Python金融数据分析基础

说实话，很多做量化交易的朋友，一开始都栽在数据处理上。我见过太多人策略写得漂亮，结果数据一进来就崩了。为什么？因为金融数据这东西，比你想象的要脏得多。

今天我们就来聊聊Python金融数据分析的四大基石。嗯，说白了就是：怎么拿数据、怎么存数据、怎么洗数据、怎么用数据。

NumPy基础：量化计算的发动机

NumPy，全称是Numerical Python。我个人习惯叫它「数组引擎」。为什么量化交易离不开它？因为速度。

你想想看，我们做回测的时候，可能要处理几百万条行情数据。用Python原生的列表去算？那速度慢得你想哭。NumPy的底层是用C写的，计算效率比纯Python快几十倍。

import numpy as np

# 创建一个数组
prices = np.array([100.5, 101.2, 99.8, 102.1, 100.9])
print(prices)

# 向量化运算 - 不用写循环
returns = np.diff(prices) / prices[:-1]
print(returns)

# 统计指标
mean_price = np.mean(prices)
std_price = np.std(prices)
print(f"均价: {mean_price:.2f}, 标准差: {std_price:.2f}")

我在项目中遇到过一个问题：用for循环计算500万条数据的移动平均线，跑了整整3分钟。换成NumPy的卷积函数，0.3秒就搞定了。这就是差距。

Pandas基础：金融数据的瑞士军刀

如果说NumPy是发动机，那Pandas就是方向盘。它专门为表格数据而生，尤其是时间序列数据。

Pandas有两个核心数据结构：Series（一维）和DataFrame（二维）。做量化交易，DataFrame用得最多。

import pandas as pd

# 创建时间序列数据
dates = pd.date_range('2024-01-01', periods=5, freq='D')
data = {
    'open': [100, 101, 99, 102, 101],
    'high': [102, 103, 101, 104, 103],
    'low': [99, 100, 98, 101, 100],
    'close': [101, 99, 102, 101, 102],
    'volume': [10000, 12000, 9000, 11000, 13000]
}
df = pd.DataFrame(data, index=dates)
print(df)

# 常用操作
print(df.describe())  # 统计摘要
print(df['close'].rolling(window=3).mean())  # 3日移动平均

我曾经犯过一个低级错误：用Pandas读取CSV文件时，没指定日期列，结果所有日期都变成了字符串。后来做时间序列分析时，怎么都对不上。嗯，这里要注意：parse_dates=True这个参数一定要加上。

金融数据获取：Tushare vs Baostock

数据从哪里来？国内做量化，绕不开两个库：Tushare和Baostock。

特性	Tushare	Baostock
数据范围	股票、基金、期货、期权等	股票为主
免费额度	有限制，需积分	完全免费
数据质量	高，更新及时	较高，适合学习
使用难度	中等，需注册Token	简单，无需注册

我个人习惯：做研究用Baostock，够用且免费。做生产环境用Tushare，数据更全更稳。

# Baostock 示例
import baostock as bs
import pandas as pd

# 登录
lg = bs.login()
print('登录成功' if lg.error_code == '0' else f'登录失败: {lg.error_msg}')

# 获取日K线数据
rs = bs.query_history_k_data_plus(
    "sh.600519",
    "date,open,high,low,close,volume",
    start_date='2024-01-01',
    end_date='2024-01-31',
    frequency="d"
)
data_list = []
while (rs.error_code == '0') & rs.next():
    data_list.append(rs.get_row_data())
result = pd.DataFrame(data_list, columns=rs.fields)

# 登出
bs.logout()
print(result.head())

数据清洗与预处理：脏数据克星

拿到数据后，第一件事不是分析，而是清洗。为什么？因为金融数据太脏了。

我遇到过的情况：某只股票停牌，数据全是NaN；某天交易所系统故障，价格跳空；还有数据源自己搞错了，把开盘价和收盘价写反了。

清洗数据，核心就三步：

1. 处理缺失值：用前向填充、后向填充，或者直接删除
2. 处理异常值：用3σ原则或IQR方法
3. 数据对齐：不同股票的交易日期可能不一样

# 数据清洗示例
import pandas as pd
import numpy as np

# 模拟脏数据
data = {
    'date': ['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04', '2024-01-05'],
    'close': [100, np.nan, 102, 9999, 101],  # 9999是异常值
    'volume': [10000, 12000, None, 11000, 13000]
}
df = pd.DataFrame(data)

# 1. 处理缺失值 - 前向填充
df['close'] = df['close'].fillna(method='ffill')
df['volume'] = df['volume'].fillna(df['volume'].mean())

# 2. 处理异常值 - 3σ原则
mean = df['close'].mean()
std = df['close'].std()
df['close'] = df['close'].mask(
    (df['close'] < mean - 3*std) | (df['close'] > mean + 3*std),
    method='ffill'
)

print(df)

知识体系总览

下面这张图，是我自己总结的金融数据分析流程。你看一遍，心里就有数了。

这张图我画了好几次才满意。你看，数据从获取到策略开发，是一条流水线。每一步都有坑，但每一步也都有对应的工具。

好了，今天就聊这么多。记住一句话：量化交易，数据先行。数据搞不定，策略再漂亮也是空中楼阁。