2. 金融数据基础

在构建任何量化策略或金融研究模型之前，我们必须先回答一个看似简单却极其关键的问题：我们手中的数据到底是什么？防未来函数与防数据泄漏的根基，不在于复杂的算法，而在于对数据本身的时间属性、生成机制和来源边界的清晰认知。本节将从数据类型、时间序列特性和常见数据源三个维度，建立后续所有实战操作的认知底座。

一、核心原理：金融数据的三种时间属性

金融数据与普通业务数据最大的区别在于：每一条记录都携带至少一个时间戳，且不同时间戳代表完全不同的含义。理解这一点，是避免未来函数的第一道防线。

• 事件时间（Event Time）：数据所描述的事件实际发生的时刻。例如某笔交易在交易所撮合成交的精确时间。
• 采集时间（Ingestion Time）：数据被系统接收、记录或写入数据库的时刻。网络延迟、批处理调度都会导致采集时间晚于事件时间。
• 可用时间（Availability Time）：数据真正可以被策略或研究员读取使用的时刻。这是防泄漏中最关键的字段，却最容易被忽略。

举例来说，某上市公司财报的事件时间是报告期末（如3月31日），但采集时间可能是4月28日盘后，而可用时间可能是4月29日开盘前。如果你在4月1日就使用该财报数据，就犯了典型的“财报前视”错误。

二、金融数据的主要类型与结构

从数据结构角度，金融研究数据可分为以下几类，每类都有不同的泄漏风险点：

数据类型	典型示例	时间特性	主要泄漏风险
行情快照数据	Level-1/Level-2 逐笔委托、成交	高频、事件驱动	使用未来快照价格成交
K线/Bar数据	日线、分钟线 OHLCV	固定周期聚合	用当根Bar收盘价决策并成交
基本面数据	财报、盈利预告、分红	低频、滞后发布	报告期与公告日混淆
另类数据	新闻情绪、卫星图像、APP活跃	非规则、采集延迟大	采集时间晚于事件时间
宏观数据	GDP、CPI、利率决议	定期发布、修订频繁	使用修订后数据而非初值

其中，基本面数据和宏观数据的“修订”问题尤为隐蔽。例如GDP初值在季度结束后约15天发布，之后还会经历多次修订。如果你在回测中使用了最终修订值，而当时市场只能看到初值，就构成了数据泄漏。

三、时间序列特性：平稳性、自相关与对齐

金融时间序列具有几个必须掌握的特性，它们直接影响特征工程和回测设计的正确性。

• 非平稳性：价格序列通常是非平稳的，而收益率序列更接近平稳。直接对价格做回归容易产生伪回归。
• 自相关性：收益率存在弱自相关，波动率存在强自相关（波动率聚集）。这要求我们在构造特征时注意滞后阶数的选择。
• 时间对齐：不同数据源的时间戳频率不同，必须统一到同一时间轴上。对齐时只能使用“过去已发生”的数据，不能向前填充未来值。

下面是一个安全的时间对齐示例，展示如何将日频因子与月频财报数据合并，且确保只使用已公告的数据：

import pandas as pd

# 假设 daily_factor 索引为交易日，financial_report 包含 report_date 和 announce_date
# 错误做法：直接按 report_date 合并
# wrong = daily_factor.merge(financial_report, on='report_date')

# 正确做法：按公告日对齐，且只使用公告日 <= 当前交易日的数据
financial_report = financial_report.sort_values('announce_date')
daily_factor = daily_factor.sort_values('trade_date')

# 使用 merge_asof 实现“最近已公告”匹配
merged = pd.merge_asof(
    daily_factor,
    financial_report,
    left_on='trade_date',
    right_on='announce_date',
    direction='backward'  # 只向过去查找，绝不使用未来公告
)

四、常见数据源及其时间字段核查清单

不同数据源对时间字段的命名和含义差异很大，接入时必须逐一核查。以下清单可作为数据接入时的检查表：

1. 交易所行情：检查 trade_time、timestamp 是交易所时间还是本地接收时间。
2. Wind/Choice/聚源：区分 report_date（报告期）、announce_date（公告日）、update_date（入库更新日）。
3. Yahoo Finance / Tushare：日线数据通常只有交易日，但复权因子可能随时间变化，需使用历史复权因子。
4. 宏观数据库：如FRED，需关注 realtime_start 和 realtime_end，这是获取初值的关键。
5. 另类数据供应商：必须索取 event_time 和 delivery_time 两个字段，并以后者作为可用时间。

五、案例复盘：一个典型的财报数据泄漏

某研究员构建了一个基于净利润增速的选股策略。他使用某数据接口获取了全部A股2015-2020年的财报数据，字段包括 report_date 和 net_profit，然后按 report_date 将财报数据合并到日频行情上，回测显示年化收益超过40%。

问题出在哪里？该接口返回的 net_profit 是最新修订值，且合并时使用的是报告期而非公告日。这意味着在2015年4月1日，策略就已经“看到”了2015年一季报的净利润，而实际上该财报可能到4月28日才公告。修正后，使用公告日对齐并采用初值数据，年化收益降至12%，超额收益大幅缩水。