数据准备：获取股票行情数据，清洗与对齐

做多因子策略，数据就是你的弹药。弹药不行，枪法再好也白搭。

我个人习惯把数据准备分成三步：获取、清洗、对齐。这三步走扎实了，后面的因子合成才能放心跑。今天咱们就聊聊这块。

一、获取行情数据：日线与分钟线

先说说数据源。我常用的有 tushare、akshare、baostock 这几个库。免费、够用，个人研究完全没问题。

举个例子，用 akshare 拿日线数据，代码很简单：

import akshare as ak

# 获取平安银行日线数据
df = ak.stock_zh_a_hist(symbol="000001", period="daily", 
                         start_date="20200101", end_date="20231231")
print(df.head())

分钟线呢？我个人建议用 period="1" 或 period="5" 参数。注意，分钟线数据量很大，一次别拉太久。我一般一次拉一个月，分批处理。

二、数据清洗：处理缺失值与异常值

数据拿到手，第一件事不是算因子，而是清洗。我在项目中遇到过好几次，因为没清洗数据，回测曲线漂亮得像假的，实盘一跑就崩。

2.1 缺失值处理

缺失值常见原因：停牌、新股上市、数据源漏了。怎么处理？看情况：

• 停牌导致的缺失：用前一天的收盘价填充。说白了，停牌期间价格不变。
• 新股上市前：直接删除。没有数据，硬填没意义。
• 数据源漏了：用前后两天的均值插值。我习惯用 df.interpolate()。

# 用前向填充处理停牌
df['close'].fillna(method='ffill', inplace=True)

# 用线性插值处理小范围缺失
df['close'].interpolate(method='linear', inplace=True)

2.2 异常值处理

异常值怎么判断？我一般用两种方法：

1. 3σ 原则：超过均值±3倍标准差的值，视为异常。
2. 百分位法：低于1%分位或高于99%分位的值，直接截断。

你想想看，如果某天某只股票涨了50%，但大盘没动，这大概率是数据错误。我习惯用百分位法，更稳健。

# 百分位截断
def winsorize_series(s, lower=0.01, upper=0.99):
    q_low = s.quantile(lower)
    q_high = s.quantile(upper)
    return s.clip(q_low, q_high)

df['pct_chg'] = winsorize_series(df['pct_chg'])

三、数据对齐：让不同股票站在同一起跑线

这一步很关键，但很多人会忽略。不同股票的交易日期不一样——有的停牌，有的刚上市。如果不做对齐，因子计算会出问题。

举个例子：你想算所有股票当天的收益率。但A股票停牌了，B股票正常交易。如果不处理，A的收益率就是NaN，后面算因子时整个截面就乱了。

我的做法是：先构建一个统一的交易日历，然后左连接所有股票数据。

# 构建交易日历（取所有股票交易日的并集）
trade_dates = pd.date_range(start='2020-01-01', end='2023-12-31', freq='B')
trade_calendar = pd.DataFrame(trade_dates, columns=['date'])

# 对齐：左连接
df_aligned = trade_calendar.merge(df, on='date', how='left')

# 缺失的交易日，用前一天的收盘价填充
df_aligned['close'].fillna(method='ffill', inplace=True)

四、知识体系总览

下面这张图，是我自己总结的数据准备流程。你看一眼，心里就有谱了。

五、避坑指南

最后，分享几个我踩过的坑：

• 复权问题：日线数据一定要用后复权。前复权会导致历史价格被修改，回测结果失真。我曾经用前复权跑回测，收益曲线漂亮得不行，一查发现是复权方式搞错了。
• 分钟线的时间戳：不同数据源的时间格式不一样。有的用东八区，有的用UTC。对齐前先统一时区，不然数据会错位。
• 停牌复牌：复牌当天，股价经常跳空。这时候用前向填充没问题，但要注意跳空带来的因子突变。我一般会在复牌后第一天，把因子值重新计算一遍。

数据准备这块，说白了就是「脏活累活」。但你别嫌烦，这一步做扎实了，后面的因子合成、策略回测才能放心跑。嗯，今天就聊到这儿。

---