2. 数据获取与处理：A股数据源选择、碳中和概念股池构建、财务数据获取、数据清洗与预处理

各位同学，欢迎来到实战环节的第一站。

做量化投资，说白了就是和数据打交道。数据质量不行，后面模型再花哨也是白搭。我见过太多人把精力全花在策略上，结果数据源一换，回测结果直接翻车。嗯，咱们今天就把地基打牢。

2.1 A股数据源选择：Tushare vs AkShare

国内做A股量化，绕不开两个库：Tushare和AkShare。我个人两个都用过，各有各的脾气。

2.2 碳中和概念股池构建

概念股池怎么来？最直接的办法是用Tushare的概念股分类接口。碳中和相关的概念标签包括：

• 新能源（光伏、风电、储能）
• 新能源汽车产业链
• 节能减排（环保设备、碳交易）
• 绿色电力（水电、核电）

代码实现如下：

import tushare as ts

# 初始化，记得替换成你自己的token
pro = ts.pro_api('your_token_here')

# 获取概念股列表
concept = pro.concept()
print(concept[concept['name'].str.contains('碳中和|新能源|光伏|风电')])

# 获取具体概念成分股
carbon_neutral = pro.concept_detail(id='你的概念ID')
stock_list = carbon_neutral['concept_name'].tolist()
print(f'共获取到 {len(stock_list)} 只碳中和概念股')

2.3 财务数据获取

有了股票池，下一步就是拉财务数据。量化轮动策略最常用的财务指标包括：

• 营业收入（季度/年度）
• 净利润
• ROE（净资产收益率）
• 毛利率
• 资产负债率

获取代码示例：

# 获取单只股票的财务数据
df = pro.fina_indicator(ts_code='600519.SH', 
                        start_date='20230101', 
                        end_date='20231231',
                        fields='ts_code,end_date,roe,profit_dedt')

# 批量获取整个股票池
def get_financial_data(stock_list):
    all_data = []
    for code in stock_list:
        try:
            data = pro.fina_indicator(ts_code=code, 
                                      start_date='20230101',
                                      fields='ts_code,end_date,roe,profit_dedt')
            all_data.append(data)
        except Exception as e:
            print(f'{code} 数据获取失败: {e}')
    return pd.concat(all_data, ignore_index=True)

financial_df = get_financial_data(stock_list)

你想想看，如果手动去一个个股票查财务数据，几百只股票得查到什么时候？用代码批量拉，几分钟搞定。

2.4 数据清洗与预处理

数据拿到手，千万别直接用。原始数据里什么妖魔鬼怪都有。我总结了一套清洗流程：

1. 缺失值处理：财务数据常有空值，尤其是新上市的公司。我习惯用行业均值填充，或者直接剔除缺失超过30%的股票。
2. 异常值检测：比如ROE突然飙到200%，明显是数据错误。用3σ原则或者箱线图来过滤。
3. 数据类型转换：日期字段转datetime，金额字段转float。
4. 去重：同一个股票同一天可能有重复记录，保留最新一条。

import pandas as pd
import numpy as np

def clean_financial_data(df):
    # 1. 缺失值处理
    df = df.dropna(thresh=len(df.columns) * 0.7)  # 删除缺失超过30%的行
    
    # 2. 行业均值填充
    df['roe'] = df.groupby('industry')['roe'].transform(
        lambda x: x.fillna(x.mean()))
    
    # 3. 异常值过滤（3σ原则）
    for col in ['roe', 'profit_dedt']:
        mean = df[col].mean()
        std = df[col].std()
        df = df[(df[col] >= mean - 3*std) & (df[col] <= mean + 3*std)]
    
    # 4. 日期格式统一
    df['end_date'] = pd.to_datetime(df['end_date'])
    
    return df

clean_df = clean_financial_data(financial_df)
print(f'清洗前: {len(financial_df)} 条, 清洗后: {len(clean_df)} 条')

2.5 本章知识体系总览

下面这张图，把咱们这章的核心逻辑串起来了：

这张图把咱们这章的内容串起来了。从数据源选择开始，到概念股池构建，再到财务数据获取，最后经过清洗得到干净的数据集。每一步都有坑，但每一步也都有解法。

好了，数据准备这块就讲到这里。记住一句话：好数据是好策略的起点。下一章咱们会基于这些数据，开始构建真正的轮动策略。