第二章：金融市场数据基础——股票数据获取与预处理

做量化交易，数据就是你的弹药库。弹药不行，再好的策略也白搭。

这一章，咱们就聊聊怎么搞到靠谱的股票数据，以及拿到手之后怎么处理。我见过太多人，模型跑得飞起，结果一查，数据里全是坑。嗯，咱们别走那条弯路。

2.1 数据源的选择：Tushare vs AKShare

国内做量化，绕不开两个库：Tushare 和 AKShare。我个人习惯两个都装，因为各有各的脾气。

特性	Tushare	AKShare
数据质量	高，经过校验	中等，部分来自公开接口
获取方式	需要 token，有积分限制	免费，无需注册
数据范围	A股、港股、期货、基金等	A股为主，部分期货
速度	较快（付费更快）	较慢，受限于源网站
适合场景	正式策略、回测	快速验证、学习

说白了，Tushare 是正规军，AKShare 是游击队。做图神经网络选股，我建议你至少用 Tushare 的 pro 版。为什么？因为 GNN 对数据质量极其敏感，一个缺失值可能让整个图结构都歪掉。

2.2 数据获取实战

先看 Tushare 怎么用。你需要在官网注册，拿到 token。

import tushare as ts

# 设置 token
ts.set_token('你的token')
pro = ts.pro_api()

# 获取日线数据
df = pro.daily(
    ts_code='000001.SZ',
    start_date='20230101',
    end_date='20231231',
    fields='ts_code,trade_date,open,high,low,close,vol'
)

print(df.head())

AKShare 更直接，不用注册：

import akshare as ak

# 获取日线数据
df = ak.stock_zh_a_hist(
    symbol="000001",
    period="daily",
    start_date="20230101",
    end_date="20231231",
    adjust="qfq"  # 前复权
)

print(df.head())

2.3 数据清洗与预处理

数据拿到手，别急着用。先看看有没有脏数据。我一般按这个流程走：

1. 检查列名——统一成英文小写，方便后面处理
2. 检查数据类型——日期是不是 datetime，价格是不是 float
3. 检查缺失值——这个后面单独讲
4. 检查异常值——比如某天涨幅超过 100%，那肯定是数据错了

# 数据清洗示例
def clean_stock_data(df):
    # 统一列名
    df.columns = [col.lower() for col in df.columns]
    
    # 日期转换
    df['trade_date'] = pd.to_datetime(df['trade_date'])
    
    # 排序
    df = df.sort_values('trade_date')
    
    # 去除停牌日（成交量为0）
    df = df[df['vol'] > 0]
    
    # 去除异常值
    df = df[df['close'] > 0]
    
    return df

2.4 时间序列对齐

做图神经网络，你需要把多只股票的数据对齐到同一个时间轴上。说白了，就是保证所有股票在同一天都有数据。

为什么会这样？因为 GNN 的每一层卷积，都是在同一个时间切片上聚合邻居信息。如果时间轴没对齐，模型学到的就是错位的信息。

# 时间序列对齐
def align_time_series(data_dict):
    """
    data_dict: {stock_code: DataFrame}
    返回对齐后的 DataFrame，列为股票代码，行为日期
    """
    # 获取所有日期的并集
    all_dates = set()
    for df in data_dict.values():
        all_dates.update(df['trade_date'].unique())
    
    all_dates = sorted(all_dates)
    
    # 构建对齐矩阵
    aligned = pd.DataFrame(index=all_dates)
    
    for code, df in data_dict.items():
        df = df.set_index('trade_date')['close']
        aligned[code] = df
    
    return aligned

2.5 缺失值处理

这是最头疼的部分。金融数据缺失的原因五花八门：停牌、节假日、数据源抽风……

我的处理策略分三级：

缺失比例	处理方法	适用场景
< 5%	前向填充（ffill）	日常波动，停牌1-2天
5% - 20%	插值法（线性/多项式）	连续停牌，但复牌后趋势明确
> 20%	剔除该股票	长期停牌、退市风险

# 缺失值处理
def handle_missing_values(aligned_df, method='ffill', max_missing=0.2):
    # 计算每只股票的缺失比例
    missing_ratio = aligned_df.isnull().mean()
    
    # 剔除缺失过多的股票
    keep_cols = missing_ratio[missing_ratio <= max_missing].index
    df = aligned_df[keep_cols]
    
    # 处理剩余缺失
    if method == 'ffill':
        df = df.fillna(method='ffill').fillna(method='bfill')
    elif method == 'interpolate':
        df = df.interpolate(method='linear', limit_direction='both')
    
    return df

2.6 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你想想看，从数据源到 GNN 模型，中间要经过多少道工序。

你看，从数据源到 GNN 输入，中间每一步都可能出问题。我见过最离谱的一次，是有人直接用原始数据训练，结果模型学到的全是停牌模式——停牌就涨，复牌就跌。这哪是选股模型，分明是停牌预测器。