第一章：课程导论与数据准备

各位同学，欢迎来到《多因子时序预测模型实战训练营》。我是你们这趟旅程的向导，一个在量化领域摸爬滚打了七八年的老工程师。今天咱们开篇，不讲虚的，直接上手干活。

多因子时序预测，说白了就是：用一堆历史数据，去猜未来。你想想看，股票价格、天气变化、商品销量，本质上都是时间序列。而多因子，就是咱们找来的各种“线索”——成交量、市盈率、新闻情绪、甚至天气数据。把这些线索组合起来，预测未来走势。

我个人习惯，学任何新东西，先把环境搭好，把数据搞到手。这就好比做饭，你得先有厨房和食材。今天这一章，咱们就干这三件事：搭环境、拿数据、洗数据。

1.1 多因子时序预测概述

先聊聊概念。时序预测，就是根据过去一段时间的数据，预测未来某个点的值。比如用过去30天的股价，预测明天的收盘价。多因子呢，就是不止看价格本身，还要看成交量、MACD指标、市场情绪等等。

为什么要用多因子？单看价格，就像盲人摸象。我记得2018年做CTA策略时，只用了价格动量，结果遇到震荡行情，回撤大得吓人。后来加入了波动率因子和持仓量因子，效果立马不一样了。说白了，多因子就是给模型装上“多双眼睛”。

常见的因子类型

因子类别	举例	数据来源
价格因子	收盘价、最高价、最低价	Tushare / Yfinance
成交量因子	成交量、成交额、换手率	Tushare / Yfinance
技术指标因子	MACD、RSI、布林带	通过价格计算得到
基本面因子	市盈率、市净率、ROE	Tushare 财务数据
另类数据因子	新闻情绪、搜索热度	爬虫 / API

1.2 环境配置

好，咱们开始动手。环境配置这块，我推荐用 Anaconda。为什么？因为它把 Python、常用库、Jupyter Notebook 都打包好了，省心。

第一步：安装 Anaconda

去 Anaconda 官网下载对应系统的安装包。我建议下载 Python 3.9 或 3.10 版本，太新的版本有些库可能不兼容。安装时一路默认就行，但记得勾选“Add Anaconda to my PATH environment variable”。

第二步：创建虚拟环境

我个人习惯，每个项目建一个独立的虚拟环境。这样不同项目的依赖不会打架。

# 打开终端（Windows 用 Anaconda Prompt）
conda create -n quant_env python=3.9

# 激活环境
conda activate quant_env

# 安装核心库
pip install pandas numpy matplotlib seaborn scikit-learn

# 安装 Jupyter
conda install jupyter

# 启动 Jupyter
jupyter notebook

看到浏览器弹出 Jupyter 界面，就说明环境搭好了。嗯，这里要注意，如果浏览器没自动弹出，把终端里显示的 URL 复制到浏览器打开就行。

第三步：安装金融数据库

# 安装 Tushare（国内股票数据）
pip install tushare

# 安装 Yfinance（美股数据）
pip install yfinance

1.3 数据获取

环境搭好了，咱们来拿数据。我主要用两个数据源：Tushare 拿 A 股数据，Yfinance 拿美股数据。

使用 Tushare 获取 A 股数据

Tushare 需要注册获取 token。去 tushare.pro 注册，然后在个人中心找到 token。

import tushare as ts

# 设置 token（换成你自己的）
ts.set_token('你的token_here')

# 初始化接口
pro = ts.pro_api()

# 获取贵州茅台（600519.SH）2023年的日线数据
df = pro.daily(
    ts_code='600519.SH',
    start_date='20230101',
    end_date='20231231'
)

# 查看数据
print(df.head())

跑完这段代码，你会看到类似这样的输出：

   ts_code trade_date  open  high   low  close  pre_close  change  pct_chg  vol  amount
0  600519.SH   20231229  1720  1735  1710  1728       1715    13.0    0.76  2.5  43200
1  600519.SH   20231228  1700  1725  1695  1715       1690    25.0    1.48  3.1  52800
...

使用 Yfinance 获取美股数据

import yfinance as yf

# 获取苹果（AAPL）2023年的日线数据
aapl = yf.download('AAPL', start='2023-01-01', end='2023-12-31')

# 查看数据
print(aapl.head())

Yfinance 返回的数据是 MultiIndex 列名，包含 Open、High、Low、Close、Volume、Adj Close。我个人习惯只保留 Close 和 Volume。

# 只保留收盘价和成交量
aapl_simple = aapl[['Close', 'Volume']]
aapl_simple.columns = ['close', 'volume']

1.4 数据清洗与预处理

拿到原始数据后，千万别直接扔进模型。真实数据里全是坑——缺失值、异常值、不同频率的数据怎么对齐？这些都是大问题。

我在项目中遇到过最典型的情况：某只股票因为停牌，中间缺了10天的数据。如果不处理，模型会以为这10天价格没变，预测结果直接崩掉。

处理缺失值

# 检查缺失值
print(df.isnull().sum())

# 方法1：向前填充（适合金融数据）
df.fillna(method='ffill', inplace=True)

# 方法2：线性插值
df.interpolate(method='linear', inplace=True)

# 方法3：删除缺失行（慎用，会破坏时间连续性）
df.dropna(inplace=True)

处理异常值

异常值怎么判断？我常用 3-sigma 法则或 IQR 方法。

# 3-sigma 法则
mean = df['close'].mean()
std = df['close'].std()
df['close_zscore'] = (df['close'] - mean) / std

# 标记异常值（|z-score| > 3）
df['is_outlier'] = df['close_zscore'].abs() > 3

# 用中位数替换异常值
median = df['close'].median()
df.loc[df['is_outlier'], 'close'] = median

数据标准化

不同因子的量纲不一样，比如价格是几百块，成交量是几千万股。直接扔进模型，价格会主导训练过程。所以要做标准化。

from sklearn.preprocessing import StandardScaler

# 初始化标准化器
scaler = StandardScaler()

# 对收盘价和成交量做标准化
df[['close_scaled', 'volume_scaled']] = scaler.fit_transform(df[['close', 'volume']])

多因子数据对齐

如果你有多个数据源，比如价格数据来自 Tushare，基本面数据来自另一个接口，它们的日期可能不一致。这时候要对齐。

# 假设 price_df 和 fundamental_df 都有 date 列
# 以价格数据的日期为基准，左连接基本面数据
merged_df = price_df.merge(
    fundamental_df,
    on='date',
    how='left'
)

# 对齐后，基本面数据缺失的日期用前向填充
merged_df.fillna(method='ffill', inplace=True)

本章小结

好了，第一章的内容就到这里。咱们做了三件事：搭好了 Python 环境，学会了用 Tushare 和 Yfinance 拿数据，还掌握了数据清洗的基本方法。这些看起来基础，但基础不牢，地动山摇。

你想想看，如果数据都是脏的，模型再厉害也白搭。我见过太多人花90%的时间调模型，却只花10%的时间处理数据。结果模型上线后，因为数据质量问题，回测曲线漂亮得不行，实盘却亏得一塌糊涂。

下一章，咱们会深入特征工程，教你怎么从原始数据里挖出真正有用的因子。但今天，先把这些基础打扎实。去跑一遍代码，有问题随时在群里问我。

---