第二章：数据准备——数据源选择、清洗与对齐

做多因子模型，说白了就是跟数据打交道。我见过太多人，策略逻辑写得天花乱坠，结果一跑回测就崩——十有八九是数据出了问题。这一章，咱们就把数据准备这块硬骨头啃下来。

2.1 数据源怎么选？tushare vs akshare

国内做量化，绕不开两个库：tushare 和 akshare。我个人习惯是两者搭配着用，但各有侧重。

对比项	tushare	akshare
数据质量	较高，经过校验	中等，部分接口不稳定
获取难度	需要积分（部分免费）	完全免费，但接口多
速度	较快，有缓存机制	依赖源网站，有时慢
适用场景	核心因子计算	辅助数据、实时行情

我在项目中遇到过这样的情况：用 akshare 拉某只股票的复权数据，结果某天突然多了一根大阴线。后来一查，是源网站数据更新延迟导致的。所以我的建议是——核心因子用 tushare，辅助数据用 akshare。

2.2 数据清洗——脏数据是最大的敌人

数据清洗听着枯燥，但你不做，模型就会给你颜色看。我总结了三步走：

1. 去重：同一个交易日出现两条数据，保留最新的那条。
2. 补缺失：停牌日的数据用前值填充，别用0。
3. 去异常：涨跌幅超过±20%的，大概率是数据错误。

嗯，这里要注意一点：停牌日的处理。我曾经犯过一个错，直接把停牌日的收益率设为0，结果回测曲线漂亮得不像话——因为停牌期间没有亏损。后来才发现，这是典型的未来函数。

2.3 数据对齐——让所有因子站在同一起跑线

多因子模型里，不同因子的更新频率可能不一样。比如市盈率每天更新，但财报数据每季度才更新一次。如果不做对齐，你可能会用到未来数据。

我的做法是：统一使用「交易日历」作为时间轴。所有因子数据，都对齐到每个交易日的收盘时刻。

# 伪代码示例：数据对齐
import pandas as pd

# 假设 trade_dates 是交易日列表
trade_dates = pd.date_range('2023-01-01', '2023-12-31', freq='B')

# 市盈率数据（日频）
pe = pe.reindex(trade_dates, method='ffill')

# 财报数据（季频）
eps = eps.reindex(trade_dates, method='ffill')

你想想看，如果财报数据在发布前就被用上了，那回测结果能信吗？所以对齐这一步，再怎么小心都不为过。

2.4 防止未来函数——量化界的「作弊器」

未来函数，说白了就是你在回测时用到了「当时还不知道」的信息。比如用今天的收盘价去预测今天的涨跌，这明显是作弊。

我遇到过最隐蔽的未来函数是：用 tushare 的复权因子时，没注意它是「后复权」。后复权会把未来的分红也算进去，导致历史价格被修改。这样一来，你的策略看起来能精准抄底——其实是因为数据被「未来」调整过了。

怎么防？我的经验是：

• 用前复权数据，而不是后复权
• 因子计算时，确保只用到历史数据
• 回测框架里加一个「数据时间戳」校验

2.5 本章知识体系图

下面这张图，帮你理清数据准备的整个流程：

这张图里，数据源、清洗、对齐是三个主要步骤，而防止未来函数是贯穿始终的红线。我每次搭建新模型，都会把这张图打印出来贴在显示器边上——提醒自己别在数据上偷懒。

好了，数据准备这块就聊到这儿。记住一句话：数据干净了，策略才靠谱。下一章咱们开始讲因子计算，到时候你会感谢今天认真清洗数据的自己。

---

公众号:蓝海资料掘金营，微信deep3321