3、因子数据获取：数据源选择、数据清洗、数据对齐

做多因子模型，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。我见过太多人把精力全花在因子挖掘和模型调参上，结果数据源选错了、数据没洗干净、时间对不齐——最后回测曲线漂亮得不行，实盘一跑就崩。

说白了，数据是量化投资的「原材料」。原材料有问题，菜做得再好看也是毒药。今天我就把这块掰开了讲清楚。

3.1 数据源选择：选对工具，事半功倍

国内常用的数据源，我接触过的有三类：Wind、Tushare、聚宽。各有各的脾气。

数据源	优点	缺点	适合场景
Wind	数据全、更新快、机构认可度高	贵（一年几万块）、API 有点老	机构、私募、专业团队
Tushare	免费/低价、社区活跃、接口灵活	数据质量参差不齐、有调用限制	个人研究、小团队、快速验证
聚宽	一站式平台、因子库内置、回测方便	数据导出受限、本地化不够灵活	策略开发、回测、初学者

我个人习惯是：机构用 Wind，个人用 Tushare，做原型用聚宽。但不管你选哪个，都要注意一个问题——数据源之间的字段定义可能不一样。比如「复权因子」这个概念，Wind 和 Tushare 的计算方式就有细微差别。我在项目中遇到过，同一个因子用不同数据源算出来，相关系数只有 0.85。嗯，这差距足以让一个策略从赚钱变成亏钱。

3.2 数据清洗：脏数据是量化的大敌

数据拿到手，第一件事不是算因子，而是洗数据。你想想看，A股市场里停牌、涨跌停、新股上市、退市整理期……这些特殊状态都会让数据变得「不干净」。

我一般按以下步骤来洗：

1. 去重——同一个股票同一天出现多条记录，保留最新一条
2. 处理缺失值——停牌日的数据是 NaN，用前值填充还是直接剔除？我建议：如果是日频因子，用前值填充；如果是高频因子，直接剔除
3. 异常值处理——比如某天某只股票的换手率突然飙到 100%，这明显是数据错误。我一般用 3-sigma 或者分位数法来识别
4. 特殊状态标记——ST 股票、新股（上市不满 60 天）、退市整理期股票，这些都要单独标记，不能直接扔进模型

举个例子，我曾经用 Tushare 拉了一批数据，发现某只股票的市盈率突然变成 -9999。查了一下，原来是那天公司发布了亏损预告，系统自动填充了一个占位符。这种数据如果不处理，算出来的因子值会直接把模型带偏。

3.3 数据对齐：时间轴必须统一

数据对齐，说白了就是让所有因子在同一个时间点上「说话」。比如你有一个动量因子（用过去 20 天的收益率算的），还有一个估值因子（用最新的市盈率算的），这两个因子在时间上天然就不一样。

动量因子用的是 T-20 到 T-1 的数据，估值因子用的是 T 日的数据。如果你不做对齐，直接拿 T 日的估值和 T 日的动量去预测 T+1 日的收益，那就犯了「未来函数」的错误。

我常用的对齐方法是：

• 截面对齐：每个交易日，所有股票在同一时间点上的因子值必须可用。如果某只股票当天停牌，因子值用前一天的
• 时间序列对齐：因子计算所用的数据窗口必须一致。比如计算 20 日动量，所有股票都用过去 20 个交易日的数据，不能有的用 18 天，有的用 22 天
• 频率对齐：日频因子和月频因子不能混用。如果你要构建周频模型，那就把所有因子都统一到周频上

我记得有一次，一个同事跑出来的回测曲线特别漂亮，年化收益 40%+。我一看代码，发现他把 T 日的因子值和 T 日的收益率放在一起回归了。这其实就是用当天的数据预测当天的收益，典型的未来函数。嗯，这种错误新手特别容易犯。

3.4 知识体系总览

下面这张图，是我自己总结的因子数据获取全流程。你可以把它当成一个检查清单，每次做数据的时候对照着来。

这张图把整个流程串起来了。从数据源选择，到数据清洗，再到数据对齐，每一步都有具体的操作要点。你可以把它打印出来贴在工位上，每次做数据的时候看一眼，能少踩很多坑。

好了，数据获取这块就讲到这里。记住一句话：数据质量决定了因子上限，模型只是把上限兑现出来。下一章我们会聊因子计算的具体方法，到时候见。

---