第二章：数据准备——获取纳斯达克主要行业ETF数据

做量化投资，数据就是你的弹药库。没有数据，再牛的策略也是纸上谈兵。

这一章，我们来搞定纳斯达克主要行业ETF的数据获取。说白了，就是要把QQQ、XLK、XLV这些家伙的历史数据拉下来，存好，等着后续分析用。

2.1 为什么选这些ETF？

我刚开始做行业轮动策略时，也纠结过到底选哪些标的。后来发现，纳斯达克这几个行业ETF覆盖面广、流动性好，而且数据源稳定。

你想想看，QQQ代表整个纳斯达克100，XLK是科技，XLV是医疗，XLI是工业，XLP是必需消费，XLY是可选消费，XLF是金融，XLU是公用事业，XLB是材料，XLRE是房地产。这十个基本把美股主要行业都覆盖了。

2.2 数据获取方案

我个人习惯用Python的yfinance库来拉数据。为什么选它？因为免费、简单、数据质量还行。

安装命令很简单：

pip install yfinance pandas

嗯，这里要注意：yfinance的数据源是雅虎财经，国内访问有时候会慢。我建议你配个代理，或者用国内的tushare替代。不过为了教学方便，咱们先用yfinance。

2.3 代码实战：批量获取ETF数据

直接上代码。这段代码我用了好几年，基本没出过问题。

import yfinance as yf
import pandas as pd
from datetime import datetime, timedelta

# 定义ETF列表
etf_list = ['QQQ', 'XLK', 'XLV', 'XLI', 'XLP', 
            'XLY', 'XLF', 'XLU', 'XLB', 'XLRE']

# 设置时间范围：过去5年
end_date = datetime.now()
start_date = end_date - timedelta(days=5*365)

# 批量下载数据
def fetch_etf_data(tickers, start, end):
    data = {}
    for ticker in tickers:
        print(f"正在获取 {ticker} 数据...")
        try:
            df = yf.download(ticker, start=start, end=end, 
                           progress=False)
            data[ticker] = df
        except Exception as e:
            print(f"获取 {ticker} 失败: {e}")
    return data

# 执行下载
etf_data = fetch_etf_data(etf_list, start_date, end_date)

# 查看数据样例
print(etf_data['QQQ'].head())

2.4 数据清洗与存储

数据拉下来后，你会发现有些ETF在某些日期没有交易数据。比如节假日、停牌日。这些空值需要处理。

我的做法是：

1. 用ffill()向前填充缺失值
2. 删除仍然为空的行
3. 统一索引为日期格式

# 数据清洗函数
def clean_etf_data(data_dict):
    cleaned = {}
    for ticker, df in data_dict.items():
        # 只保留收盘价
        df_clean = df[['Close']].copy()
        df_clean.columns = [f'{ticker}_Close']
        
        # 填充缺失值
        df_clean = df_clean.ffill().dropna()
        
        cleaned[ticker] = df_clean
    return cleaned

# 合并所有ETF数据
def merge_etf_data(cleaned_dict):
    merged = pd.DataFrame()
    for ticker, df in cleaned_dict.items():
        if merged.empty:
            merged = df
        else:
            merged = merged.join(df, how='outer')
    return merged.dropna()

# 执行清洗和合并
cleaned_data = clean_etf_data(etf_data)
merged_data = merge_etf_data(cleaned_data)

# 保存到CSV
merged_data.to_csv('nasdaq_etf_data.csv')
print(f"数据保存完成，共 {len(merged_data)} 个交易日")

2.5 数据质量检查

数据拿到手，别急着用。先做个快速检查。

检查项	方法	预期结果
缺失值比例	merged_data.isnull().sum()	应为0
日期连续性	检查日期是否连续	无跳空（节假日除外）
价格合理性	检查是否有负值或异常值	所有价格>0
数据长度	各ETF行数是否一致	应完全一致

2.6 数据可视化预览

数据准备好了，咱们画个图看看整体走势。这里用matplotlib简单画一下。

import matplotlib.pyplot as plt

# 归一化处理，方便对比
normalized = merged_data / merged_data.iloc[0] * 100

# 绘制走势图
plt.figure(figsize=(14, 8))
for col in normalized.columns:
    plt.plot(normalized.index, normalized[col], 
             label=col.replace('_Close', ''), linewidth=1)

plt.title('纳斯达克行业ETF走势对比（归一化）', fontsize=14)
plt.xlabel('日期')
plt.ylabel('价格（基准=100）')
plt.legend(loc='best')
plt.grid(True, alpha=0.3)
plt.show()

你会发现，不同行业的走势差异很大。比如2020年疫情初期，XLK（科技）跌得少、涨得快，而XLI（工业）跌得惨。这就是行业轮动的机会所在。

2.7 数据更新机制

策略不是做一次就完事的。你需要定期更新数据。

我建议：

• 每天收盘后自动拉取最新数据
• 用增量更新的方式，只拉取缺失的日期
• 保留原始数据，不要覆盖

# 增量更新函数
def update_data(existing_file, tickers):
    # 读取已有数据
    old_data = pd.read_csv(existing_file, index_col=0, parse_dates=True)
    last_date = old_data.index[-1]
    
    # 只拉取新数据
    new_data = fetch_etf_data(tickers, 
                              start=last_date + timedelta(days=1),
                              end=datetime.now())
    
    # 合并新旧数据
    updated = pd.concat([old_data, new_data])
    updated.to_csv(existing_file)
    print(f"数据已更新至 {updated.index[-1].date()}")

好了，数据已经准备好了。接下来我们就可以用这些数据做行业轮动分析了。

数据准备这块，其实没什么高深的技术。关键是要细心、规范。我见过有人因为日期格式不统一，回测时数据对不上，白白浪费了两天时间。所以，从一开始就养成良好的数据管理习惯，后面会省很多事。

数据准备好了，接下来就可以开始真正的行业轮动分析工作了。