4、低波动因子的数据获取：使用Python获取股票行情数据（Tushare、AKShare）、数据清洗与预处理

做量化的人都知道一句话：数据决定策略的上限，代码决定策略的下限。

低波动因子这个策略，听起来高大上，但底层逻辑其实很简单——就是买那些波动小、走势稳的股票。但问题来了：你上哪儿拿数据？拿到数据后怎么处理？

我刚开始做低波动因子回测时，就踩过一个坑。当时从某平台直接下载了CSV文件，没做任何清洗就扔进模型。结果回测收益曲线漂亮得不像话，我还以为自己发现了圣杯。后来才发现——数据里有未来函数，复权价格算错了。嗯，那感觉就像考试抄到了假答案。

所以今天这一章，咱们就踏踏实实把数据获取和预处理这块地基打牢。

4.1 数据源的选择：Tushare vs AKShare

国内做量化，绕不开两个库：Tushare 和 AKShare。我个人的习惯是：

• Tushare：数据质量高，接口稳定，但需要注册获取token，部分数据需要积分。适合做严肃的学术研究或实盘策略。
• AKShare：完全免费，数据源多（来自东方财富、新浪等），但偶尔会有接口变动。适合快速验证想法、做教学演示。

说白了，如果你要跑一个需要长期维护的策略，我建议用Tushare。如果你只是写个demo或者做课程作业，AKShare完全够用。

4.2 使用Tushare获取股票行情数据

先说说Tushare。你需要先注册（https://tushare.pro），拿到你的API token。

import tushare as ts

# 设置token（记得换成你自己的）
ts.set_token('你的token')
pro = ts.pro_api()

# 获取平安银行（000001.SZ）从2020年到2023年的日线数据
df = pro.daily(
    ts_code='000001.SZ',
    start_date='20200101',
    end_date='20231231'
)

print(df.head())

返回的数据长这样：

ts_code	trade_date	open	high	low	close	vol	amount
000001.SZ	20231229	9.85	9.95	9.82	9.88	486732.45	4812345678.0
000001.SZ	20231228	9.78	9.90	9.75	9.86	512345.67	5012345678.0

这里要注意：Tushare返回的数据是按日期降序排列的（最新的在最上面）。我刚开始用的时候没注意，直接拿去做计算，结果收益率算反了。你想想看，那得多尴尬。

4.3 使用AKShare获取股票行情数据

AKShare的用法更直接，不需要token，但接口名有点长。我一般这么写：

import akshare as ak

# 获取平安银行日线数据
df = ak.stock_zh_a_hist(
    symbol="000001",
    period="daily",
    start_date="20200101",
    end_date="20231231",
    adjust="qfq"  # 前复权
)

print(df.head())

AKShare返回的数据列名是中文的，比如“日期”、“开盘”、“收盘”等。我个人觉得对新手更友好，但做策略时记得把列名统一成英文，方便后续处理。

4.4 数据清洗与预处理

拿到原始数据只是第一步。真正的脏活累活，从清洗开始。

4.4.1 处理缺失值

股票数据里最常见的缺失值，就是停牌日。停牌那天没有交易数据，但日期还在。你想想看，如果直接拿这个数据算波动率，结果会怎样？

# 检查缺失值
print(df.isnull().sum())

# 处理方式1：直接删除停牌日
df.dropna(subset=['close'], inplace=True)

# 处理方式2：向前填充（用上一个交易日的价格）
df.fillna(method='ffill', inplace=True)

我个人习惯用向前填充。为什么？因为停牌期间，你实际上无法交易，但你的持仓还在。用前一天的收盘价填充，更符合实际情况。

4.4.2 复权处理

这是个大坑。股票有分红、送股、配股，如果不做复权处理，价格序列会出现断崖式下跌或跳空上涨。低波动因子对价格连续性要求很高，所以必须用复权数据。

Tushare和AKShare都支持复权参数：

• 前复权：调整历史价格，让价格连续。适合回测。
• 后复权：调整当前价格，适合看真实收益。

做低波动因子，我建议用前复权。因为我们要计算的是波动率，需要价格序列的连续性。

4.4.3 计算日收益率

低波动因子的核心是波动率，而波动率的基础是收益率。计算很简单：

# 计算对数收益率（更符合正态分布假设）
df['log_return'] = np.log(df['close'] / df['close'].shift(1))

# 或者用简单收益率
df['simple_return'] = df['close'].pct_change()

# 删除第一行的NaN
df.dropna(inplace=True)

我个人偏好对数收益率。为什么？因为对数收益率在时间上是可加的，计算多期收益率时直接用加法就行。而且它更接近正态分布，后续做统计检验时更靠谱。

4.4.4 计算波动率

低波动因子通常用过去N天的收益率标准差来衡量波动率。N取多少？

• 20天（约1个月）：对短期波动敏感，适合高频调仓。
• 60天（约1个季度）：更稳定，适合低频调仓。
• 252天（约1年）：反映长期波动特征，但反应迟钝。

我做低波动策略时，一般用60天滚动窗口。既不会太敏感，也不会太迟钝。

# 计算60天滚动波动率（年化）
df['volatility'] = df['log_return'].rolling(window=60).std() * np.sqrt(252)

# 查看结果
print(df[['trade_date', 'close', 'volatility']].tail())

4.5 本章知识体系

说了这么多，咱们用一张图把核心逻辑串起来：

这张图就是咱们做低波动因子的完整数据流水线。每一步都马虎不得。

4.6 完整代码示例

最后，我把整个流程封装成一个函数。你以后做低波动策略，直接调这个函数就行：

import pandas as pd
import numpy as np
import akshare as ak

def get_low_vol_data(symbol, start_date, end_date, window=60):
    """
    获取并清洗股票数据，计算低波动因子
    
    参数：
        symbol: 股票代码，如 '000001'
        start_date: 开始日期，如 '20200101'
        end_date: 结束日期，如 '20231231'
        window: 滚动窗口，默认60天
    
    返回：
        DataFrame: 包含日期、收盘价、波动率
    """
    # 1. 获取数据
    df = ak.stock_zh_a_hist(
        symbol=symbol,
        period="daily",
        start_date=start_date,
        end_date=end_date,
        adjust="qfq"
    )
    
    # 2. 重命名列
    df.rename(columns={
        '日期': 'trade_date',
        '收盘': 'close'
    }, inplace=True)
    
    # 3. 排序
    df.sort_values('trade_date', inplace=True)
    
    # 4. 处理缺失值
    df.fillna(method='ffill', inplace=True)
    
    # 5. 计算对数收益率
    df['log_return'] = np.log(df['close'] / df['close'].shift(1))
    df.dropna(inplace=True)
    
    # 6. 计算波动率
    df['volatility'] = df['log_return'].rolling(window=window).std() * np.sqrt(252)
    df.dropna(inplace=True)
    
    return df[['trade_date', 'close', 'volatility']]

# 使用示例
df_vol = get_low_vol_data('000001', '20200101', '20231231')
print(df_vol.head())

好了，数据获取和预处理这块就讲完了。记住一句话：干净的数据是策略盈利的基石。下一章咱们就用这些数据，真正开始构建低波动因子组合。

---