金融数据基础：常见金融数据类型、数据频率与数据获取

金融时间序列分析的第一步，也是最关键的一步，是理解我们面对的数据本身。金融数据并非铁板一块，它由不同类型、不同频率、不同来源的数据共同构成。如果对数据的基本属性缺乏清晰认知，后续的特征工程、模型构建和策略回测都将建立在流沙之上。本章将系统梳理金融数据的核心类型、时间频率维度以及主流获取渠道，帮助您建立起对金融数据生态的完整认知框架。

2.1 常见金融数据类型

金融数据从业务属性上可以划分为五大类：价格数据、成交量数据、收益率数据、基本面数据与另类数据。每一类数据在时间序列分析中扮演着不同的角色，其统计特性、噪声水平和信息含量也截然不同。

2.1.1 价格数据：市场行为的直接映射

价格数据是最基础、最核心的金融时间序列。在量化分析中，我们通常使用OHLCV（Open开盘价、High最高价、Low最低价、Close收盘价、Volume成交量）结构来描述一个交易周期内的价格行为。其中，收盘价是最常被用于建模的价格序列，因为它代表了市场在特定周期结束时的共识价格。

价格数据具有以下关键统计特征：

• 非平稳性：价格序列通常包含趋势成分和随机游走成分，均值与方差随时间变化，不能直接用于平稳时间序列模型。
• 自相关性：价格序列在短期内存在显著的自相关，尤其是高频数据中，这为动量或反转策略提供了基础。
• 跳跃性：受重大新闻或事件影响，价格可能出现跳空缺口，这在日线数据中表现为开盘价与昨日收盘价之间的不连续。

在特征工程中，价格数据通常需要经过变换才能进入模型。常见的变换方式包括：计算收益率、取对数、标准化、差分等。直接使用原始价格作为模型输入，往往会导致模型过度关注价格水平，而忽略了相对变化。

2.1.2 成交量与换手率：市场参与度的度量

成交量反映了在特定时间窗口内成交的资产数量，是衡量市场流动性和参与度的重要指标。换手率（成交量/流通股本）则进一步消除了不同股票之间股本规模差异的影响，使得跨标的比较成为可能。

成交量数据在实战中的核心应用包括：

• 量价配合分析：价格上涨伴随成交量放大，通常被视为趋势的确认信号；而价格创新高但成交量萎缩，则可能暗示上涨动力不足。
• 流动性风险度量：成交量低的标的在回测中可能面临严重的滑点和冲击成本，导致策略实盘表现与回测结果严重偏离。
• 异常检测：成交量突然放大数倍，往往预示着重大事件或主力资金异动，可作为事件驱动策略的触发信号。

2.1.3 收益率数据：建模的核心对象

收益率是金融时间序列建模中最常用的数据形态。相比价格序列，收益率序列具有更好的统计性质：近似平稳、弱自相关、可加性。收益率有两种计算方式：

• 简单收益率：\( R_t = (P_t - P_{t-1}) / P_{t-1} \)，直观但不可跨期相加。
• 对数收益率：\( r_t = \ln(P_t / P_{t-1}) \)，具有时间可加性，且近似服从正态分布，更适合统计建模。

在实战中，对数收益率是首选。例如，若某资产连续5天的日收益率分别为1%、-0.5%、0.8%、1.2%、-0.3%，则5日累计对数收益率等于每日对数收益率之和，而简单收益率则需要连乘计算，且存在近似误差。此外，对数收益率的取值范围为\((-\infty, +\infty)\)，更符合正态分布假设，便于使用GARCH等波动率模型。

2.1.4 基本面数据与另类数据

基本面数据包括财务报表（营收、净利润、资产负债率）、估值指标（PE、PB、PS）、宏观经济数据（GDP、CPI、PMI）等。这类数据的频率通常较低（季度或月度），但提供了资产内在价值的锚定。在量化模型中，基本面数据常用于构建多因子模型中的价值因子和质量因子。

另类数据是近年来兴起的非传统数据源，包括：

• 新闻舆情数据：通过NLP技术从新闻标题、社交媒体帖子中提取市场情绪指标。
• 卫星图像数据：监测零售停车场车辆数量、工厂烟囱排放等，推断企业经营状况。
• 搜索指数数据：Google Trends或百度指数反映公众对特定资产的关注度。
• 信用卡消费数据：反映消费行业公司的真实营收趋势。

另类数据的核心价值在于信息增量，但同时也带来了数据清洗、对齐和隐私合规等挑战。

2.2 数据频率：从日线到Tick的粒度选择

数据频率决定了时间序列的粒度，直接影响模型的信号频率、计算成本和过拟合风险。选择合适的数据频率，是策略设计中的关键决策之一。

2.2.1 日频数据：策略研究与组合管理的基石

日频数据是最常用的分析粒度，适用于大多数中低频策略。其优势在于：数据获取成本低、噪声相对较小、计算效率高、回测速度快。日频数据适合以下场景：

• 多因子选股模型的因子计算（如动量因子、价值因子）
• 资产配置与组合再平衡策略
• 风险模型中的波动率估计（如GARCH族模型）

日频数据的局限性在于无法捕捉日内的高频交易机会，且对日内重大事件的反应存在滞后。

2.2.2 分钟频数据：捕捉日内交易机会

分钟频数据（如1分钟、5分钟、30分钟K线）是高频交易和日内策略的基础。相比日频数据，分钟数据提供了更丰富的价格路径信息，能够识别日内模式（如开盘效应、收盘效应）。

使用分钟数据时需要注意：

• 数据量爆炸：1分钟数据量约为日线数据的240倍（以A股4小时交易时间计算），存储和处理成本显著上升。
• 微观结构噪声：买卖价差、订单流不平衡等微观结构效应在分钟级别变得显著，需要额外的噪声过滤。
• 过拟合风险：高频数据提供了更多的参数拟合空间，策略在样本内表现优异但样本外失效的概率更高。

2.2.3 Tick级数据：市场微观结构的显微镜

Tick数据记录了每一笔成交的详细信息，包括成交价格、成交量、成交时间、买卖方向（主动买/主动卖）等。Tick数据是市场微观结构研究的核心数据源，用于分析订单流、买卖压力、市场深度等。

Tick数据的典型应用包括：

• 订单流不平衡（Order Flow Imbalance）因子的构建
• 最优买卖价差（Bid-Ask Spread）的实时计算
• 高频做市策略的定价模型

2.3 数据来源与获取方式

选择合适的数据源是保证研究质量的前提。不同数据源在覆盖范围、数据质量、更新延迟、成本等方面差异显著。以下从三个层级介绍主流的数据获取渠道。

2.3.1 交易所官方数据：最权威但门槛高

交易所（如上交所、深交所、纽交所、纳斯达克）是金融数据的原始生产地。交易所直接提供行情数据、交易数据和上市公司披露信息。通过交易所官方渠道获取的数据最为准确、完整，但通常需要申请特殊权限，且费用较高。个人研究者或小型机构往往难以直接接入。

2.3.2 商业数据服务商：专业与便捷的平衡

商业数据服务商是连接交易所与终端用户的核心桥梁。国内外主流服务商包括：

• Wind（万得）：国内金融数据服务龙头，覆盖股票、债券、基金、期货、宏观等全品类数据，API接口完善，是机构投资者的标配。
• 彭博（Bloomberg）：国际金融市场数据与资讯服务的标杆，终端功能强大，但费用高昂。
• Choice（东方财富）：性价比高的国内数据服务，适合中小机构和个人研究者。
• 聚宽、米筐、优矿：面向量化研究的在线平台，提供数据API和回测框架，降低了数据获取门槛。

使用商业数据服务商时，需要关注数据的历史深度（最早可追溯年份）、更新频率（实时/日终）、字段完整性（是否包含复权因子、公司行为等）以及API调用的稳定性。

2.3.3 开源数据与爬虫：低成本但需谨慎

对于个人学习或原型验证，开源数据源提供了零成本的替代方案：

• Yahoo Finance：通过 yfinance Python库可免费获取美股、A股、加密货币的日线和分钟数据，适合快速原型验证。
• CCXT：加密货币交易所统一API库，支持Binance、OKX等主流交易所的实时行情和Tick数据。
• AKShare：开源财经数据接口库，覆盖A股、港股、美股、期货、宏观等丰富数据，但数据质量依赖上游源。
• Tushare：国内开源数据平台，提供积分制访问，部分高频数据需要高积分。

使用开源数据时，务必注意数据质量验证。例如，Yahoo Finance的A股数据可能存在复权不准确、停牌日数据缺失等问题。建议在正式研究前，将开源数据与商业数据源进行抽样交叉验证。

2.4 数据质量与常见误区

数据质量问题往往在策略回测阶段被忽视，却在实盘阶段集中爆发。以下是金融数据使用中最常见的几类问题：

2.4.1 幸存者偏差

如果数据集中只包含当前仍在交易的标的，而剔除了已经退市或破产的标的，那么回测结果将系统性高估策略收益。例如，在测试小市值因子时，如果数据中不包含已退市的小市值股票，策略的收益将被严重夸大。解决方法是使用包含退市股票的全量历史数据，或至少确认数据源是否包含退市标的。

2.4.2 前视偏差（Look-Ahead Bias）

在构建因子时，如果无意中使用了未来信息（如使用当日收盘后公布的财务数据来预测当日收益），将导致回测结果失真。典型场景包括：财务数据发布日与数据截止日之间的时间差未处理、复权因子使用了未来除权信息等。正确的做法是使用点-in-time（时点）数据，即仅使用在当时时点可获取的信息。

2.4.3 复权处理不当

股票分红、送股、配股等公司行为会导致价格出现非交易性跳变。如果不进行复权处理，收益率计算将产生严重偏差。前复权以当前价格为基准调整历史价格，后复权以历史价格为基准调整当前价格。在时间序列建模中，建议使用后复权价格计算收益率，因为前复权价格会随着新除权事件的发生而不断变化，导致历史收益率序列被反复修改。

2.4.4 数据对齐问题

当同时使用多个数据源时，不同数据源的时间戳格式、时区、交易日历可能存在差异。例如，美股数据使用美东时间，A股数据使用北京时间，加密货币市场7×24小时交易。在合并数据时，必须统一时间基准，并处理非共同交易日的缺失值。