第二章：金融数据基础——股票、指数、期货数据获取与清洗对齐

各位同学，欢迎来到第二章。说实话，做量化交易这么多年，我见过太多人一上来就研究各种高大上的策略，结果数据源都没搞定，回测跑出来全是幻觉。数据是量化模型的「米」，没有米，再好的厨子也做不出饭。

这一章，我们就来搞定数据获取与清洗。我会用 Tushare 和 AkShare 这两个国内最主流的库，带你走一遍完整流程。

2.1 数据源的选择：Tushare vs AkShare

先说说我的个人习惯。Tushare 是老牌选手，数据质量高，但部分接口需要积分。AkShare 是完全免费的，数据源来自东方财富、新浪财经等，更新快，但偶尔会有字段不一致的情况。

我建议你两个都装上。平时用 AkShare 做快速验证，正式回测用 Tushare 做交叉校验。嗯，这里有个坑——千万不要只依赖一个数据源。我曾经在实盘前发现 AkShare 某天的期货数据少了一条，幸好用 Tushare 补上了，不然策略信号就错了。

2.2 安装与基础配置

先装包，这个不用多说：

pip install tushare akshare pandas numpy

Tushare 需要注册获取 token，AkShare 直接调用即可。我个人习惯把 token 写在环境变量里，而不是硬编码在代码中：

import tushare as ts
import akshare as ak
import os

# Tushare 初始化
ts.set_token(os.getenv('TUSHARE_TOKEN'))
pro = ts.pro_api()

# AkShare 无需初始化，直接调用函数

2.3 股票数据获取

股票数据是最基础的。我们拿贵州茅台（600519）来举例：

# Tushare 获取日线
df_ts = pro.daily(ts_code='600519.SH', start_date='20230101', end_date='20231231')

# AkShare 获取日线
df_ak = ak.stock_zh_a_hist(symbol="600519", period="daily", 
                           start_date="20230101", end_date="20231231", adjust="qfq")

你想想看，这两个返回的字段名不一样。Tushare 用 trade_date，AkShare 用 日期。这就是为什么我们要做统一清洗。

2.4 指数数据获取

指数数据，说白了就是大盘的体温计。沪深300（000300）是最常用的基准：

# Tushare 获取沪深300
df_index_ts = pro.index_daily(ts_code='000300.SH', start_date='20230101', end_date='20231231')

# AkShare 获取沪深300
df_index_ak = ak.stock_zh_index_daily(symbol="sh000300")

这里要注意，指数的复权方式和个股不同。指数本身已经考虑了分红，所以不需要前复权。我刚开始做的时候没注意这个，回测结果差了0.5%，排查了半天。

2.5 期货数据获取

期货数据比股票复杂，因为有主力合约切换的问题。以螺纹钢（RB）为例：

# Tushare 获取期货日线
df_fut_ts = pro.fut_daily(ts_code='RB9999.XSGE', start_date='20230101', end_date='20231231')

# AkShare 获取期货日线
df_fut_ak = ak.futures_main_sina(symbol="RB0")

注意 RB9999 是 Tushare 的主力合约代码，RB0 是 AkShare 的连续合约代码。两者逻辑略有不同，Tushare 按持仓量换月，AkShare 按成交量换月。我建议你两个都拉下来对比一下，看看换月点是否一致。

2.6 数据清洗：统一格式

数据拉下来之后，你会发现字段名、日期格式、缺失值处理都不一样。我们需要做三件事：

1. 统一日期格式：全部转为 YYYY-MM-DD
2. 统一字段名：比如 open、high、low、close、volume
3. 处理缺失值：停牌日、节假日等

def clean_data(df, source='tushare'):
    """统一清洗函数"""
    if source == 'tushare':
        df = df.rename(columns={
            'trade_date': 'date',
            'vol': 'volume'
        })
        df['date'] = pd.to_datetime(df['date'])
    elif source == 'akshare':
        df = df.rename(columns={
            '日期': 'date',
            '开盘': 'open',
            '收盘': 'close',
            '最高': 'high',
            '最低': 'low',
            '成交量': 'volume'
        })
        df['date'] = pd.to_datetime(df['date'])
    
    # 按日期排序
    df = df.sort_values('date').reset_index(drop=True)
    # 只保留需要的列
    cols = ['date', 'open', 'high', 'low', 'close', 'volume']
    df = df[cols]
    return df

2.7 数据对齐：多品种时间序列

多因子模型需要多个品种的数据在同一个时间轴上。比如股票和指数，交易日不同，必须对齐。

我常用的方法是：

def align_data(df_list, freq='D'):
    """对齐多个DataFrame"""
    # 找到所有日期的并集
    all_dates = pd.DatetimeIndex([])
    for df in df_list:
        all_dates = all_dates.union(df['date'])
    
    # 创建完整的时间轴
    full_calendar = pd.date_range(
        start=all_dates.min(), 
        end=all_dates.max(), 
        freq=freq
    )
    
    # 对齐每个df
    aligned = []
    for i, df in enumerate(df_list):
        df_aligned = df.set_index('date').reindex(full_calendar)
        # 前向填充缺失值（比如停牌日）
        df_aligned = df_aligned.ffill()
        aligned.append(df_aligned)
    
    return aligned

你想想看，为什么用 ffill() 而不是 bfill()？因为停牌日的数据，用前一天的收盘价填充更合理。用后一天的数据填充，就相当于「预知未来」了，这在回测中是致命的。

2.8 知识体系总览

下面这张图，是我做这个章节时画的框架。它把数据获取、清洗、对齐的整个流程串起来了：

2.9 实战中的常见问题

最后，分享几个我踩过的坑：

• 日期不一致：股票和期货的交易日不同，期货夜盘也算在第二天。对齐时一定要用交易日历，而不是自然日。
• 复权问题：股票分红送股后，价格会跳空。一定要用前复权数据，否则回测会失真。
• 数据延迟：Tushare 和 AkShare 的数据更新有延迟，实盘时建议用券商接口。

好了，这一章的内容就到这里。数据是量化模型的基石，基础打牢了，后面的路才好走。下一章我们会正式进入因子构建，到时候这些数据就派上用场了。

---