2、数据获取与预处理：获取正股与可转债行情数据、数据对齐与清洗、计算日收益率

做量化交易，数据就是你的弹药库。弹药不行，枪法再好也白搭。

这一章，咱们就聊聊怎么把正股和可转债的行情数据搞到手，然后对齐、清洗，最后算出日收益率。听起来步骤多，其实核心就三件事：拿数据、对齐、算收益。

2.1 数据源的选择与获取

我个人习惯用 akshare 这个库来拿数据。它是开源的，接口稳定，而且覆盖了A股和可转债的日线数据。当然，你也可以用 tushare、baostock 或者直接从万得、聚宽拉数据。但 akshare 对个人开发者最友好，不用申请 token，直接 pip install 就能用。

获取正股和可转债的日线数据，代码其实很简单：

import akshare as ak
import pandas as pd

# 获取正股日线数据（以贵州茅台为例）
stock_df = ak.stock_zh_a_hist(symbol="600519", period="daily", 
                              start_date="20240101", end_date="20241231")

# 获取可转债日线数据（以茅台转债为例）
bond_df = ak.bond_zh_cov_hist(symbol="110053", period="daily",
                               start_date="20240101", end_date="20241231")

你看，两行代码就把数据拉下来了。但这里有个坑——字段名不一致。正股返回的列名是“日期”、“开盘”、“收盘”，可转债返回的可能是“date”、“open”、“close”。嗯，这里要注意，后面清洗的时候得统一。

2.2 数据对齐：时间轴必须一致

正股和可转债的交易时间基本一致，但偶尔会有差异。比如某天正股正常交易，可转债却停牌了。或者反过来。这时候就需要做时间轴对齐。

我一般用 pd.merge 做内连接，只保留两者都有数据的日期。为什么？因为我们要算联动，缺了任何一方都没法算。

# 先统一列名
stock_df.rename(columns={'日期': 'date', '收盘': 'close'}, inplace=True)
bond_df.rename(columns={'date': 'date', 'close': 'close'}, inplace=True)

# 只保留日期列和收盘价
stock_close = stock_df[['date', 'close']].copy()
bond_close = bond_df[['date', 'close']].copy()

# 内连接对齐
merged = pd.merge(stock_close, bond_close, on='date', how='inner', suffixes=('_stock', '_bond'))

对齐之后，数据行数可能会少一些。别慌，这是正常的。我曾经遇到过一个极端情况：某只可转债因为连续停牌，一个月只有3天有数据。这时候强行对齐，样本量太少，模型根本跑不动。我的建议是：如果对齐后数据少于60个交易日，直接放弃这只转债，换一只。

2.3 数据清洗：脏数据必须处理

数据清洗是体力活，但也是保命活。常见的脏数据有：

• 缺失值：某天收盘价为 NaN
• 异常值：价格突然跳涨 100% 又跳回（通常是复权问题）
• 重复行：同一天出现两条记录

我的清洗流程是这样的：

# 检查缺失值
print(merged.isnull().sum())

# 删除缺失值（或者用前向填充，但我不建议）
merged.dropna(inplace=True)

# 检查重复行
print(merged.duplicated(subset='date').sum())
merged.drop_duplicates(subset='date', inplace=True)

# 检查异常值：价格不能为负，也不能是零
merged = merged[(merged['close_stock'] > 0) & (merged['close_bond'] > 0)]

2.4 计算日收益率

收益率是量化分析的基础。我们算的是简单日收益率，公式很简单：

R_t = (P_t - P_{t-1}) / P_{t-1}

用 pandas 的 pct_change() 一行搞定：

merged['ret_stock'] = merged['close_stock'].pct_change()
merged['ret_bond'] = merged['close_bond'].pct_change()

# 第一天的收益率是 NaN，删掉
merged.dropna(inplace=True)

为什么要算收益率而不是直接用价格？因为价格是非平稳的，收益率相对平稳。你想想看，茅台从100涨到200，和从200涨到400，虽然价格翻倍，但收益率都是100%。用收益率做联动分析，才能排除绝对价格的影响。

2.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个检查清单：

2.6 避坑指南

最后，分享几个我实战中踩过的坑：

• 复权问题：正股数据默认是后复权，可转债没有复权一说。如果你直接拿价格算收益率，遇到分红送股，收益率会突变。我的做法是：正股用后复权价格，可转债用实际价格，两者不混用。
• 交易日历：A股和可转债的交易日历完全一致，但如果你同时做港股或美股，就得用 exchange_calendar 来对齐。别想当然。
• 数据量：我建议至少拉3年的数据。太短了，样本不够；太长了，市场结构可能变了。3年是个折中。

好了，数据到手，清洗完毕，收益率也算好了。下一章，咱们就拿着这份干净数据，开始真正的联动分析。

---