第四章：阿尔法策略的数据基础设施：数据源选择、数据清洗、数据库搭建
做债券量化策略，最怕什么？
不是策略不赚钱，而是数据先崩了。
我见过太多团队，策略逻辑写得漂漂亮亮，回测曲线美如画，结果一上实盘就翻车。查到最后，往往是数据源没对齐，或者某个字段的取值逻辑搞错了。说白了，数据基础设施就是策略的「地基」。地基不稳，楼盖得再高也是危房。
4.1 数据源选择：Wind、QB、彭博，到底怎么选？
国内做债券量化，绕不开三个数据源：Wind、QB（Qeubee）、彭博。我个人的经验是，没有完美的数据源，只有最适合你策略的数据源。
核心原则：交易数据看QB，估值数据看Wind，跨境品种看彭博。别指望一个数据源打天下。
| 数据源 | 优势 | 劣势 | 我的建议 |
|---|---|---|---|
| Wind | 估值数据全、历史数据长、接口稳定 | 实时行情延迟高、价格贵 | 做回测和因子计算的首选 |
| QB | 实时成交数据、经纪商报价、一级发行数据 | 历史数据短、API文档略粗糙 | 做高频或事件驱动策略必备 |
| 彭博 | 全球品种覆盖、信用评级数据、衍生品数据 | 贵、贵、贵（重要的事说三遍） | 跨境策略或机构级应用 |
我记得有一次做信用债利差策略，用Wind的估值收益率算出来利差稳定得不行，结果一换QB的成交数据，利差波动大得吓人。后来才发现，Wind的估值是模型算出来的，QB的成交才是市场真实博弈的结果。所以，你用什么数据，决定了你看到的是「真实世界」还是「模型世界」。
4.2 数据清洗：脏数据是策略的隐形杀手
数据源拿到手，千万别直接扔进模型。我刚开始做量化时吃过这个亏——回测收益高得离谱，一查原因，某只债券的到期收益率字段里混进了几个「9999」的异常值。嗯，这种坑踩过一次就记住了。
债券数据清洗，我总结了三步走：
- 去重与对齐：同一只债券在不同数据源可能有不同代码，先做映射表。Wind用WIND_CODE，QB用BOND_CODE，别搞混。
- 异常值处理：收益率出现负数？久期超过100年？直接标记剔除。我习惯的做法是设置上下5%的截尾处理。
- 缺失值填充：债券数据缺失是常态。对于估值数据，用前向填充；对于成交数据，宁可留空也别瞎填。
小技巧：清洗完数据后，一定要做一次「数据完整性检查」。比如，检查每天有多少只债券有数据，如果某天突然少了30%，大概率是数据源出问题了。
4.3 数据库搭建：从Excel到专业数据库的进化
很多研究员一开始用Excel存数据，策略少的时候还行。一旦你开始跑多因子、多品种的策略，Excel就会变成噩梦。我见过最夸张的案例，一个Excel文件打开要5分钟，里面塞了10万行数据。
我个人推荐用 PostgreSQL + TimescaleDB 的组合。为什么？
- PostgreSQL稳定，支持复杂查询
- TimescaleDB是时序数据库扩展，处理债券这种时间序列数据特别顺手
- 开源免费，不像Wind那样按年收费
下面是一个简单的数据库表设计示例：
-- 债券基本信息表
CREATE TABLE bond_master (
bond_code VARCHAR(20) PRIMARY KEY,
bond_name VARCHAR(100),
bond_type VARCHAR(20), -- 国债、信用债、同业存单等
issue_date DATE,
maturity_date DATE,
coupon_rate DECIMAL(10,4)
);
-- 日频行情表（带时间戳分区）
CREATE TABLE bond_daily_data (
bond_code VARCHAR(20),
trade_date DATE,
close_yield DECIMAL(10,4),
close_price DECIMAL(10,4),
modified_duration DECIMAL(10,4),
PRIMARY KEY (bond_code, trade_date)
);
-- 创建时序索引
CREATE INDEX idx_bond_daily_date ON bond_daily_data (trade_date DESC);注意：千万别把所有数据塞一张表里。债券基本信息、日频行情、分钟级行情、一级发行数据，分开建表。不然查询速度会让你怀疑人生。
4.4 数据流水线：让数据自动跑起来
手动下载数据、手动清洗、手动导入数据库——这种操作做一次还行，做一个月你就想转行了。
我建议搭建一个自动化的数据流水线：
- 定时任务：每天收盘后，用Python脚本自动从Wind/QB拉取数据
- 清洗模块：写一个统一的清洗函数，处理异常值、缺失值、格式转换
- 入库模块：批量写入PostgreSQL，用COPY命令比INSERT快10倍
- 校验模块：入库后自动跑一遍校验，比如检查数据量是否合理、关键字段是否有空值
我曾经帮一个团队优化过数据流水线，原来他们每天手动操作要花2小时，改成自动化后，每天只需要看一眼日志就行。省下来的时间，多研究几个因子不香吗？
4.5 本章知识体系总览
下面这张图，是我做数据基础设施时的核心思路。你可以把它当成一个检查清单：
这张图从左到右、从上到下，就是一套完整的数据基础设施。你想想看，如果每一步都做到位了，策略跑起来是不是心里踏实多了？
一句话总结：数据源选对、清洗做细、数据库搭好、流水线自动化——这四步走完，你的阿尔法策略就有了一个坚实的「弹药库」。
我曾经在项目里见过最惨的案例：策略团队花了3个月开发因子，结果上线第一天发现数据库里少了2022年全年的数据。原因？数据导入脚本里有个日期格式写错了。所以，数据基础设施这件事，再怎么重视都不为过。