金融数据基础：股票数据获取与预处理

做量化投资，第一步就是搞数据。没有数据，再牛的模型也是空中楼阁。

我个人习惯把数据获取比作「做饭前的买菜」。菜不新鲜，厨艺再好也白搭。金融数据也一样——脏数据、缺失数据、未来函数，这些坑我全都踩过。今天咱们就聊聊怎么用 Python 拿到干净可用的股票数据。

数据源的选择：Tushare vs AKShare

国内做量化，绕不开两个库：Tushare 和 AKShare。我两个都用过，说说我的感受。

对比维度	Tushare	AKShare
数据质量	较高，经过校验	中等，部分接口不稳定
使用门槛	需要注册 token，部分接口积分限制	无需注册，开箱即用
数据范围	A股、期货、基金、宏观等	A股、期货、外汇、加密货币等
更新频率	交易日收盘后更新	实时 + 历史
社区活跃度	较高，文档完善	高，但文档更新较慢

我的建议是：做研究用 Tushare，做快速原型用 AKShare。为什么？Tushare 的数据经过清洗，质量更稳定；AKShare 胜在方便，不用注册就能跑起来。

实战：用 Tushare 获取股票数据

先装库：

pip install tushare pandas numpy

然后注册 Tushare，拿到你的 token。我个人习惯把 token 存在环境变量里，而不是硬编码在代码中——你想想看，万一代码传到 GitHub 上，token 就泄露了。

import tushare as ts
import pandas as pd

# 初始化
pro = ts.pro_api('你的token')

# 获取平安银行（000001.SZ）的日线数据
df = pro.daily(
    ts_code='000001.SZ',
    start_date='20230101',
    end_date='20231231'
)

print(df.head())

跑完你会发现，返回的数据是按日期降序排列的。我最开始没注意这个，直接拿去做回测，结果发现「未来数据」混进去了——说白了就是拿明天的数据预测今天，回测曲线漂亮得不像话，实盘直接崩了。

# 按日期升序排列
df = df.sort_values('trade_date')

数据清洗：脏数据怎么处理？

拿到原始数据后，你会发现一堆问题：缺失值、异常值、复权问题……我一个个说。

1. 缺失值处理

股票数据缺失的原因很多：停牌、新股上市、数据源本身就没采集到。怎么处理？

• 前向填充（ffill）：用上一个交易日的数据填充。适合停牌的情况。
• 后向填充（bfill）：用下一个交易日的数据填充。适合数据采集延迟。
• 插值法：线性插值，适合少量缺失。
• 直接删除：如果缺失比例太高，干脆删掉那几天。

# 前向填充
df['close'].fillna(method='ffill', inplace=True)

# 或者用插值
df['close'].interpolate(method='linear', inplace=True)

我个人习惯：停牌导致的缺失用 ffill，其他情况用插值。为什么？停牌期间价格不变，ffill 最合理；其他缺失用插值更平滑。

2. 异常值检测

你想想看，一只股票突然涨了 1000%，这正常吗？大概率是数据错误。我一般用两种方法：

• 3σ 原则：超过均值 ± 3 倍标准差的数据视为异常。
• IQR 方法：超过 Q1 - 1.5*IQR 或 Q3 + 1.5*IQR 的数据视为异常。

# 3σ 方法
mean = df['pct_chg'].mean()
std = df['pct_chg'].std()
df = df[(df['pct_chg'] >= mean - 3*std) & (df['pct_chg'] <= mean + 3*std)]

# IQR 方法
Q1 = df['pct_chg'].quantile(0.25)
Q3 = df['pct_chg'].quantile(0.75)
IQR = Q3 - Q1
df = df[(df['pct_chg'] >= Q1 - 1.5*IQR) & (df['pct_chg'] <= Q3 + 1.5*IQR)]

3. 复权处理

这是新手最容易忽略的点。股票有分红、送股、配股，价格会跳空。不复权的话，技术指标全是错的。

Tushare 提供了三种复权方式：

• 不复权：原始价格，有跳空。
• 前复权：调整历史价格，让价格连续。适合回测。
• 后复权：调整当前价格，适合看真实收益。

# 获取前复权数据
df = pro.daily(
    ts_code='000001.SZ',
    start_date='20230101',
    end_date='20231231',
    adj='qfq'  # 前复权
)

我个人习惯用前复权做回测。为什么？因为前复权保证了价格序列的连续性，技术指标（如均线、MACD）不会因为除权而失真。

数据预处理：为深度学习模型做准备

拿到干净数据后，还要做几件事才能喂给模型。

1. 标准化/归一化

深度学习模型对输入数据的尺度很敏感。股票价格从几块到几百块，不归一化的话，模型会学偏。

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))
df['close_scaled'] = scaler.fit_transform(df[['close']])

2. 构建特征

原始数据只有 OHLCV（开盘、最高、最低、收盘、成交量），但模型需要更多特征。我一般会加这些：

• 技术指标：MA5、MA20、RSI、MACD、布林带
• 统计特征：过去 N 天的均值、标准差、最大值、最小值
• 时间特征：星期几、月份、季度

# 计算移动平均线
df['ma5'] = df['close'].rolling(window=5).mean()
df['ma20'] = df['close'].rolling(window=20).mean()

# 计算收益率
df['return'] = df['close'].pct_change()

# 计算波动率（过去20天标准差）
df['volatility'] = df['return'].rolling(window=20).std()

3. 处理未来函数

这是量化里最致命的错误。所谓未来函数，就是用了「未来才知道」的数据来预测当前。比如用当天的收盘价预测当天的涨跌——你想想看，收盘价出来的时候，当天已经结束了。

# 错误示范：用了当天的数据
df['label'] = (df['close'].shift(-1) > df['close']).astype(int)

# 正确做法：用第二天的开盘价判断涨跌
df['label'] = (df['open'].shift(-1) > df['close']).astype(int)

知识体系总览

下面这张图是我自己总结的，涵盖了本章的核心内容。你可以把它当作一个检查清单：

好了，数据获取和预处理就聊到这儿。记住：干净的数据是量化模型的基石。下一章咱们会聊怎么用这些数据构建特征工程，为深度学习模型做准备。