2. 金融数据基础

在金融研究数据集的完整生产链路中，数据基础决定了后续清洗、因子构建与回测的可靠性。很多项目失败并非模型不佳，而是对“数据是什么、从哪来、以什么频率和粒度存在”缺乏清晰认知。本节围绕四个核心问题展开：金融市场数据有哪些类型、常见数据源各自适合什么场景、频率与粒度如何区分、以及如何为研究目标选择正确的数据组合。

一、核心原理：金融数据的四种基本类型

金融数据并非单一形态，按信息性质可划分为四类，每类对应不同的采集与处理逻辑。

• 行情数据（Market Data）：价格、成交量、买卖盘口、涨跌幅等，是量化研究最基础的数据。典型字段包括 open、high、low、close、volume、amount、vwap。
• 基本面数据（Fundamental Data）：财务报表、盈利预告、估值指标（PE、PB、ROE），通常按季度或年度更新，存在披露滞后。
• 衍生与另类数据（Derivative & Alternative Data）：期权隐含波动率、融资融券、舆情、卫星图像、供应链数据等，用于获取超额信息。
• 宏观与参考数据（Macro & Reference Data）：利率、CPI、GDP、行业分类、成分股名单、交易日历，用于对齐与分组。

二、常见数据源对比与选择

不同数据源在覆盖范围、频率、成本与稳定性上差异显著。下表给出常见数据源的核心特征，便于按项目需求取舍。

实际项目中常采用“主源+备源”策略：以 Wind 或 Tushare 作为主数据源，Yahoo Finance 用于交叉校验或补充海外标的。接口调用需保留原始返回，便于回溯。

# Tushare 获取日线示例
import tushare as ts
pro = ts.pro_api('YOUR_')
df = pro.daily(ts_code='000001.SZ',
               start_date='20240101',
               end_date='20241231')
print(df[['trade_date','open','high','low','close','vol']].head())

三、频率与粒度：两个容易混淆的概念

频率指数据记录的时间间隔，如 tick、1分钟、日、周、季度；粒度指同一时间点上数据的细分程度，如全市场汇总、单只股票、单笔成交、单个账户。频率回答“多久一次”，粒度回答“细到什么程度”。

二者组合决定数据体量与计算方式。例如“日频+个股粒度”适合多因子选股；“分钟频+盘口粒度”适合日内交易；“季度频+行业粒度”适合宏观与行业轮动研究。频率提升会带来噪声、缺失与存储压力，粒度细化则增加对齐与聚合复杂度。

四、案例与复盘：从需求到数据选型

假设要构建一个A股月度调仓的多因子策略，数据选型流程如下：

1. 确定频率与粒度：月度调仓，采用日频行情聚合为月频，个股粒度。
2. 选择数据源：Tushare 获取日线与财务数据，交易所日历对齐交易日。
3. 字段规划：close、volume、PE、PB、ROE、行业分类。
4. 质量校验：检查停牌、涨跌停、财务披露滞后，避免前视偏差。
5. 存储与版本：按日期分区保存原始与清洗后数据，保留数据版本。

复盘常见问题：一是混用不同数据源的复权方式，导致价格不可比；二是忽略财务数据的披露日期，用报告期直接对齐交易日期，造成未来信息泄露；三是频率选择过高，回测换手率与成本被低估。解决方式是统一复权口径、使用公告日而非报告期、并在回测中显式建模交易成本。