够了。反过来，数据一团糟，模型再花哨也是白搭。

我个人习惯在数据清洗完后，做一个简单的数据质量报告：统计每只股票的缺失天数、异常值比例、行业覆盖度。这样心里有底，后面出问题了也知道从哪查起。