第三章：金融数据获取——数据源介绍与实战

做量化交易，第一件事是什么？

不是写策略，不是回测，而是——搞到数据。

我见过太多新手，策略写得天花乱坠，结果数据源没选对，回测结果全是假的。嗯，这坑我踩过。今天咱们就把数据获取这件事彻底讲透。

3.1 主流数据源对比

市面上数据源很多，但真正适合个人量化交易者的，其实就几个。我按自己的使用经验排了个序：

3.2 使用yfinance获取股票数据

yfinance是我用得最多的库。为什么？因为它简单。一行代码就能拿到数据。

先安装：

pip install yfinance

获取苹果公司股票数据：

import yfinance as yf

# 下载历史数据
aapl = yf.download('AAPL', start='2023-01-01', end='2023-12-31')
print(aapl.head())

输出结果长这样：

                  Open        High         Low       Close   Volume
Date
2023-01-03  129.930000  131.250000  124.169998  125.070000  74629900
2023-01-04  126.889999  128.660004  125.080002  126.360001  58355800

aapl.to_csv('AAPL_2023.csv')

获取多只股票也很简单：

tickers = ['AAPL', 'GOOGL', 'MSFT', 'AMZN']
data = yf.download(tickers, start='2023-01-01', end='2023-12-31')
# 只取收盘价
close_prices = data['Close']

为什么会推荐yfinance？因为它的数据结构和pandas完美兼容。你拿到的DataFrame可以直接用于计算均线、波动率等指标。省去了大量数据清洗的时间。

3.3 使用ccxt获取加密货币数据

加密货币这块，ccxt是事实上的标准。它支持100多家交易所，接口统一。说白了，你学会一个，就等于学会了所有。

安装：

pip install ccxt

从币安获取比特币数据：

import ccxt
import pandas as pd

# 初始化交易所
exchange = ccxt.binance()

# 获取K线数据
symbol = 'BTC/USDT'
timeframe = '1d'  # 日线
limit = 100       # 最近100条

ohlcv = exchange.fetch_ohlcv(symbol, timeframe, limit=limit)

# 转换成DataFrame
columns = ['timestamp', 'open', 'high', 'low', 'close', 'volume']
df = pd.DataFrame(ohlcv, columns=columns)
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
print(df.head())

输出：

            timestamp      open      high       low     close      volume
0 2023-09-01 00:00:00  25920.00  26050.00  25730.00  25980.00  12500.543
1 2023-09-02 00:00:00  25980.00  26100.00  25800.00  26050.00  11800.221

获取多个时间周期：

timeframes = ['1h', '4h', '1d']
data = {}
for tf in timeframes:
    ohlcv = exchange.fetch_ohlcv('ETH/USDT', tf, limit=200)
    data[tf] = pd.DataFrame(ohlcv, columns=columns)
    data[tf]['timestamp'] = pd.to_datetime(data[tf]['timestamp'], unit='ms')

3.4 数据清洗与预处理

拿到原始数据后，千万别直接拿去用。我敢说，90%的数据都有问题。缺失值、异常值、时间戳不对齐……这些都是家常便饭。

我的标准清洗流程：

1. 检查缺失值——用isnull().sum()看一眼
2. 处理缺失值——前向填充或插值
3. 检查异常值——比如价格突然跳涨100倍
4. 对齐时间戳——多只股票时尤其重要
5. 计算衍生指标——收益率、波动率等

代码示例：

# 1. 检查缺失值
print(df.isnull().sum())

# 2. 前向填充（用上一个有效值填充）
df.fillna(method='ffill', inplace=True)

# 3. 检测异常值（3倍标准差法）
from scipy import stats
z_scores = stats.zscore(df['close'])
df['is_outlier'] = abs(z_scores) > 3

# 4. 计算日收益率
df['returns'] = df['close'].pct_change()

# 5. 删除第一行的NaN
df.dropna(inplace=True)

# 检查是否有重复索引
print(df.index.duplicated().sum())
# 去重
df = df[~df.index.duplicated(keep='first')]

3.5 本章知识体系

下面这张图，是我做数据获取时的完整流程。你照着这个走，基本不会出问题。

这张图的核心逻辑很简单：选对数据源 → 清洗数据 → 预处理 → 得到可用数据。每一步都马虎不得。