2. 另类数据基础
在量化投研中，传统数据通常指财报、行情、宏观统计等结构化、低频、标准化程度高的信息。而另类数据（Alternative Data）是指这些传统来源之外、能够为投资决策提供增量信息的数据集合。它的核心价值不在于“新”，而在于更早、更细、更接近真实经济活动。例如，卫星图像可以在财报发布前数月观察到停车场车流变化，信用卡交易数据可以高频追踪消费趋势，社交媒体情绪可以捕捉市场预期的边际变化。
一、核心原理：为什么另类数据能产生Alpha
另类数据的Alpha来源可以归纳为三个维度：信息差、时间差、颗粒度差。信息差指市场尚未普遍关注或难以获取的数据源；时间差指数据发布频率高于财报或宏观数据，能提前反映趋势；颗粒度差指数据可以细化到门店、SKU、区域、个体级别，而传统数据往往只到行业或公司汇总层面。
但另类数据并非天然有效。它需要经过采集、清洗、对齐、建模、回测等环节，才能转化为稳定信号。尤其要注意Point-in-Time（PIT）对齐问题：如果使用了未来才发布的数据版本，就会造成前视偏差（Look-ahead Bias），导致回测虚高。这是本课程后续章节的重点，但本章先建立对数据本身的基础认知。
二、常见另类数据类型与特征
另类数据种类繁多，按采集方式和业务场景可分为以下几类：
| 类型 | 典型来源 | 更新频率 | 主要应用场景 | 主要风险 |
|---|---|---|---|---|
| 卫星图像 | Planet、Maxar、Sentinel | 日/周 | 零售客流、原油库存、农业产量、建筑施工 | 云层遮挡、图像解析误差、成本高 |
| 信用卡交易 | 银行、支付网络、聚合平台 | 日/周 | 消费趋势、公司营收预测、行业景气度 | 样本偏差、隐私合规、覆盖不全 |
| 社交媒体 | Twitter/X、Reddit、微博、论坛 | 实时/分钟 | 情绪指标、舆情监控、产品口碑 | 水军噪声、平台政策变化、非结构化 |
| 地理位置 | 手机定位、App SDK、车载GPS | 日/小时 | 门店客流、物流追踪、区域经济 | 隐私监管、样本代表性、设备偏差 |
| 供应链 | 海关提单、航运AIS、采购订单 | 周/月 | 进出口趋势、库存周期、供应商风险 | 滞后发布、报关口径差异、覆盖有限 |
除了上述五类，还有应用商店排名、网页抓取价格、招聘广告、专利数据、天气数据等。不同数据类型的共同点是：原始形态往往是非结构化或半结构化的，需要经过ETL和特征工程才能使用。
三、数据获取方式与商业生态
另类数据的获取方式主要有四种：直接采购、API订阅、网页抓取、合作交换。直接采购通常指向专业数据供应商购买历史数据和持续更新服务，成本高但质量相对可控；API订阅适合实时或高频数据，按调用量或订阅周期计费；网页抓取成本低但面临反爬、法律合规和稳定性问题；合作交换则常见于与平台、银行、物流公司等建立数据共享机制。
商业生态方面，产业链大致分为上游数据源、中游数据供应商和聚合平台、下游买方机构。上游掌握原始数据，中游负责清洗、标准化、合规审查和产品化，下游将数据转化为因子或信号。近年来，数据聚合平台（如Alternativedata.org、Eagle Alpha等）扮演了撮合与评估角色，帮助买方快速筛选供应商。
四、案例与场景：卫星图像预测零售客流
假设我们要用卫星图像预测某零售公司季度营收。流程如下：
- 数据采集：获取目标公司主要门店的卫星图像，频率为每周一次，覆盖过去8个季度。
- 图像处理：使用CNN或目标检测模型识别停车场车辆数量，转化为客流指数。
- PIT对齐：每张图像必须记录拍摄时间戳，并确保回测时只使用当时已获取的图像，而非后来补采的版本。
- 信号构建：将客流指数与历史营收做回归，生成预测因子。
- 回测验证：在严格时间隔离下检验因子IC、IR和换手率。
这个案例中，最大的陷阱是数据修订：供应商可能后来重新处理了历史图像，导致同一日期对应多个版本。如果不做PIT对齐，回测就会使用“未来修正过”的数据，产生虚高收益。
五、复盘：另类数据落地的关键检查清单
- 数据覆盖度：样本是否代表整体？是否存在幸存者偏差？
- 时间戳完整性：是否记录了采集、发布、修订时间？
- 合规性：数据来源是否合法？是否涉及个人隐私？
- 成本收益：数据费用、处理成本是否低于预期Alpha？
- 可解释性：信号是否有经济逻辑支撑，还是纯数据挖掘？
- 防泄漏：回测中是否严格隔离未来信息？
另类数据不是“越多越好”，而是“越对齐越可靠”。只有在理解数据来源、获取方式、商业生态和时间属性的基础上，才能进入后续的PIT对齐与防泄漏实战。本章建立的基础认知，将直接决定你能否在回测中避开前视偏差的陷阱。