3、数据获取与清洗：使用akshare获取A股数据、处理缺失值与异常值、数据对齐与重采样

做量化投资，尤其是指数增强策略，第一步就是搞定数据。我见过太多人把精力全花在模型上，结果数据源就有问题，最后模型跑出来的结果根本没法用。说白了，数据质量决定了你策略的天花板。

这一章，咱们就聊聊怎么用 akshare 这个库拿到A股数据，然后怎么把那些脏数据洗干净。嗯，这里要注意，清洗这一步往往比获取更花时间。

3.1 为什么选akshare？

市面上能拿A股数据的库不少，比如 tushare、baostock。我个人习惯用 akshare，原因很简单：它免费，而且接口覆盖全。从日线到分钟线，从个股到指数，甚至龙虎榜数据都能拿。你想想看，对于一个刚起步的量化项目，这能省下多少成本。

不过它也有缺点——数据源是爬虫抓取的，偶尔会断。我在项目中遇到过几次，某天突然拿不到某只股票的数据，后来发现是对方网站改版了。所以我的建议是：生产环境一定要做数据缓存和备份。

3.2 安装与基础用法

安装很简单，一行命令搞定：

pip install akshare

然后就可以获取数据了。比如拿上证指数的历史日线：

import akshare as ak

# 获取上证指数日线数据
df = ak.stock_zh_index_daily(symbol="sh000001")
print(df.head())

输出大概长这样：

date	open	close	high	low	volume
2023-01-03	3087.99	3116.51	3129.09	3087.99	2.89e8
2023-01-04	3119.46	3123.52	3128.54	3115.42	2.63e8

拿个股数据也类似，比如贵州茅台：

df_stock = ak.stock_zh_a_hist(symbol="600519", period="daily")
print(df_stock.head())

3.3 处理缺失值与异常值

数据拿到手，第一件事就是检查缺失值。你想想看，如果某只股票某天停牌，那天的价格就是NaN。如果不处理，模型会直接报错。

我一般用 pandas 来做清洗：

import pandas as pd

# 检查缺失值
print(df.isnull().sum())

# 处理方式1：向前填充（适合停牌数据）
df.fillna(method='ffill', inplace=True)

# 处理方式2：删除缺失行（适合少量缺失）
df.dropna(inplace=True)

异常值更隐蔽。比如某只股票突然涨了1000%，那大概率是数据错误。我常用的方法是 3-sigma 法则：

# 计算收益率
df['return'] = df['close'].pct_change()

# 找出超过3倍标准差的值
mean = df['return'].mean()
std = df['return'].std()
outliers = df[(df['return'] > mean + 3*std) | (df['return'] < mean - 3*std)]

# 将这些异常值替换为NaN，然后填充
df.loc[outliers.index, 'return'] = None
df['return'].fillna(method='ffill', inplace=True)

3.4 数据对齐与重采样

做指数增强，你需要把多个股票的数据对齐到同一个时间轴上。比如你有3000只股票，有的股票在2020年1月1日有数据，有的没有。这时候就需要对齐。

我习惯用 pandas 的 reindex 方法：

# 假设我们有两只股票的数据
stock_a = df_a.set_index('date')['close']
stock_b = df_b.set_index('date')['close']

# 合并并对齐
combined = pd.concat([stock_a, stock_b], axis=1, keys=['stock_a', 'stock_b'])
combined.dropna(inplace=True)  # 删除任何一只股票缺失的日期

重采样也很常用。比如你拿到的日线数据，但策略需要周线信号。这时候就用 resample：

# 将日线重采样为周线
weekly = df.resample('W', on='date').agg({
    'open': 'first',
    'close': 'last',
    'high': 'max',
    'low': 'min',
    'volume': 'sum'
})

为什么要重采样？说白了，不同频率的数据会带来不同的信号。日线噪声大，周线更平滑。我个人习惯先用日线做因子计算，最后再重采样到周线或月线做回测。

3.5 本章核心逻辑图

下面这张图概括了数据获取与清洗的完整流程，从原始数据到可用的干净数据集：

3.6 避坑指南

最后，分享几个我踩过的坑：

• 数据源不稳定：akshare 偶尔会报错，建议加 try-except 和重试机制。
• 复权问题：akshare 默认返回的是不复权数据。做回测一定要用后复权，否则分红送股会扭曲收益率。
• 停牌处理：停牌期间的数据是缺失的，用前向填充最合理。千万别用均值填充，那会引入未来信息。
• 时间戳对齐：不同股票的交易日期可能不同（比如有的股票在某个交易日停牌），对齐后一定要检查数据量是否合理。

嗯，数据清洗这部分就聊到这儿。记住一句话：垃圾进，垃圾出。数据搞定了，后面的模型才能跑得稳。

---