3. 金融数据获取与清洗：用Tushare/Akshare搞定股票数据

做量化交易，第一步就是搞数据。没有干净的数据，再牛的策略也是白搭。我见过太多人花大把时间调参数，结果数据源就有问题——复权没做、缺失值没处理，回测结果全是幻觉。

今天咱们就聊聊怎么用Tushare和Akshare拿数据，以及怎么把数据洗干净。这两套库我都在生产环境里用过，各有千秋，我习惯把它们搭配着用。

3.1 数据获取：Tushare vs Akshare

先说说这两个库的区别。Tushare是老牌选手，数据质量高，但需要注册获取token，有些接口还有积分限制。Akshare呢，完全免费，数据源来自各大财经网站，覆盖面广，但偶尔会有格式变动。

我个人建议：做研究用Akshare，做生产用Tushare。为什么？因为Tushare的数据一致性更好，回测结果更可信。

3.1.1 Tushare 快速上手

import tushare as ts

# 设置token（记得去官网注册）
ts.set_token('你的token')
pro = ts.pro_api()

# 获取日线数据
df = pro.daily(ts_code='000001.SZ', start_date='20230101', end_date='20231231')
print(df.head())

嗯，这里要注意：Tushare返回的数据默认是倒序的，最新的在最上面。我刚开始用的时候没注意，回测结果直接反了，亏大了。

3.1.2 Akshare 快速上手

import akshare as ak

# 获取A股日线数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily", 
                        start_date="20230101", end_date="20231231", adjust="")
print(df.head())

Akshare的接口命名比较直观，但参数名经常变。我曾经遇到过某次升级后，adjust参数从qfq改成了hfq，代码直接崩了。所以用Akshare的话，建议固定版本号。

3.2 数据清洗：去重、填充、对齐

拿到数据后，别急着跑策略。先看看数据长什么样。我一般会做三件事：去重、填充、对齐。

3.2.1 去重

数据重复的原因很多：网络重传、接口bug、手动追加等等。重复数据会让你的统计指标失真。

# 检查重复行
print(df.duplicated().sum())

# 删除重复行
df = df.drop_duplicates()

# 按日期去重（保留最新的一条）
df = df.sort_values('trade_date').drop_duplicates(subset=['ts_code', 'trade_date'], keep='last')

避坑指南：我曾经在合并多只股票数据时，忘了按股票代码和日期联合去重，结果某只股票的数据被另一只覆盖了。回测时发现收益异常高，查了半天才发现是数据串了。

3.2.2 缺失值填充

停牌、节假日、数据缺失都会导致NaN。怎么处理？看情况。

场景	处理方法	说明
停牌	前向填充	用上一个交易日的数据填充
节假日	删除或插值	非交易日数据直接删掉
数据源缺失	线性插值	适用于短期缺失

# 前向填充（停牌处理）
df = df.fillna(method='ffill')

# 线性插值
df = df.interpolate(method='linear')

# 删除缺失值（慎用）
df = df.dropna()

你想想看，如果某只股票停牌一周，你用前向填充，那这一周的收益率就是0。这合理吗？其实不太合理，但至少比用随机数强。

3.2.3 数据对齐

多只股票的数据，日期可能不一样。比如A股票有2023-01-01的数据，B股票没有。这时候就需要对齐。

# 假设我们有两只股票的数据
stock_a = df_a.set_index('trade_date')['close']
stock_b = df_b.set_index('trade_date')['close']

# 对齐到共同的交易日
combined = pd.concat([stock_a, stock_b], axis=1, join='inner')
combined.columns = ['stock_a', 'stock_b']

join='inner'只保留共同交易日，join='outer'保留所有日期。我一般用inner，因为outer会引入太多缺失值。

3.3 复权处理：别让分红影响你的策略

复权是个大坑。很多新手直接用不复权的数据跑回测，结果发现策略收益高得离谱——其实是因为分红除权导致的假象。

复权有三种方式：

• 不复权：真实价格，但会有跳空缺口
• 前复权：调整历史价格，让价格连续
• 后复权：调整当前价格，适合长期持有分析

我个人习惯用前复权。为什么？因为前复权能保证历史收益率计算正确，而且价格序列是连续的，画图好看。

# Tushare获取复权数据
df = pro.daily(ts_code='000001.SZ', start_date='20230101', 
               end_date='20231231', adj='qfq')  # qfq=前复权, hfq=后复权

# Akshare获取复权数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily",
                        start_date="20230101", end_date="20231231", 
                        adjust="qfq")  # qfq=前复权, hfq=后复权, 空=不复权

3.4 完整的数据清洗流程

说了这么多，咱们来个完整的例子。假设我们要获取5只股票2023年的数据，清洗后用于回测。

import pandas as pd
import tushare as ts

ts.set_token('你的token')
pro = ts.pro_api()

# 股票列表
stocks = ['000001.SZ', '000002.SZ', '000651.SZ', '600519.SH', '000858.SZ']

# 获取数据
all_data = []
for stock in stocks:
    df = pro.daily(ts_code=stock, start_date='20230101', 
                   end_date='20231231', adj='qfq')
    df['stock'] = stock
    all_data.append(df)

# 合并
full_df = pd.concat(all_data, ignore_index=True)

# 清洗步骤
# 1. 去重
full_df = full_df.drop_duplicates(subset=['stock', 'trade_date'])

# 2. 排序
full_df = full_df.sort_values(['stock', 'trade_date'])

# 3. 处理缺失值（按股票分组填充）
full_df['close'] = full_df.groupby('stock')['close'].transform(lambda x: x.fillna(method='ffill'))

# 4. 对齐（只保留所有股票都有数据的日期）
pivot_df = full_df.pivot(index='trade_date', columns='stock', values='close')
pivot_df = pivot_df.dropna()

print(f"清洗后数据量: {len(pivot_df)} 行")
print(pivot_df.head())

3.5 知识体系总览

下面这张图总结了本章的核心逻辑，从数据获取到清洗再到复权，每一步都环环相扣。

说白了，数据清洗就是个体力活，但也是最重要的体力活。你想想看，如果数据有问题，后面所有的分析、建模、回测都是白费功夫。我见过太多人在这上面栽跟头了。

嗯，今天就聊到这儿。记住一句话：垃圾进，垃圾出。数据质量决定了你的策略上限。