第二章：数据获取与预处理

做量化分析，第一步永远不是写策略，而是搞定数据。

我个人习惯把数据获取比作「做饭前的买菜」。菜不新鲜，厨艺再好也白搭。这一章，我们就来搞定三样核心食材：人民币汇率、北向资金、A股主要指数。

2.1 数据源的选择

先聊聊数据从哪来。我这些年踩过不少坑，总结下来就三条路：

• akshare：免费、接口全、更新快。适合个人研究和策略回测。
• Tushare：专业度高，但部分数据需要积分。机构用得比较多。
• Wind / 聚宽：付费，但数据质量最稳。实盘环境我建议用这个。

嗯，这里要注意：免费接口偶尔会断流。我曾在一次路演前发现akshare连不上，差点翻车。所以，生产环境一定要有备用数据源。

2.2 安装与导入库

先装好必要的工具包。我个人习惯用 pandas 做数据处理，akshare 拿数据，matplotlib 做可视化。

# 安装（如果还没装）
# pip install akshare pandas matplotlib

import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
import datetime

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

这里有个小坑：akshare 版本更新频繁，接口参数偶尔会变。我建议你固定版本号，比如 pip install akshare==1.14.0，避免代码突然跑不了。

2.3 获取人民币汇率数据

汇率是宏观分析里绕不开的变量。我们拿美元/人民币（离岸）为例。

# 获取美元兑人民币离岸汇率（日频）
def get_usdcnh(start_date="20200101", end_date="20241231"):
    df = ak.currency_boc_sina(symbol="美元")  # 中国银行牌价
    # 实际项目中我常用 ak.fx_spot_quote() 获取实时数据
    # 这里为了演示，用模拟数据
    dates = pd.date_range(start=start_date, end=end_date, freq='B')
    import numpy as np
    np.random.seed(42)
    rates = 6.5 + np.cumsum(np.random.randn(len(dates)) * 0.02)
    df = pd.DataFrame({'date': dates, 'usdcnh': rates})
    df.set_index('date', inplace=True)
    return df

usd_cnh = get_usdcnh()
print(usd_cnh.head())

2.4 获取北向资金数据

北向资金，说白了就是外资通过沪深港通买A股的钱。这个数据对短期情绪影响很大。

# 获取北向资金日度数据
def get_north_flow(start_date="20200101", end_date="20241231"):
    # 使用akshare获取北向资金
    df = ak.stock_hsgt_north_net_flow_in_em(symbol="北上")
    # 实际返回包含日期、净买入等字段
    # 这里做简化处理
    dates = pd.date_range(start=start_date, end=end_date, freq='B')
    import numpy as np
    np.random.seed(42)
    net_flow = np.random.randn(len(dates)) * 20  # 单位：亿元
    df = pd.DataFrame({'date': dates, 'north_net_flow': net_flow})
    df.set_index('date', inplace=True)
    return df

north_flow = get_north_flow()
print(north_flow.head())

你想想看，北向资金单日净流入超过100亿，往往意味着外资在抢筹。我一般会把这个信号和汇率走势结合起来看——如果人民币在升值，北向又在流入，那就是典型的「双轮驱动」行情。

2.5 获取A股主要指数数据

指数方面，我们主要关注沪深300、中证500、创业板指。这三个基本能代表大盘、中盘和成长风格。

# 获取指数数据
def get_index_data(symbol="000300", start_date="20200101", end_date="20241231"):
    # symbol: 000300 沪深300, 000905 中证500, 399006 创业板指
    df = ak.stock_zh_index_daily(symbol=f"sh{symbol}" if symbol.startswith("00") else f"sz{symbol}")
    df = df[(df['date'] >= start_date) & (df['date'] <= end_date)]
    df.set_index('date', inplace=True)
    return df

# 获取沪深300
hs300 = get_index_data("000300")
print(hs300.head())

2.6 数据清洗与对齐

数据拿到手，第一件事不是分析，而是清洗。我见过太多人直接拿原始数据跑模型，结果全是噪音。

# 合并数据
def merge_data(usd, north, index_df):
    # 按日期对齐
    merged = pd.DataFrame({
        'usdcnh': usd['usdcnh'],
        'north_flow': north['north_net_flow'],
        'index_close': index_df['close']
    })
    # 删除缺失值
    merged.dropna(inplace=True)
    # 检查是否有异常值
    merged = merged[(merged['north_flow'] > -200) & (merged['north_flow'] < 200)]
    return merged

data = merge_data(usd_cnh, north_flow, hs300)
print(f"清洗后数据量：{len(data)} 天")
print(data.describe())

为什么要删除北向资金超过±200亿的数据？因为历史上单日净流入超过200亿的情况极少，一旦出现，很可能是数据错误。我曾经遇到过某数据源把「累计值」当成「日度值」推送，差点酿成大错。

2.7 知识体系总览

下面这张图，是我做这个课题时梳理的框架。你可以把它当作本章的「地图」。

2.8 数据可视化初探

数据清洗完，我习惯先画个图看看趋势。别急着上模型，先「用眼睛看」。

# 简单可视化
fig, axes = plt.subplots(3, 1, figsize=(12, 10))

# 汇率
axes[0].plot(data.index, data['usdcnh'], color='blue', linewidth=0.8)
axes[0].set_title('美元/人民币汇率（CNH）')
axes[0].set_ylabel('汇率')

# 北向资金
axes[1].bar(data.index, data['north_flow'], color='red', width=1)
axes[1].set_title('北向资金日度净流入')
axes[1].set_ylabel('亿元')

# 指数
axes[2].plot(data.index, data['index_close'], color='green', linewidth=0.8)
axes[2].set_title('沪深300指数')
axes[2].set_ylabel('点位')

plt.tight_layout()
plt.show()

画完图，你可能会发现：汇率升值和北向资金流入，往往同步发生。这就是我们后面要深入挖掘的因子关系。

好了，数据已经准备就绪。下一章，我们会把这些数据变成真正的因子，看看汇率和外资到底怎么影响A股。

---