第二章：数据获取与清洗——用tushare/akshare搞定A股日线数据
做量化交易，数据就是你的弹药。弹药不行，枪法再好也白搭。
这一章，咱们就聊聊怎么拿到干净、可用的A股日线数据。我会用tushare和akshare这两个库，手把手带你走一遍。我个人习惯用akshare多一些，因为它免费且数据源稳定。但tushare在某些场景下也有优势，比如复权因子的处理更直接。
2.1 数据获取：从零到一
先说说数据源的选择。你想想看，市面上能免费拿到A股数据的渠道其实不多。tushare是老牌选手，akshare是后起之秀。我的建议是：
- tushare：适合需要高频数据、复权因子、财务数据的场景。但需要积分，新手可能有点门槛。
- akshare：完全免费，接口丰富，覆盖股票、基金、期货、宏观数据。我最近的项目基本都用它。
嗯，这里要注意：akshare的数据源来自东方财富、新浪财经等，偶尔会有延迟或缺失。但做日线级别的分析，完全够用。
2.1.1 安装与初始化
# 安装
pip install akshare tushare
# 初始化
import akshare as ak
import tushare as ts
import pandas as pd
import numpy as np
# tushare需要token
ts.set_token('你的token')
pro = ts.pro_api()我在项目中遇到过一个问题：tushare的token如果过期了，会直接报错。所以建议把token存在环境变量里，别硬编码在代码中。
2.1.2 获取日线数据
以贵州茅台（600519）为例，看看两个库的用法差异。
# akshare方式
df_ak = ak.stock_zh_a_hist(symbol="600519", period="daily",
start_date="20230101", end_date="20231231",
adjust="qfq") # qfq=前复权
# tushare方式
df_ts = pro.daily(ts_code="600519.SH", start_date="20230101",
end_date="20231231")你看，akshare直接传参adjust="qfq"就能拿到前复权数据。tushare返回的是未复权数据，需要额外处理复权因子。这一点，akshare更省事。
2.2 复权因子处理：别让分红影响你的判断
为什么要处理复权？说白了，股票分红、送股会导致价格出现跳空缺口。如果你直接用原始价格计算收益率，结果会失真。
举个例子：某股票100元，10送10后变成50元。如果你用50元算历史收益率，会以为跌了50%。但实际上你的资产没变。复权就是把这个缺口补上。
2.2.1 前复权 vs 后复权
| 类型 | 含义 | 适用场景 |
|---|---|---|
| 前复权 | 调整历史价格，使当前价格不变 | 技术分析、回测（最常用） |
| 后复权 | 调整当前价格，使历史价格不变 | 看真实涨幅、长期投资分析 |
| 不复权 | 原始价格，有缺口 | 分红套利、事件驱动策略 |
我个人习惯用前复权做回测。为什么呢？因为前复权保证了当前价格是真实的市场价，回测结果更贴近实际交易。
2.2.2 手动处理复权因子
如果你用tushare，需要自己算复权价格。代码其实不复杂：
# 获取复权因子
adj_factor = pro.adj_factor(ts_code="600519.SH",
start_date="20230101",
end_date="20231231")
# 合并到日线数据
df = df_ts.merge(adj_factor[['trade_date', 'adj_factor']],
on='trade_date', how='left')
# 计算前复权价格
df['adj_close'] = df['close'] * df['adj_factor'] / df['adj_factor'].iloc[-1]
df['adj_open'] = df['open'] * df['adj_factor'] / df['adj_factor'].iloc[-1]2.3 清洗异常值：数据质量决定策略上限
数据拿到手，别急着用。先看看有没有脏数据。我总结了一套清洗流程，分享给你：
2.3.1 常见异常类型
- 缺失值：停牌、节假日导致的数据空缺
- 极端值：涨跌停、数据录入错误（比如价格突然变成0或99999）
- 重复值：同一日期出现多条记录
- 逻辑错误：开盘价=收盘价、最高价<最低价等
2.3.2 清洗实战代码
def clean_stock_data(df):
"""
清洗股票日线数据
"""
# 1. 删除重复行
df = df.drop_duplicates(subset=['date'])
# 2. 处理缺失值
# 停牌日期的价格用前一个交易日填充
df = df.fillna(method='ffill')
# 3. 检查逻辑错误
# 最高价不能小于最低价
invalid = df[df['high'] < df['low']]
if len(invalid) > 0:
print(f"发现{len(invalid)}条逻辑错误数据，已修正")
# 交换最高价和最低价
df.loc[df['high'] < df['low'], ['high', 'low']] = \
df.loc[df['high'] < df['low'], ['low', 'high']].values
# 4. 处理极端值
# 涨跌幅超过20%的视为异常（A股普通股票涨跌幅限制10%）
df['pct_chg'] = df['close'].pct_change()
extreme = df[abs(df['pct_chg']) > 0.2]
if len(extreme) > 0:
print(f"发现{len(extreme)}条极端涨跌幅数据")
# 用前后均值替换
for idx in extreme.index:
df.loc[idx, 'close'] = (df.loc[idx-1, 'close'] +
df.loc[idx+1, 'close']) / 2
return df你可能会问：为什么涨跌幅超过20%就算异常？因为A股主板涨跌幅限制是10%，科创板是20%。如果你做的是科创板股票，阈值要调到40%。这个细节，我在项目中吃过亏。
2.3.3 数据质量检查清单
每次清洗完数据，我都会跑一遍这个检查：
- 数据量是否完整？比如2023年应该有245个交易日左右
- 是否有空值？用
df.isnull().sum()检查 - 价格是否为正数？用
df.describe()看最小值 - 日期是否连续？用
df['date'].diff().value_counts()检查间隔
2.4 本章知识体系
下面这张图，帮你梳理了数据获取与清洗的完整流程：
这张图把整个流程串起来了。从数据源选择，到获取方式，再到复权处理和数据清洗，最后输出干净数据。每一步都环环相扣。
utils模块里。每次新项目直接调用，省时省力。你想想看，如果每次都要重写一遍，多浪费时间。
好了，数据获取和清洗就聊到这里。记住一句话：数据质量决定策略上限。花80%的时间在数据上，剩下20%做策略，这个比例是值得的。