第四章：数据获取与清洗——套利策略的“地基工程”

做期货跨品种套利，我最深的体会是什么？

数据决定生死。

你策略再牛，模型再复杂，数据是脏的，结果就是垃圾进垃圾出。我见过太多人花几周写策略，却只花半小时拉数据——嗯，最后亏得不明不白。

这一章，咱们就把数据这块硬骨头啃下来。

4.1 数据源选择：Tushare vs JoinQuant

国内做期货量化，主流数据源就两个：Tushare和JoinQuant（聚宽）。

我个人习惯两个都备着，为什么？因为各有各的脾气。

对比维度	Tushare	JoinQuant
数据覆盖	全品种，历史数据深	全品种，实时数据强
获取方式	HTTP API + Token	本地SDK + 在线平台
免费额度	积分制，基础够用	每日调用有限制
适合场景	离线研究、回测	实盘、策略开发

4.2 数据对齐：主力合约与连续合约

跨品种套利最头疼的问题是什么？合约不统一。

螺纹钢和热卷，一个1月、5月、10月主力，另一个可能2月、6月。你直接拿两个不同月份的合约算价差？那叫关公战秦琼。

4.2.1 主力合约的“坑”

主力合约是成交量最大的那个。但问题在于——它会切换。

我曾经在回测螺纹钢和铁矿石的套利时，没处理换月，结果价差图里出现了一个巨大的“断崖”。排查了半天，原来是螺纹钢换月了，铁矿石没换。说白了，数据没对齐。

4.2.2 连续合约的构建逻辑

连续合约就是把不同月份的主力合约“拼接”起来。怎么拼？我常用的方法有两种：

1. 价格复权法：在换月日，把新旧合约的价差调整掉。适合做统计套利。
2. 持仓量加权法：按持仓量比例合成一个虚拟合约。适合做趋势跟踪。

我个人偏好复权法，因为它保留了价格的真实波动。你想想看，套利策略本质是赌价差回归，复权后的价差序列更干净。

4.3 异常值处理：那些“离谱”的数据点

数据里总有些“怪物”——比如螺纹钢突然涨停10%，或者铁矿石价格瞬间跌停。这些是真实行情吗？不一定。

我遇到过最离谱的一次：某天螺纹钢的收盘价被记录成了0.01元。查了半天，是数据源的一个bug。如果我没做异常值检测，策略就会认为“哇，价差巨大，赶紧开仓”——然后爆仓。

4.3.1 常用的检测方法

• 3σ原则：超过均值±3倍标准差的数据，标记为异常。
• IQR方法：四分位距法，适合非正态分布的数据。
• 百分比截断：直接去掉前后0.5%的极端值。

4.4 缺失值填充：别让数据“断片”

期货数据经常有缺失——节假日、夜盘中断、数据源故障。怎么办？

我常用的填充策略：

• 前向填充：用上一个非缺失值填充。适合分钟级数据，因为价格变化连续。
• 线性插值：用前后两个值做线性拟合。适合日线数据。
• 不填充：直接删除缺失行。适合数据量大的情况。

嗯，这里要注意：千万别用均值填充！期货价格是非平稳的，均值填充会引入巨大偏差。我刚开始做的时候犯过这个错，回测曲线漂亮得不行，实盘一跑就崩。

4.5 实战代码：数据清洗流水线

下面是我常用的数据清洗函数，直接拿去用：

import pandas as pd
import numpy as np

def clean_futures_data(df, method='forward'):
    """
    期货数据清洗流水线
    df: DataFrame，必须包含'close'列
    method: 填充方法，'forward'或'linear'
    """
    # 1. 去除停牌日（成交量=0）
    df = df[df['volume'] > 0].copy()
    
    # 2. 异常值检测（3σ）
    mean = df['close'].mean()
    std = df['close'].std()
    df = df[(df['close'] > mean - 3*std) & 
            (df['close'] < mean + 3*std)]
    
    # 3. 缺失值填充
    if method == 'forward':
        df['close'] = df['close'].ffill()
    elif method == 'linear':
        df['close'] = df['close'].interpolate()
    
    # 4. 删除剩余NaN
    df = df.dropna()
    
    return df

# 使用示例
# raw_data = tushare.get_futures_daily('RB.SHF')
# clean_data = clean_futures_data(raw_data, method='forward')

4.6 知识体系总览

这一章的内容，我用一张图帮你串起来：

这张图就是数据清洗的完整流水线。从数据源到最终可用的价差序列，每一步都有讲究。跳过任何一步，你的策略都可能“翻车”。

数据搞定了，下一步才能谈策略。别急，地基打牢了，楼才能盖得高。