第二章：因子数据获取——数据源选择、清洗与对齐实战
做多因子策略，第一步就是搞数据。这一步要是没做好，后面再牛的模型也是白搭。我见过太多人，模型跑得飞起，结果一查，数据里全是坑。今天咱们就聊聊，怎么把数据这块地基打牢。
2.1 数据源怎么选？我的实战经验
国内主流的数据源，说白了就三个：Wind、Tushare、聚宽。每个我都用过，各有各的脾气。
| 数据源 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|
| Wind | 数据全、权威、更新快 | 贵、接口复杂、本地部署 | 机构、实盘 |
| Tushare | 免费、社区活跃、文档好 | 有积分限制、偶尔不稳定 | 个人研究、回测 |
| 聚宽 | 一站式、因子库丰富、云平台 | 数据深度不够、定制化弱 | 快速验证、入门 |
我个人习惯是：研究阶段用Tushare，实盘前用Wind做交叉验证。为什么？因为Tushare免费，而且社区里有很多现成的因子代码，能省不少时间。但实盘时，Wind的数据质量确实更靠谱。
2.2 数据清洗——别让脏数据毁了你的模型
数据拿到手，第一件事不是跑模型，而是清洗。你想想看，如果原始数据里就有错误，那算出来的因子能准吗？
常见的脏数据有这些：
- 缺失值： 某天某只股票停牌，数据是空的
- 异常值： 比如市盈率突然变成10000倍
- 重复值： 同一天同一只股票出现两条记录
- 格式问题： 日期格式不统一，有的用"2024-01-01"，有的用"2024/01/01"
嗯，这里要注意。清洗不是一股脑全删掉。我曾经在项目里遇到过一个情况：某只股票因为重大资产重组停牌了三个月，复牌后数据全是缺失的。如果直接删掉，那这只股票的历史数据就全没了。后来我用了前向填充法，用停牌前的最后一个值填充，才保住了数据。
2.3 数据对齐——多因子的核心难点
多因子模型里，不同因子的数据频率可能不一样。比如动量因子是日频的，而估值因子可能是季频的。怎么把它们对齐到同一个时间点上？
我常用的方法是：以交易日为基准，向后填充。什么意思呢？
- 先拿到所有交易日的列表
- 对于日频因子，直接对齐
- 对于低频因子（如季频），用最近一次公布的数据填充
举个例子：某公司2024年一季报在4月30日公布，那从4月30日到下一次公布日之前，都用这个数据。这叫做"无偏填充"——因为你只能用已经知道的信息。
2.4 缺失值处理实战——三种方法对比
缺失值处理，说白了就三种思路：删、填、预测。我直接上代码，你们感受一下。
import pandas as pd
import numpy as np
# 模拟数据
dates = pd.date_range('2024-01-01', periods=10, freq='D')
data = {
'PE': [15, 16, np.nan, 14, 15, np.nan, 17, 16, 15, 14],
'PB': [1.5, 1.6, 1.4, np.nan, 1.5, 1.6, 1.7, np.nan, 1.5, 1.4],
'MOM': [0.02, 0.01, 0.03, 0.02, np.nan, 0.01, 0.02, 0.03, 0.01, 0.02]
}
df = pd.DataFrame(data, index=dates)
# 方法1：删除缺失值
df_drop = df.dropna()
print("删除后行数:", len(df_drop))
# 方法2：前向填充（我最常用的）
df_ffill = df.ffill()
print("前向填充后:\n", df_ffill)
# 方法3：线性插值
df_interp = df.interpolate(method='linear')
print("线性插值后:\n", df_interp)
这三种方法，我个人的使用频率是：前向填充占70%，线性插值占20%，删除占10%。为什么？因为金融数据有很强的时序相关性，前向填充最符合"用已知信息推断未知"的逻辑。
2.5 数据对齐的完整流程
说了这么多，咱们画个图，把整个流程串起来。这样你心里就有谱了。
你看，整个流程是环环相扣的。数据源选对了，清洗干净了，缺失值处理好了，对齐做好了，后面的因子计算才能放心。
2.6 实战中的几个坑
最后，分享几个我在实战中踩过的坑，你们能避就避：
- 坑一： 不同数据源的股票代码格式不一样。Wind是"000001.SZ"，Tushare是"000001"。我一开始没注意，结果合并数据时全乱了。后来统一用"symbol"字段，自己写个映射表。
- 坑二： 复权数据要小心。前复权和后复权算出来的收益率不一样。我建议统一用后复权，因为前复权会改变历史价格，容易出问题。
- 坑三： 停牌股票的处理。停牌期间没有交易数据，但财务数据可能还在更新。我的做法是：停牌期间用最后交易日的价格，但财务数据正常更新。
好了，数据获取这块就聊到这儿。记住一句话：数据质量决定了策略的上限。把数据搞干净了，后面的工作才能事半功倍。