2. 数据获取与清洗：用akshare搞定ETF行情数据

做量化交易，有一句老话叫「垃圾进，垃圾出」。

你算法再牛，模型再炫，数据源有问题，结果全是废的。我个人习惯，花在数据清洗上的时间，至少占整个策略开发的40%。

这一章，咱们就聊聊怎么用 akshare 把ETF行情数据拿下来，然后把它收拾得干干净净。

2.1 为什么选akshare？

市面上能拿A股数据的库不少，但 akshare 是我用得最顺手的。原因很简单：

• 免费：不用花钱买数据接口，对个人开发者极其友好
• 全：股票、ETF、期货、基金，基本你能想到的国内金融数据它都有
• 更新快：我遇到过几次交易所接口变动，akshare 基本一两天就跟着更新了

2.2 获取ETF日线行情

先看最基础的操作——拿日线数据。

import akshare as ak
import pandas as pd

# 获取沪深300 ETF（510300）的日线数据
# 注意：akshare 的 fund_etf_hist_em 接口返回的是前复权数据
df = ak.fund_etf_hist_em(
    symbol="510300",
    period="daily",
    start_date="20200101",
    end_date="20231231",
    adjust="qfq"  # qfq=前复权, hfq=后复权
)

print(df.head())
print(df.columns.tolist())

跑完这段代码，你会看到类似这样的输出：

日期	开盘	收盘	最高	最低	成交量	成交额
2020-01-02	3.892	3.912	3.918	3.882	125678900	4.91e8
2020-01-03	3.905	3.885	3.915	3.878	98765400	3.84e8

嗯，这里要注意：akshare 返回的日期列是 object 类型，不是 datetime。我建议你第一时间把它转成时间格式：

df['日期'] = pd.to_datetime(df['日期'])
df.set_index('日期', inplace=True)
df.sort_index(inplace=True)  # 确保按时间升序排列

2.3 处理缺失值——别小看这个步骤

为什么会有缺失值？

• ETF 本身有停牌日
• 节假日不同（比如港股通ETF，港股休市但A股开市）
• 数据源本身就有遗漏

我曾经在回测一个ETF轮动策略时，因为没处理缺失值，结果策略在某个停牌日「凭空」交易了一次，回测收益直接虚高了5%。

处理缺失值，我一般分三步走：

1. 先检查：看看缺失值到底有多少
2. 再判断：是零星缺失还是大段缺失
3. 最后填充：选合适的方法

# 第一步：检查缺失值
print(df.isnull().sum())

# 第二步：查看缺失值的位置
missing_dates = df[df.isnull().any(axis=1)]
print(missing_dates)

# 第三步：填充策略
# 对于ETF日线，我通常用前向填充（ffill）
# 因为停牌日的价格，理论上等于上一个交易日
df.fillna(method='ffill', inplace=True)

# 如果开头就有缺失，用后向填充
df.fillna(method='bfill', inplace=True)

2.4 复权处理——为什么必须做？

ETF会分红，会拆分。如果不做复权处理，你的K线图上会出现莫名其妙的跳空缺口。

说白了，复权就是「抹平」这些非交易因素造成的价格变动，让价格序列连续。

akshare 的 adjust 参数提供了三种选择：

参数值	含义	适用场景
""（空）	不复权	看真实历史价格
"qfq"	前复权	回测、技术分析（推荐）
"hfq"	后复权	长期收益分析

我个人习惯用 前复权。为什么？因为前复权调整的是历史价格，当前价格是真实的。你回测时，买入卖出信号都是基于「当前能看到的价格」触发的，更贴近实盘。

但要注意一点：前复权后的价格可能变成负数（极端情况下）。不过ETF很少出现这种情况，股票倒是偶尔会有。

2.5 数据对齐——多ETF一起分析时的必修课

做择时信号，很少只盯一只ETF。比如你想比较沪深300和创业板50的强弱，就需要把两只ETF的数据对齐到同一个时间轴上。

对齐的核心问题：交易日不一致。

• 沪深300 ETF：A股交易日
• 恒生ETF：港股交易日（和A股不完全一样）
• 标普500 ETF：美股交易日（差别更大）

我的做法是这样的：

# 假设 df_hs300 和 df_cyb50 是两个DataFrame
# 先获取它们的并集日期
all_dates = df_hs300.index.union(df_cyb50.index)

# 重新索引，缺失值用NaN填充
df_hs300_aligned = df_hs300.reindex(all_dates)
df_cyb50_aligned = df_cyb50.reindex(all_dates)

# 用前向填充处理缺失值
df_hs300_aligned.fillna(method='ffill', inplace=True)
df_cyb50_aligned.fillna(method='ffill', inplace=True)

# 最后只保留两者都有数据的日期
common_dates = df_hs300.index.intersection(df_cyb50.index)
df_hs300_final = df_hs300_aligned.loc[common_dates]
df_cyb50_final = df_cyb50_aligned.loc[common_dates]

2.6 知识体系总览

下面这张图，把数据获取与清洗的整个流程串起来了：

2.7 完整代码示例

把上面所有步骤串起来，就是一个完整的数据获取与清洗函数：

def get_etf_data(symbol, start_date, end_date):
    """
    获取并清洗ETF日线数据
    """
    # 1. 获取数据
    df = ak.fund_etf_hist_em(
        symbol=symbol,
        period="daily",
        start_date=start_date,
        end_date=end_date,
        adjust="qfq"
    )
    
    # 2. 日期处理
    df['日期'] = pd.to_datetime(df['日期'])
    df.set_index('日期', inplace=True)
    df.sort_index(inplace=True)
    
    # 3. 只保留需要的列
    df = df[['开盘', '收盘', '最高', '最低', '成交量', '成交额']]
    
    # 4. 处理缺失值
    df.fillna(method='ffill', inplace=True)
    df.fillna(method='bfill', inplace=True)
    
    # 5. 删除最后可能残留的NaN
    df.dropna(inplace=True)
    
    return df

# 使用示例
hs300 = get_etf_data("510300", "20200101", "20231231")
cyb50 = get_etf_data("159949", "20200101", "20231231")

好了，数据准备好了。下一章咱们就用这些干净的数据，开始计算真正的择时信号。

---

公众号:蓝海资料掘金营，微信deep3321