第一章：数据获取与清洗——打好地基才能盖高楼

做波动率套利，说白了就是跟数据打交道。我见过太多人一上来就搞模型、写策略，结果数据源没搞定，回测跑出来全是噪音。嗯，这章我们就聊聊最基础但也最容易踩坑的部分——数据获取与清洗。

1.1 获取期权链数据

期权链数据，就是某个标的物所有到期日、所有行权价的期权合约报价。我个人习惯用 yfinance 或者 tushare 来拉数据。为什么？因为免费、够用、社区活跃。

举个例子，你想拿上证50ETF的期权数据：

import yfinance as yf
import pandas as pd

# 获取上证50ETF期权链
ticker = "510050.SS"
stock = yf.Ticker(ticker)
expirations = stock.options  # 获取所有到期日

# 选一个最近的到期日
opt_chain = stock.option_chain(expirations[0])
calls = opt_chain.calls
puts = opt_chain.puts

print(calls.head())

这里要注意：yfinance 拿到的期权数据是延迟15分钟的。如果你做日内交易，这个延迟会让你亏到怀疑人生。我在项目中遇到过这种情况，后来换成了券商提供的实时接口。

1.2 获取标的资产数据

标的资产数据相对简单。你需要的是：开盘价、收盘价、最高价、最低价、成交量。这些数据用来计算波动率、Delta、Gamma 等 Greeks。

我建议用 yfinance 拉日线数据，然后用 pandas 做对齐：

# 获取标的资产日线数据
stock_data = yf.download("510050.SS", start="2024-01-01", end="2024-12-31")
stock_data = stock_data[['Open', 'High', 'Low', 'Close', 'Volume']]
stock_data.columns = ['open', 'high', 'low', 'close', 'volume']
print(stock_data.tail())

你想想看，如果标的资产数据和期权数据的时间戳对不上，算出来的隐含波动率就是错的。嗯，这里要注意：一定要用同一个数据源，或者确保时间戳精确到秒级对齐。

1.3 数据清洗与对齐

数据清洗，说白了就是去掉脏数据。常见的脏数据有：

• 空值：某个时间点没有报价
• 异常值：价格突然跳变（比如从3块跳到300块）
• 重复数据：同一个时间戳出现两次
• 时间戳错位：期权数据和标的资产数据时间不对齐

我一般这样处理：

# 清洗期权数据
opt_data = opt_data.dropna()  # 去掉空值
opt_data = opt_data[opt_data['bid'] > 0]  # 去掉bid为0的合约
opt_data = opt_data[opt_data['ask'] > opt_data['bid']]  # 确保ask > bid

# 对齐时间戳
stock_data.index = pd.to_datetime(stock_data.index)
opt_data.index = pd.to_datetime(opt_data.index)

# 只保留两个数据集都有的时间点
common_times = stock_data.index.intersection(opt_data.index)
stock_data = stock_data.loc[common_times]
opt_data = opt_data.loc[common_times]

1.4 数据存储方案

数据存哪里？我推荐用 HDF5 或者 Parquet 格式。为什么不用 CSV？因为 CSV 存期权链数据太慢了，而且不支持压缩。

我的存储方案是这样的：

import h5py

# 存储到 HDF5 文件
with h5py.File('option_data.h5', 'w') as f:
    f.create_dataset('calls', data=calls.values)
    f.create_dataset('puts', data=puts.values)
    f.create_dataset('stock', data=stock_data.values)
    f.attrs['description'] = '上证50ETF期权数据'

如果你需要频繁读取，可以考虑用 SQLite 或者 DuckDB。我个人偏好 DuckDB，因为它支持 SQL 查询，而且速度比 Pandas 快很多。

1.5 知识体系图

下面这张图展示了本章的核心逻辑：

这张图其实就说明了一件事：数据流是单向的，但每一步都要回头检查。我见过太多人把数据拉下来就直接跑模型，结果回测漂亮、实盘惨淡。嗯，数据清洗这一步，值得你花 70% 的时间。

---