3、因子数据获取：用Python搞定三大数据源

做因子投资，数据就是你的弹药。没有数据，再牛的策略也是空中楼阁。

我个人习惯把数据源分成三类：行情数据、财务数据、以及因子计算所需的辅助数据。这三类数据，获取方式完全不同，坑也各不相同。今天我就带你一个个过一遍。

3.1 行情数据获取：从K线到复权

行情数据是最基础的。说白了就是开盘价、收盘价、最高价、最低价、成交量这些。

我常用的数据源是 Tushare 和 AKShare。前者是老牌，后者是后起之秀。我个人更偏爱 AKShare，因为它免费且更新快。

举个例子，获取贵州茅台近一年的日线数据：

import akshare as ak

# 获取前复权数据
stock_zh_a_hist_df = ak.stock_zh_a_hist(
    symbol="600519", 
    period="daily", 
    start_date="20240101", 
    end_date="20241231", 
    adjust="qfq"  # qfq=前复权, hfq=后复权
)

print(stock_zh_a_hist_df.head())

嗯，这里要注意。前复权适合做回测，因为它保持了历史价格的连续性。但如果你要计算分红相关的因子，就得用不复权数据。

我曾经踩过一个坑：用前复权数据计算股息率，结果算出来全是负数。后来才发现，前复权已经把分红从价格里扣掉了。从那以后，我养成了一个习惯——同时拉三份数据：前复权、后复权、不复权。

3.2 财务数据获取：从财报到TTM

财务数据比行情数据麻烦得多。为什么？因为财报有季节性，而且发布时间滞后。

我建议你重点关注这几个指标：

• 营业收入：看公司卖了多少东西
• 净利润：看公司赚了多少钱
• 净资产：算PB的基础
• 经营活动现金流：防止财务造假的关键

获取财务数据，我一般用 Tushare 的 pro 接口：

import tushare as ts

# 初始化
pro = ts.pro_api('你的token')

# 获取利润表
df = pro.income(
    ts_code='600519.SH',
    start_date='20240101',
    end_date='20241231',
    fields='ts_code,ann_date,f_ann_date,end_date,revenue,n_income'
)

print(df.head())

你想想看，一家公司2024年一季报可能在4月底才公布。如果你在回测中用了3月份的数据，那就相当于提前知道了未来信息。这种错误，我见过太多人犯了。

3.3 因子计算所需数据源：不止是价格和财报

很多因子需要特殊数据。比如：

因子类型	所需数据	数据来源
动量因子	过去N日收益率	行情数据
价值因子	PE、PB、PS	财务数据 + 行情数据
质量因子	ROE、毛利率	财务数据
情绪因子	换手率、波动率	行情数据
成长因子	营收增长率、利润增长率	财务数据（需TTM计算）

这里我要特别说一下TTM（Trailing Twelve Months）的计算。很多新手直接用单季度数据，但这样会漏掉季节性因素。

我的做法是：

# 计算TTM净利润
# 假设我们有四个季度的净利润数据
q1_net = 100  # 2024Q1
q2_net = 120  # 2024Q2
q3_net = 110  # 2024Q3
q4_net = 130  # 2024Q4

# TTM = 最近四个季度之和
ttm_net = q1_net + q2_net + q3_net + q4_net

# 如果当前是2024年10月，最新完整季度是Q3
# 那么TTM = 2023Q4 + 2024Q1 + 2024Q2 + 2024Q3
# 注意：2023Q4的数据要从上一年的年报中取

3.4 数据清洗与对齐：最容易被忽视的环节

数据拿到了，但能用吗？不一定。

我遇到过这些问题：

• 停牌日期的数据是空的
• ST股票的数据还在，但应该剔除
• 新股上市前几天的数据波动太大
• 财务数据有缺失值

我的处理流程是这样的：

import pandas as pd

def clean_data(df):
    # 1. 剔除ST股票
    df = df[~df['name'].str.contains('ST')]
    
    # 2. 剔除上市不满60天的股票
    df = df[df['list_days'] >= 60]
    
    # 3. 处理缺失值
    df = df.fillna(method='ffill')  # 前向填充
    
    # 4. 剔除极端值（比如涨跌幅超过20%的）
    df = df[(df['pct_chg'] > -0.2) & (df['pct_chg'] < 0.2)]
    
    return df

说白了，数据清洗就是「去伪存真」的过程。你想想看，如果数据里混着ST股票，算出来的因子值能准吗？

3.5 数据存储：别每次都重新拉

我刚开始做量化的时候，每次跑策略都重新拉数据。结果发现，光下载数据就要花半小时。后来我学乖了，把数据存到本地。

我的存储方案：

• 日线数据：存到CSV文件，按股票代码分文件
• 财务数据：存到SQLite数据库，方便查询
• 因子数据：存到Parquet格式，压缩率高、读取快

举个例子，把日线数据存到CSV：

# 保存数据
stock_data.to_csv(f'data/{stock_code}_daily.csv', index=False)

# 读取数据
stock_data = pd.read_csv(f'data/{stock_code}_daily.csv', parse_dates=['date'])

3.6 本章知识体系

下面这张图，是我对本章内容的总结。你可以把它当作一个检查清单：

这张图把整个数据获取流程串起来了。从三大数据源出发，经过清洗对齐，最终得到可用的因子数据。每一步都有坑，但只要你按这个流程走，基本不会出大问题。