2. 行业ETF数据获取与清洗

构建行业ETF轮动标的池，第一步不是选行业，而是把“数据地基”打牢。行业ETF的数据分散在交易所、基金公司、行情服务商等多个来源，字段口径、更新频率、复权方式各不相同。如果直接拿原始数据做轮动信号，很容易因为一条缺失的净值、一个未复权的价格或一条重复记录，导致动量排序失真、行业误判。本节的任务很明确：搞清楚ETF列表、行情、份额、净值四类数据从哪里来、怎么取，然后通过缺失值、异常值、重复记录和停牌数据的系统清洗，形成一张字段规范、口径统一、可反复调用的数据底表。

四类核心数据的获取渠道与接口

行业ETF的数据可以拆成四个层次，每个层次对应不同的获取渠道和更新节奏。

ETF列表数据是标的池的“花名册”，核心字段包括基金代码、基金简称、跟踪指数、上市日期、基金公司、管理费率等。最直接的渠道是交易所官网的ETF产品列表，上交所和深交所均提供ETF成交概况与产品清单下载；其次是基金公司官网和第三方基金信息平台。实操中更常用的是行情接口的“基金列表”或“板块成分”接口，例如通过AkShare的fund_etf_category_sina或fund_etf_spot_em获取全市场ETF实时快照，其中已包含代码、名称、跟踪标的等基础信息。这一步的关键是保留“跟踪指数”字段，因为行业ETF轮动需要按行业归类，而归类依据正是其跟踪的行业指数。

行情数据包括日频的开盘、最高、最低、收盘、成交额、成交量。获取渠道主要有三类：交易所历史行情下载、行情服务商接口（如Tushare的fund_daily、AkShare的fund_etf_hist_em）、以及券商量化终端。需要特别注意的是复权问题：ETF虽然分红较少，但仍有份额折算和分红除权，做轮动动量计算时应使用后复权价格，避免除权日出现虚假跳空。接口通常提供adjust="hfq"参数，取数时统一指定，不要混用不复权与复权数据。

份额数据反映ETF的规模变化和资金申赎动向，字段包括基金份额、流通份额、份额变化。份额数据更新频率低于行情，通常为日频或周频，可从基金公司公告、交易所基金规模数据或第三方接口获取。份额的连续变化是判断ETF流动性和资金关注度的重要辅助指标，清洗时要允许其更新滞后于行情一至两个交易日，不能简单按行情日期对齐后全部判为缺失。

净值数据包括单位净值和累计净值，是计算折溢价、跟踪误差的基础。净值通常在交易日收盘后由基金公司披露，获取渠道为基金公司官网、第三方基金平台或接口的净值序列。净值与行情价格的时间戳存在天然错位——价格是盘中连续撮合结果，净值是盘后结算结果，合并时必须以交易日期为键，而不是以精确时间戳对齐。

清洗四关：重复、缺失、异常、停牌

第一关是重复记录。多源合并最容易产生重复：同一代码同一日期，可能因为接口分页重复拉取、或行情与净值表连接时产生笛卡尔积而出现多行。处理原则是以“基金代码+交易日期”为唯一主键，用drop_duplicates(subset=["code","date"], keep="last")去重，并保留数据质量标记列记录被丢弃的行数。去重后应校验行数是否等于“标的数量×交易日数量”的理论值，偏差过大说明主键设计或合并逻辑有问题。

第二关是缺失值。缺失分两种性质：一是行情缺失，通常由停牌或数据源漏采造成；二是份额、净值缺失，多因披露滞后。对行情缺失，若前后交易日均有价格且间隔较短，可用前收盘价填充并标记fill_flag=1；若连续缺失超过5个交易日，应将该区间标记为不可用，而不是强行填充。对份额和净值，允许按基金代码做前向填充（ffill），但填充长度需设上限，超过上限的保持空值并在轮动计算时排除该标的。关键原则是：填充必须留痕，底表中保留原始值和填充标记两列，后续回测才能区分真实数据与推断数据。

第三关是异常值。ETF行情的异常值主要有三类：价格逻辑错误（最高价低于最低价、收盘价超出当日高低区间）、涨跌幅越界（单日涨跌幅超过合理阈值，如±11%）、成交额突变（较前20日均值放大数十倍且无对应市场事件）。处理时先做逻辑校验，把high < low或close > high的记录标为异常；再用滚动窗口计算涨跌幅，对超过阈值的点回查原始接口，确认是数据错误还是真实极端行情。真实极端行情应保留，数据错误则置空后按缺失值规则处理。异常值处理不能简单“一刀切”删除，否则会把真实的行业暴涨暴跌误删，反而破坏轮动信号。

第四关是停牌数据。ETF停牌相对个股较少，但仍会因标的指数调整、基金份额折算等临时停牌。识别方法是：成交额和成交量同时为0，且收盘价与前一日相同。停牌期间不应删除记录，因为轮动计算依赖连续的时间序列；正确做法是保留行、将价格标记为停牌、在动量计算时用停牌前最后有效价格参与，并在信号层对长期停牌标的设置剔除规则（如连续停牌超过10个交易日则移出候选池）。

形成可复用数据底表的字段设计

清洗完成后，底表应具备“一次构建、多次调用”的能力。建议的核心字段包括：code（基金代码）、name（基金简称）、industry（所属行业，由跟踪指数映射）、date（交易日期）、close_hfq（后复权收盘价）、amount（成交额）、shares（基金份额）、nav（单位净值）、is_suspend（停牌标记）、fill_flag（填充标记）、abnormal_flag（异常标记）。行业字段的映射需要单独维护一张“跟踪指数—行业”对照表，因为同一行业可能有多只ETF跟踪不同指数，轮动时通常选取规模最大、流动性最好的那只作为行业代表。

数据底表不是一次性产物，而是需要随新交易日滚动更新的基础设施。把上述取数、合并、清洗逻辑封装成可重复执行的脚本，每次运行时只增量拉取最新交易日数据并追加到底表，同时保留历史清洗标记，才能让后续的行业轮动策略建立在稳定、可信、可追溯的数据之上。