第二章：宏观经济数据获取

做量化模型，最头疼的是什么？不是算法，不是策略，而是——数据。

我刚开始做宏观因子模型那会儿，花在数据上的时间占了整个项目的一大半。你想想看，模型再漂亮，数据是垃圾，结果就是垃圾。说白了，数据获取和清洗，才是整个系统的地基。

2.1 数据来源：央行、统计局、Wind 等

宏观数据从哪里来？我列几个最常用的，也是我个人习惯用的。

2.1.1 央行（中国人民银行）

央行的数据，主要是货币政策相关的。比如：

• M2、M1、M0 货币供应量
• 贷款市场报价利率（LPR）
• 存款准备金率
• 外汇储备

这些数据在央行官网的「统计数据」栏目下都能找到。不过，手动下载太慢了。我一般用 Python 直接爬，或者用现成的接口。

2.1.2 国家统计局

统计局的数据，覆盖面最广。比如：

• GDP（季度、年度）
• CPI、PPI（月度）
• 工业增加值
• 固定资产投资
• 社会消费品零售总额

统计局官网有 Excel 下载，但格式经常变。嗯，这里要注意：不同年份的数据，表格结构可能不一样。我踩过这个坑，后面会讲怎么处理。

2.1.3 Wind（万得）

Wind 是国内金融圈最常用的数据终端。数据全、更新快，但贵。如果你在机构工作，大概率有 Wind 账号。Wind 有 Python 接口（WindPy），可以直接拉数据。

我个人建议：如果预算允许，Wind 是首选。数据质量高，省去很多清洗的麻烦。

2.1.4 其他来源

• 财政部：国债收益率、财政收支
• 海关总署：进出口数据
• 中国货币网：Shibor、回购利率
• 国际来源：美联储（FRED）、世界银行、IMF

2.2 Python 数据获取工具

有了数据源，怎么用 Python 拿数据？我常用的三个工具：

2.2.1 pandas-datareader

这个库是 pandas 的扩展，专门用来获取金融数据。支持 FRED、世界银行、Yahoo 等。

import pandas_datareader.data as web
import datetime

# 从 FRED 获取美国 GDP 数据
start = datetime.datetime(2000, 1, 1)
end = datetime.datetime(2024, 12, 31)
gdp = web.DataReader('GDP', 'fred', start, end)
print(gdp.head())

FRED 的数据很全，宏观指标应有尽有。我经常用它来获取美国利率、失业率等数据。

2.2.2 yfinance

yfinance 是 Yahoo Finance 的 Python 接口。虽然 Yahoo 在国内访问不太稳定，但用来获取美股、ETF 数据还是不错的。

import yfinance as yf

# 获取标普500指数数据
sp500 = yf.download('^GSPC', start='2000-01-01', end='2024-12-31')
print(sp500.head())

注意：yfinance 返回的是 DataFrame，包含开盘、收盘、最高、最低、成交量等字段。做因子模型时，我一般用收盘价计算收益率。

2.2.3 akshare

akshare 是我最推荐的国内数据工具。它封装了央行、统计局、交易所等几十个数据源，接口统一，用起来很爽。

import akshare as ak

# 获取中国 GDP 数据
gdp_china = ak.macro_china_gdp()
print(gdp_china.head())

# 获取 CPI 数据
cpi = ak.macro_china_cpi_monthly()
print(cpi.head())

akshare 的文档很详细，基本上你想得到的宏观数据，它都有。我做过一个项目，需要同时拉取 M2、CPI、工业增加值、PMI 四个指标，用 akshare 一行一个，十分钟搞定。

2.3 数据清洗与预处理

数据拿到手，别急着建模。先看看数据长什么样。我见过太多人，数据都没看清楚，直接跑模型，结果跑出来一堆垃圾。

2.3.1 缺失值处理

宏观数据经常有缺失。比如 GDP 是季度数据，CPI 是月度数据，频率不一样。合并的时候，低频数据会有很多空值。

import pandas as pd

# 假设有两个 DataFrame：gdp（季度）和 cpi（月度）
# 合并后，GDP 列会有大量 NaN
merged = pd.merge(gdp, cpi, on='date', how='outer')

# 方法1：向前填充（用上一个值填充）
merged['gdp'].fillna(method='ffill', inplace=True)

# 方法2：插值法
merged['gdp'].interpolate(method='linear', inplace=True)

我个人习惯用向前填充。为什么？因为宏观数据发布有滞后性，比如 3 月份的 GDP 数据，可能 4 月底才公布。用前一个值填充，更符合实际情况。

2.3.2 异常值处理

数据里偶尔会有离谱的值。比如 CPI 突然跳了 10%，一看是数据录入错误。

# 用 3 倍标准差法检测异常值
mean = data['cpi'].mean()
std = data['cpi'].std()
outliers = data[(data['cpi'] > mean + 3*std) | (data['cpi'] < mean - 3*std)]

# 处理：用中位数替换
data.loc[outliers.index, 'cpi'] = data['cpi'].median()

2.3.3 频率对齐

宏观因子模型需要统一频率。常见做法：

• 低频转高频：用插值或填充
• 高频转低频：用均值或期末值

# 将季度 GDP 转为月度（用插值）
gdp_monthly = gdp.resample('M').interpolate()

# 将日度利率转为月度（用月末值）
rate_monthly = rate.resample('M').last()

2.3.4 数据标准化

不同指标量纲不同，比如 GDP 是万亿，CPI 是百分比。建模前需要标准化。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)
data_scaled = pd.DataFrame(data_scaled, columns=data.columns, index=data.index)

标准化后，所有指标均值为 0，标准差为 1。这样在因子模型中，系数大小可以直接比较。

2.4 本章知识体系

下面这张图，是我自己总结的数据获取与处理流程。你照着这个走，基本不会出错。

这张图把整个流程串起来了。从数据源开始，到获取工具，再到清洗预处理，最后得到可以直接建模的数据。每一步都有对应的 Python 工具和方法。

好了，数据获取和清洗就讲到这里。下一章，我们会把这些数据真正用起来，构建宏观因子。但在此之前，我建议你先把本章的代码跑一遍，亲手拉一次数据，清洗一次。只有亲手做过，才知道坑在哪里。

---