2. 金融数据基础

做金融数据分析，第一步不是建模，而是把数据“看清楚”。同一只股票，日线、分钟线、复权与不复权价格可能给出完全相反的结论；同一份财报，字段口径不同会导致因子失效。本节围绕金融数据的类型、来源、频率、复权除权、缺失值处理五个核心问题展开，并给出可直接运行的 Python 读取示例。

一、金融数据的四大类型

金融数据按结构可分为四类，理解分类决定了后续存储与处理方式：

• 行情数据（Time Series）：股票、期货、外汇的 OHLCV、买卖盘口、逐笔成交，天然带时间戳，是典型的时间序列。
• 基本面数据（Cross-sectional）：财报三表、估值指标（PE、PB、ROE），按报告期与股票代码两个维度组织，属于面板数据。
• 文本与另类数据（Unstructured）：公告、研报、新闻、舆情、卫星图像，需先做 NLP 或特征抽取才能进入模型。
• 衍生与宏观数据：利率曲线、CPI、PMI、期权隐含波动率，常用于择时与风险控制。

二、常见数据源与获取方式

数据源的选择直接影响成本、稳定性和合规性。常见来源如下表：

选择数据源时优先关注三点：字段口径是否清晰、历史数据是否可回溯、接口是否有频率限制。免费源常用于教学，但生产环境务必考虑稳定性与授权。

三、数据频率与复权除权

频率决定了策略的适用边界：Tick 与分钟线适合高频与微观结构研究，日线适合中低频因子，周线/月线适合资产配置。频率越高，噪声越大、存储与计算成本越高。

复权是 A 股分析中最容易踩坑的环节。除权除息会造成价格跳空，若直接用不复权价计算收益率，会把“分红送股”误判为“暴跌”。常见处理方式：

• 前复权：以最新价为基准向前调整，历史价格被改写，适合看走势与回测。
• 后复权：以上市首日为基准向后调整，历史价不变，适合计算长期真实收益。
• 不复权：保留原始成交价，适合撮合、盘口与真实成交金额分析。

四、缺失值处理与 Python 读取示例

金融数据缺失常见于停牌、节假日、新股上市前、字段未披露。处理策略取决于缺失机制：

1. 删除：缺失比例极低且随机时可用，但会破坏时间连续性。
2. 前向填充（ffill）：适合停牌价格、估值指标，但会引入“伪平稳”。
3. 插值：线性或时间插值适合连续变量，不适合跳跃型事件。
4. 标记缺失：保留 NaN 并增加缺失指示列，让模型自行学习。

下面用 AkShare 读取一只 A 股日线数据，并演示复权与缺失值处理：

import akshare as ak
import pandas as pd

# 读取前复权日线数据
df = ak.stock_zh_a_hist(
    symbol="600519",
    period="daily",
    start_date="20230101",
    end_date="20231231",
    adjust="qfq"          # qfq 前复权, hfq 后复权, "" 不复权
)

df["日期"] = pd.to_datetime(df["日期"])
df = df.set_index("日期").sort_index()

# 检查缺失值
print(df.isna().sum())

# 前向填充收盘价，并标记原始缺失位置
df["close_ffill"] = df["收盘"].ffill()
df["close_missing"] = df["收盘"].isna().astype(int)

# 计算日收益率
df["ret"] = df["close_ffill"].pct_change()
print(df[["收盘", "close_ffill", "ret"]].tail())

五、误区与复盘

初学者最常见的三个误区：

• 用不复权价算长期收益：会把分红送股当成亏损，严重低估真实回报。
• 无脑 ffill 所有字段：成交量、换手率被填充后会产生虚假交易信号。
• 忽略时区与交易日历：跨市场数据对齐时，时区错位会导致“未来函数”。

复盘建议：每次拿到新数据，先做三件事——打印字段与类型、统计缺失率、画出价格与成交量走势。把数据质量检查写成可复用的函数，是构建金融数据分析 Agent 的第一块基石。