一、固收数据全景：固收市场数据源概览

做固收量化，第一关就是数据。

说实话，我见过太多人一上来就写策略、搭模型，结果数据源都没搞清楚。最后回测跑得飞起，实盘一跑就崩——数据对不上。所以咱们先花点时间，把固收市场的数据源彻底捋一遍。

1.1 三大核心数据源

国内固收市场，数据源主要就三个：中债登、上清所、CFETS。这三家各有各的定位，也各有各的脾气。

数据源	全称	核心数据	特点
中债登	中央国债登记结算有限责任公司	国债、地方债、金融债、企业债估值	估值权威，但更新频率偏低
上清所	上海清算所	信用债、同业存单、ABS	托管数据全，但接口不太友好
CFETS	中国外汇交易中心	现券成交、回购、利率互换	交易数据实时，但噪音大

我个人习惯，把中债登当作“底仓数据”，上清所当作“补充数据”，CFETS当作“交易信号数据”。三者缺一不可。

1.2 数据频率与颗粒度

固收数据不像股票，日频数据就够用了？其实不是。

你想想看，债券的估值曲线每天更新一次，但成交数据是逐笔的。如果你做高频策略，日频数据根本不够用。如果你做配置策略，逐笔数据又太细了。

我一般这样划分：

• 日频数据：中债估值、中债指数、信用利差。适合做因子分析和组合管理。
• 分钟/小时频数据：CFETS现券成交、回购利率。适合做日内流动性分析。
• 逐笔数据：银行间市场成交明细。适合做微观结构研究，但数据量巨大。

我记得有一次做信用债流动性因子，一开始用的日频数据，结果因子IC值忽高忽低。后来换成分钟频成交数据，才找到真正的流动性溢价。嗯，这里要注意：频率选不对，因子白费。

1.3 数据质量痛点

做固收量化，最头疼的不是策略，是数据清洗。我敢说，80%的时间都在跟数据打架。

常见的痛点有这几个：

1. 缺失值严重：很多债券不是每天都有成交。尤其是信用债，一周成交一笔都算活跃的。你怎么办？直接填充？还是用插值？
2. 数据不一致：同一只债券，中债登和上清所的估值可能差好几个BP。我遇到过最夸张的一次，同一只城投债，两家估值差了15个BP。你说信谁？
3. 字段定义混乱：比如“到期收益率”，有的数据源用年化，有的用半年复利。不统一处理，回测结果直接偏掉。
4. 历史数据回溯难：很多债券中途换代码、换评级、换发行人。你拉5年历史数据，中间可能有3次代码变更。不处理干净，回测就是笑话。

1.4 数据清洗的通用流程

不管数据源是哪家，清洗流程其实大同小异。我总结了一个四步法：

• 第一步：去重。同一只债券同一天出现多条记录，保留最新一条。
• 第二步：对齐。不同数据源的时间戳、字段名、单位统一。
• 第三步：填充。缺失值用前向填充、插值或模型预测。
• 第四步：校验。用已知的债券价格或收益率做交叉验证。

下面是一个简单的数据清洗示例，我用Python处理中债登的估值数据：

import pandas as pd
import numpy as np

# 读取中债登估值数据
df = pd.read_csv('zhongdai_valuation.csv')

# 去重：同一债券同一天只保留一条
df = df.drop_duplicates(subset=['bond_code', 'date'], keep='last')

# 对齐日期格式
df['date'] = pd.to_datetime(df['date'])

# 前向填充缺失的收益率
df['yield'] = df.groupby('bond_code')['yield'].ffill()

# 简单校验：收益率不能为负
df = df[df['yield'] >= 0]

print(f"清洗后数据量: {len(df)} 条")

这段代码看着简单，但实际项目中，你可能会遇到各种奇葩情况。比如某只债券突然收益率变成负数，或者某天所有数据都缺失。这时候就需要加一些异常值检测逻辑。

1.5 固收数据全景图

为了让你更直观地理解整个数据体系，我画了一张图。这张图涵盖了数据源、数据频率、清洗流程和最终应用。

这张图把整个流程串起来了。从数据源到清洗，再到应用，每一步都不能跳过。我见过太多人直接拿原始数据跑策略，结果可想而知。

1.6 本章小结

这一章我们聊了固收数据的三大核心数据源、数据频率的选择、以及数据质量的常见痛点。说白了，数据是固收量化的地基。地基不稳，上面盖的房子再漂亮也没用。

下一章，我们会深入具体的数据清洗技巧，包括如何处理缺失值、如何对齐多源数据、如何做异常值检测。到时候我会拿真实项目中的案例来讲，保证你听完就能用。

---

公众号:蓝海资料掘金营，微信deep3321