第二章：因子数据准备——数据源选择、清洗与对齐

做量化研究，有一句老话叫「垃圾进，垃圾出」。因子再漂亮，数据源选错了、清洗不到位，结果全是废的。这一章，我重点聊聊数据准备的那些坑。

2.1 数据源选择：Wind、Tushare、聚宽，怎么选？

我个人习惯，先看研究阶段。做学术研究或个人回测，Tushare 和聚宽完全够用。但如果你在机构里做实盘，Wind 几乎是标配。

为什么会这样？说白了，数据源的差异主要在三点：

• 覆盖度：Wind 覆盖 A 股、港股、期货、期权，甚至债券。Tushare 和聚宽偏股票和基金。
• 时效性：Wind 实时行情延迟低，Tushare 免费版有 15 分钟延迟。
• 清洗程度：Wind 的数据已经做过初步清洗，比如复权、停牌标记。Tushare 和聚宽需要你自己处理。

我记得有一次，团队用 Tushare 跑了一个因子，回测夏普比 2.3，兴奋得不行。结果换到 Wind 上一跑，夏普比直接掉到 0.8。查了半天，原来是 Tushare 的复权数据有 bug。嗯，从那以后，我养成了「双源验证」的习惯。

2.2 数据清洗：去极值、缺失值、复权处理

数据清洗是因子研究里最枯燥、但最重要的一步。你想想看，原始数据里什么妖魔鬼怪都有。

2.2.1 去极值

极值怎么来的？可能是数据录入错误，也可能是极端行情。比如某只股票一天涨了 1000%，这明显是异常。

我常用的方法有两种：

• MAD 法：中位数 ± 3 倍绝对中位差。稳健，不受极端值影响。
• 百分位法：直接截掉 1% 和 99% 以外的数据。简单粗暴，但有效。

# 用 MAD 法去极值
import numpy as np

def winsorize_mad(series, n=3):
    median = np.median(series)
    mad = np.median(np.abs(series - median))
    upper = median + n * mad
    lower = median - n * mad
    return np.clip(series, lower, upper)

2.2.2 缺失值处理

缺失值在因子数据里太常见了。停牌、新股上市、数据源漏了，都会导致缺失。

我的处理原则很简单：

• 横截面缺失：用行业均值填充。比如某只股票的市盈率缺失，用同行业其他股票的市盈率均值补上。
• 时间序列缺失：用前向填充。比如今天的数据缺失，用昨天的数据代替。
• 连续缺失太多：直接删除。比如连续停牌超过 20 天，这只股票这段时间的数据就别用了。

2.2.3 复权处理

复权是 A 股特有的坑。分红、送股、配股，都会导致股价跳空。如果不复权，你的因子计算全是错的。

我个人习惯用后复权。为什么？后复权能真实反映股票的历史收益。前复权虽然更直观，但会改变历史价格，影响因子计算。

# 后复权价格计算
def calc_adj_close(df):
    # df 包含 close, adj_factor 字段
    df['adj_close'] = df['close'] * df['adj_factor']
    return df

嗯，这里要注意：不同数据源的复权因子定义可能不同。Wind 的复权因子是累积的，Tushare 的复权因子是当期的。用之前一定要看清楚文档。

2.3 数据对齐与频率统一

数据对齐，说白了就是让不同频率的数据能在同一个时间点上比较。你想想看，日频数据和周频数据，怎么放在一起算因子？

我常用的对齐方法：

• 低频转高频：比如把周频数据填充到日频。用前向填充，不要用插值。
• 高频转低频：比如把日频数据聚合成周频。用均值或最后一个值。
• 跨市场对齐：A 股和港股交易日不同，需要对齐到共同的交易日。

我记得有一次，团队里一个新同事用插值法填充了缺失的财务数据。结果因子在回测里表现极好，但实盘一跑就崩。查了半天，原来是插值用到了未来的财务数据。嗯，从那以后，我要求所有数据对齐都必须用前向填充。

2.4 本章知识体系

下面这张图，是我做数据准备时的核心流程。你可以把它当作一个检查清单。

数据准备这件事，说白了就是「磨刀不误砍柴工」。你花 60% 的时间在数据上，剩下的 40% 时间做因子研究，效率反而最高。我见过太多人一上来就写因子代码，结果数据全是脏的，白忙活一场。

好了，数据准备就聊到这里。记住一句话：数据质量决定了因子上限，因子模型只是逼近这个上限的手段。