第四章：数据获取——期货数据的清洗与对齐

做跨品种对冲，数据是地基。地基没打好，策略再漂亮也是空中楼阁。

我个人习惯把数据获取分成三步：拿到原始数据、清洗对齐、处理异常。每一步都有坑，我踩过不少，今天一并告诉你。

4.1 用Tushare和AkShare拿数据

国内期货数据源，我主要用两个：Tushare和AkShare。Tushare老牌，数据全但需要积分；AkShare免费，更新快，适合快速验证。

先看Tushare怎么拿期货日线数据：

import tushare as ts
import pandas as pd

# 设置token（你需要在tushare官网注册获取）
ts.set_token('你的token')
pro = ts.pro_api()

# 获取螺纹钢主力连续合约
df_ts = pro.fut_daily(
    ts_code='RB9999.XSGE',  # 9999代表主力连续
    start_date='20200101',
    end_date='20231231',
    fields='trade_date,open,high,low,close,vol'
)
df_ts['trade_date'] = pd.to_datetime(df_ts['trade_date'])
df_ts.set_index('trade_date', inplace=True)
df_ts.sort_index(inplace=True)
print(df_ts.head())

再看AkShare的写法，更简洁：

import akshare as ak

# 获取螺纹钢主力连续
df_ak = ak.futures_main_sina(
    symbol='RB0',  # 0代表主力
    start_date='20200101',
    end_date='20231231'
)
df_ak.rename(columns={'日期': 'trade_date', '开盘': 'open', 
                      '最高': 'high', '最低': 'low', 
                      '收盘': 'close', '成交量': 'vol'}, inplace=True)
df_ak['trade_date'] = pd.to_datetime(df_ak['trade_date'])
df_ak.set_index('trade_date', inplace=True)
df_ak.sort_index(inplace=True)
print(df_ak.head())

4.2 数据清洗与对齐——最磨人的一步

数据拿回来，你以为就能用了？太天真了。

不同品种的交易时间不一样。螺纹钢有夜盘，豆粕也有夜盘，但股指期货没有。你想想看，如果拿螺纹钢和沪深300做对冲，时间戳对不上怎么办？

我的做法是：统一用自然日对齐，缺失的日期用NaN填充。

# 假设df_rb是螺纹钢，df_if是沪深300
# 先合并，再填充
combined = pd.DataFrame({
    'RB_close': df_rb['close'],
    'IF_close': df_if['close']
})

# 按日期对齐，缺失值用NaN
combined = combined.reindex(
    pd.date_range(start='2020-01-01', end='2023-12-31', freq='D')
)

# 检查缺失情况
print(combined.isnull().sum())

4.3 处理缺失值与异常值

缺失值怎么补？我分三种情况：

• 连续缺失不超过3天：用前向填充（ffill）或线性插值
• 连续缺失超过3天：用同品种其他合约的数据补，或者干脆跳过这段时间
• 节假日缺失：保持NaN，不填充

# 前向填充（适合短期缺失）
combined['RB_close'].fillna(method='ffill', inplace=True)

# 线性插值（适合价格缓慢变化的情况）
combined['IF_close'].interpolate(method='linear', inplace=True)

# 检查异常值（3倍标准差法）
def detect_outliers(series, n_std=3):
    mean = series.mean()
    std = series.std()
    outliers = (series < mean - n_std * std) | (series > mean + n_std * std)
    return outliers

rb_outliers = detect_outliers(combined['RB_close'])
print(f"螺纹钢异常值数量：{rb_outliers.sum()}")

异常值处理，我曾经吃过亏。有一次螺纹钢数据里出现了一个涨停价，我没处理，结果协整检验直接报错。后来我养成了习惯：异常值先标记，再手动确认，不盲目删除。

4.4 数据频率选择——日线还是分钟线？

这个问题没有标准答案。我个人的经验是：

策略类型	推荐频率	原因
统计套利（均值回归）	日线	信号稳定，交易成本低
趋势跟踪	1小时或4小时	捕捉中期趋势，避免噪音
高频做市	1分钟或tick	需要快速反应价差变化

刚开始做跨品种对冲时，我总想用高频数据，觉得信号多。结果呢？手续费吃掉大部分利润，还经常被假突破骗。后来我回归日线，反而稳定了。

4.5 本章知识体系

下面这张图，是我做数据获取时的完整流程。你可以照着这个框架来搭建自己的数据管道。

嗯，数据这块就讲到这里。记住一句话：数据质量决定策略上限。你花80%的时间在数据上，都不为过。