3、数据获取与清洗：使用yfinance获取历史数据，处理缺失值，调整复权价格

做量化回测，第一步就是搞数据。没有干净的数据，后面所有模型都是空中楼阁。我个人习惯用 yfinance 这个库，免费、方便，纳斯达克的数据基本都能拉下来。但注意，免费的东西有坑，我踩过不少，今天一并告诉你。

3.1 安装与基础用法

先装库，一行命令搞定：

pip install yfinance

然后拉取苹果公司的历史数据。代码很简单：

import yfinance as yf

# 下载 AAPL 从 2020-01-01 到 2023-12-31
data = yf.download('AAPL', start='2020-01-01', end='2023-12-31')
print(data.head())

你会看到返回的 DataFrame 包含 Open、High、Low、Close、Volume、Adj Close 六列。嗯，这里要注意，Adj Close 是复权收盘价，后面会细说。

3.2 处理缺失值——别让空数据毁了你的策略

现实世界的数据很少是完美的。节假日、停牌、数据源故障，都会导致缺失值。我在项目中遇到过，某次回测跑出来收益惊人，结果发现是因为某天数据缺失，程序自动用前值填充，导致买入信号误判。

常见的处理方式有三种：

方法	说明	适用场景
向前填充	用上一个非空值填充	非交易日的缺失（如周末）
向后填充	用下一个非空值填充	数据开头缺失
直接删除	丢掉含 NaN 的行	缺失比例很小（<5%）

我个人习惯先检查缺失比例：

# 检查缺失值
print(data.isnull().sum())

# 如果缺失很少，直接删除
data_clean = data.dropna()

# 如果缺失较多，用向前填充
data_filled = data.fillna(method='ffill')

3.3 复权价格——为什么不能用原始收盘价？

你想想看，一只股票今天收盘 100 元，明天分红 10 元，后天开盘价直接变成 90 元。如果你用原始收盘价做回测，K 线图上会出现一个巨大的跳空缺口，技术指标全乱套。这就是为什么需要复权。

复权分两种：

• 前复权： 调整历史价格，让价格走势连续。当前价格不变，历史价格按比例缩小。这是最常用的方式。
• 后复权： 调整当前价格，让历史价格不变。当前价格会变得很大，适合看长期收益。

yfinance 默认返回的 Adj Close 就是前复权价格。但注意，它只调整了收盘价，Open、High、Low 还是原始数据。如果你要用这些列做技术分析，需要手动复权。

手动复权的逻辑很简单：

# 计算复权因子
adj_factor = data['Adj Close'] / data['Close']

# 对 OHLC 进行复权
data['Open_adj'] = data['Open'] * adj_factor
data['High_adj'] = data['High'] * adj_factor
data['Low_adj'] = data['Low'] * adj_factor
data['Close_adj'] = data['Adj Close']  # 直接用 yfinance 提供的

3.4 数据清洗的完整流程

把上面几步串起来，就是一个完整的数据清洗 pipeline。我一般这样写：

def clean_stock_data(ticker, start, end):
    # 1. 下载数据
    raw = yf.download(ticker, start=start, end=end)
    
    # 2. 处理缺失值
    if raw.isnull().sum().sum() > 0:
        # 检查缺失比例
        missing_pct = raw.isnull().sum() / len(raw)
        if missing_pct.max() < 0.05:
            raw = raw.dropna()
        else:
            raw = raw.fillna(method='ffill').fillna(method='bfill')
    
    # 3. 复权处理
    adj_factor = raw['Adj Close'] / raw['Close']
    raw['Open'] = raw['Open'] * adj_factor
    raw['High'] = raw['High'] * adj_factor
    raw['Low'] = raw['Low'] * adj_factor
    raw['Close'] = raw['Adj Close']
    
    # 4. 只保留需要的列
    clean = raw[['Open', 'High', 'Low', 'Close', 'Volume']]
    
    return clean

# 使用示例
aapl_clean = clean_stock_data('AAPL', '2020-01-01', '2023-12-31')
print(aapl_clean.head())

这个函数我用了好几年，基本没出过问题。但要注意，如果股票有多次拆股或分红，yfinance 的 Adj Close 可能不够精确。对于高频交易或期权定价，建议用专业数据源。

3.5 数据获取与清洗的核心流程

下面这张图，是我自己总结的数据处理流程。你看一眼，基本就明白整个链条了。

说白了，数据清洗就是三步走：拉数据、补空缺、调复权。每一步都有坑，但只要你按这个流程走，至少能保证数据质量在及格线以上。我刚开始做量化时，经常在数据上翻车，后来养成了每次回测前先跑一遍清洗函数的习惯，再也没出过低级错误。

---