第1章：数据准备与清洗——打好地基才能盖高楼
做指数增强基金业绩归因，说白了就是回答一个问题：基金经理到底有没有超额收益？这超额收益又是从哪来的？
但别急着分析。我见过太多人，一上来就搞各种归因模型，结果数据全是脏的——缺失值、复权没做、收益率序列对不齐。最后分析出来的结论，自己都不信。
所以，咱们先从最基础也最关键的环节开始：数据准备与清洗。
核心观点：数据质量决定了归因分析的上限。数据是脏的，再牛的模型也是白搭。
1.1 获取基金净值数据
基金净值数据，通常可以从Wind、聚宽、Tushare等数据源获取。我个人习惯用Tushare做快速验证，因为免费且方便。
你需要获取的字段包括：
- 基金代码：唯一标识
- 交易日期：注意是交易日，不是自然日
- 单位净值：通常用NAV表示
- 累计净值：考虑了分红、拆分等因素
这里有个坑：很多数据源的单位净值是未复权的。如果你直接用单位净值算收益率，遇到分红或拆分，收益率会突然跳变。
避坑指南：我曾经在分析一只中证500指数增强基金时，发现某天的收益率异常高。查了半天，原来是那天基金分红了，单位净值突然下降，导致收益率计算错误。从那以后，我养成了用复权净值的习惯。
1.2 获取基准指数数据
基准指数数据相对简单。沪深300、中证500这些主流指数，数据源都很全。
你需要获取：
- 指数代码：如000300.SH（沪深300）、000905.SH（中证500）
- 交易日期：与基金数据对齐
- 收盘价：用于计算收益率
嗯，这里要注意：指数数据通常不需要复权，因为指数本身已经考虑了成分股的分红调整。但如果你用的是价格指数（而非全收益指数），那就要小心了——价格指数不考虑分红，会导致基准收益率偏低。
我的建议：尽量使用全收益指数作为基准。如果数据源没有全收益指数，可以用价格指数加上分红调整来近似。我在项目中通常用Wind的"沪深300全收益指数"（H00300.CSI）。
1.3 处理缺失值
数据拿到手，第一件事就是检查缺失值。你想想看，如果某天基金净值缺失，那天的收益率怎么算？
常见的缺失值处理方法：
| 方法 | 适用场景 | 注意事项 |
|---|---|---|
| 前向填充 | 非交易日（如周末、节假日） | 基金净值在非交易日通常不变 |
| 线性插值 | 短期缺失（1-3天） | 适用于指数数据 |
| 删除缺失行 | 缺失比例很低（<1%） | 注意不要删除过多数据 |
| 标记为异常 | 无法确定原因时 | 后续分析中单独处理 |
我个人习惯：先用前向填充处理非交易日，再用线性插值处理短期缺失。如果缺失超过5天，我会标记为异常，回头去查数据源。
1.4 复权净值计算
复权净值，说白了就是把分红、拆分等因素考虑进去，让净值曲线连续。这样算出来的收益率才是真实的。
复权净值的计算公式：
复权因子 = 累计净值 / 单位净值
复权净值 = 单位净值 × 复权因子举个例子：
| 日期 | 单位净值 | 累计净值 | 复权因子 | 复权净值 |
|---|---|---|---|---|
| 2024-01-01 | 1.000 | 1.000 | 1.000 | 1.000 |
| 2024-06-01 | 1.200 | 1.200 | 1.000 | 1.200 |
| 2024-06-15 | 1.150 | 1.250 | 1.087 | 1.250 |
你看，6月15日基金分红了，单位净值从1.200降到1.150，但累计净值从1.200涨到1.250。复权净值用累计净值来算，收益率就不会出现跳变。
关键点：复权净值 = 累计净值。但有些数据源不提供累计净值，那就需要自己算。我一般用Wind的复权因子API，省时省力。
1.5 收益率序列对齐
最后一步，也是最容易出问题的一步：对齐基金和基准的收益率序列。
为什么要对齐？因为基金和指数的交易日可能不完全一致。比如，某天指数有交易，但基金净值没更新（因为基金暂停申购）。如果不对齐，收益率序列的长度就不一样，后续的回归分析会报错。
对齐的方法：
- 取交集：只保留两者都有数据的日期
- 按日期排序：确保时间顺序一致
- 计算收益率：用复权净值计算日收益率
收益率计算公式：
日收益率 = (当日复权净值 / 前一日复权净值) - 1代码示例（Python）：
import pandas as pd
# 假设 fund_nav 和 index_price 是已经清洗好的DataFrame
# 对齐日期
common_dates = fund_nav.index.intersection(index_price.index)
fund_aligned = fund_nav.loc[common_dates].sort_index()
index_aligned = index_price.loc[common_dates].sort_index()
# 计算日收益率
fund_return = fund_aligned['adj_nav'].pct_change().dropna()
index_return = index_aligned['close'].pct_change().dropna()
# 再次对齐（因为pct_change会丢失第一个值）
common_dates_2 = fund_return.index.intersection(index_return.index)
fund_return = fund_return.loc[common_dates_2]
index_return = index_return.loc[common_dates_2]避坑指南：我曾经在回测中发现，基金和指数的收益率序列长度差了10天。查了半天，原来是基金在某个时间段暂停了申购，净值没更新。如果直接用原始数据，回归结果会偏差很大。所以，对齐这一步绝对不能省。
1.6 本章知识体系
下面这张图，帮你梳理本章的核心逻辑：
这张图展示了从数据获取到最终对齐的完整流程。每一步都环环相扣，缺一不可。
1.7 本章小结
数据准备与清洗，听起来枯燥，但它是整个业绩归因分析的基石。我做了这么多年量化，最大的体会就是：花80%的时间在数据上，20%的时间在模型上，结果往往是最好的。
记住三个关键点：
- 复权净值：用累计净值或复权因子，避免分红拆分的干扰
- 缺失值处理：前向填充+线性插值，别偷懒
- 收益率对齐：取交集，确保日期一致
下一章，我们会进入真正的归因分析环节。但在此之前，请确保你的数据已经准备好了。否则，后面的分析都是空中楼阁。