2. 金融数据基础

在金融数据工程与实时计算中，第一步不是写代码，而是建立“数据地图”：市场上到底有哪些数据、它们长什么样、从哪里来、更新频率如何、质量风险在哪里。只有把数据类型与特征梳理清楚，后续的采集、清洗、存储、计算与建模才有稳定的输入基础。本节围绕行情数据、交易数据、基本面数据与另类数据展开，并给出可落地的分类框架与工程判断方法。

一、核心原理：按“产生机制”而非“文件格式”分类

很多初学者按 CSV、JSON、二进制等格式区分数据，这在工程上会很快失效，因为同一类数据可以有多种格式。更稳健的分类维度是产生机制与语义：数据是由市场撮合产生的、由公司披露产生的，还是由外部行为间接推断产生的。据此可划分为四类：

• 行情数据（Market Data）：描述市场价格与买卖意愿，如快照、盘口、K线、逐笔委托。
• 交易数据（Trade Data）：描述实际成交与账户行为，如逐笔成交、委托回报、账户流水。
• 基本面数据（Fundamental Data）：描述公司财务与经营状况，如财报、股本、分红、估值指标。
• 另类数据（Alternative Data）：非传统来源、需加工才能用于投资判断的数据，如卫星图像、舆情、App活跃度、供应链物流。

二、四类数据的特征与来源对照

下表从更新频率、典型延迟、历史深度、主要来源与工程难点五个维度进行对照，便于在架构设计时快速定位。

三、方法流程：从原始事件到可用数据

以行情与交易数据为例，典型处理链路如下：

1. 接入：通过交易所行情网关或券商API订阅，获得原始报文。
2. 解析：按协议解码为结构化事件，如逐笔委托、逐笔成交、快照。
3. 时间对齐：统一为交易所时间戳，处理乱序与重复。
4. 状态重建：用委托簿重建盘口，生成K线或指标。
5. 落库：热数据入时序库，冷数据入对象存储，元数据入目录。

# 示例：逐笔成交事件字段（简化）
{
  "symbol": "600519.SH",
  "ts_exchange": "2024-06-03T09:30:00.123456",
  "price": 1680.50,
  "qty": 200,
  "side": "BUY",
  "trade_id": "T2024060300001",
  "seq": 10231
}
# 工程要点：seq 用于去重与排序，ts_exchange 用于回放

四、案例/场景：同一时刻的多源数据融合

假设某量化策略在开盘后需要判断某只股票的短期动量。它同时消费三类数据：行情快照给出最新价与盘口；逐笔成交给出主动买卖方向；基本面数据提供昨日收盘后的估值分位。三者时间尺度不同，必须通过事件时间对齐，而不是处理时间。若用处理时间，网络抖动会导致“未来数据”混入，回测与实盘结果严重偏离。

五、误区与复盘

• 误区一：把行情当交易。 行情是报价与意愿，交易是实际成交。用盘口挂单量推断成交量会引入虚假信号。
• 误区二：忽视基本面数据的“时点”。 财报有公告日与报告期，回测必须用公告日，否则产生前视偏差。
• 误区三：另类数据直接入模。 另类数据通常需要实体映射、去噪、标准化后才能与行情对齐，否则噪声远大于信号。
• 复盘建议： 建立数据字典，记录每类数据的来源、频率、延迟、字段含义与质量规则，并定期做对账与抽样校验。