2.3 数据源详解：Wind/TuShare/优矿，从行情到财务

一、引言：数据是量化研究的基石

“Garbage in, garbage out.” 在量化投资中，错误、不洁或带有偏差的数据，会直接导致研究结论的失败和实盘的亏损。本节旨在系统梳理A股因子研究的主流数据源，帮助你根据研究阶段、团队规模和预算，搭建一个可靠、高效、可持续的数据基础设施。我们强调流程的严谨性远胜于单一工具的选择。

二、数据全景图：因子研究需要什么？

一个完整的因子投研流程需要以下数据，并需严格处理时间对齐与生存偏差。

数据类型	具体内容	关键用途	核心陷阱
行情与交易数据	日/分钟级：开盘价、最高价、最低价、收盘价、成交量、成交额、复权因子、涨跌停状态、停牌状态。	计算技术指标、收益率、换手率、波动率因子。	前复权与后复权使用错误；未使用调整后收盘价计算收益；忽略涨跌停、停牌导致的不可交易。
财务数据	利润表、资产负债表、现金流量表（季报、中报、年报）；财务指标（Wind、国证等预计算）。	计算价值、质量、成长等基本面因子。	发布日期滞后：财报截止日（如12月31日）与实际公告日（如次年4月底）的混淆，造成“未来函数”。
资本结构数据	股本变动（送转股、增发、配股）、流通股、自由流通股本。	计算市值、构建准确的投资组合权重。	使用总市值而非自由流通市值；未及时处理股本变动。
宏观与行业数据	利率、货币供应量、PMI、行业产量、价格指数等。	构建宏观因子、进行行业轮动。	数据频率（月/季）与交易频率（日）不匹配。
另类数据	新闻情绪、网络舆情、供应链关系、专利、卫星图像等。	挖掘增量Alpha。	数据噪音大、处理复杂、历史长度短、可解释性弱。

核心原则：杜绝未来函数

在任何时点t，构建因子或进行交易决策时，只能使用在时点t已经公开的信息。这是量化研究的第一铁律。

三、主流数据源详解与对比

我们将数据源分为专业商用、开源社区和量化平台三类，并分析其适用场景。

1. 专业商用数据源：Wind（万得）与 Choice（东方财富）

• 定位：机构级，数据全面、准确、服务稳定，是业界的黄金标准。

• 优势：

  • 数据权威性高：经过严格清洗和校验，尤其财务、宏观数据。

  • 覆盖全面：A股、港股、美股、债券、期货、期权、基金、宏观、行业等。

  • API强大：提供成熟的MATLAB、Python、C++等API，方便集成到研究流程。

  • 支持服务：提供数据答疑、定制服务。

• 劣势：

  • 成本高昂：动辄数十万乃至上百万元的年费，对个人和初创团队门槛高。

• 适用场景：公募、私募、券商等专业机构的正式投研与实盘交易。

• A股实践要点：使用Wind时，务必使用其**“交易日历”、“复权因子”** 和 “实际公告日期” 相关函数，可极大避免常见错误。

2. 开源/社区数据源：TuShare、AKShare、baostock

• 定位：免费、开源，满足个人研究者和教育场景的基本需求。

• 优势：

  • 完全免费：无任何费用。

  • 灵活性高：可直接获取代码，了解数据获取逻辑。

• 劣势：

  • 数据质量与稳定性风险：数据源多为网络公开数据，可能存在错误、缺失或更新延迟，无官方保证。

  • 覆盖与历史有限：历史数据长度、数据种类（如深度财务指标、分钟数据）可能不足。

  • 无官方支持：遇到问题需自行解决或依赖社区。

• 代表工具：

  • TuShare：基于Python，接口简洁，涵盖行情、财务、宏观等，是个人研究者入门首选。

  • AKShare：数据源更广，包括新闻、舆情、另类数据等，但接口稳定性变化较大。

• 适用场景：个人学习、算法验证、小规模策略研究。不推荐用于实盘资金管理。

• 实践警告：使用开源数据必须进行严格的数据质量检查（如检查极端值、缺失值、与权威源交叉验证）。

3. 量化研究平台：优矿、米筐、聚宽

• 定位：介于前两者之间，提供“数据+研究环境+回测引擎”的一体化云平台。

• 优势：

  • 上手极快：内置丰富的清洗好的A股数据，无需自己维护数据仓库。

  • 研究回测一体化：在平台内即可完成从数据获取、因子研究到策略回测的全流程。

  • 社区与分享：有策略分享社区，可学习他人思路。

• 劣势：

  • 平台锁定风险：策略代码和研究成果绑定在特定平台，迁移成本高。

  • 功能与性能限制：复杂、高频、定制化需求可能受平台限制。

  • 数据是“黑盒”：对底层数据的具体处理逻辑（如复权、财务发布日期匹配）控制力弱。

• 适用场景：量化新手快速入门、策略灵感验证、参加量化比赛。可作为从研究到实盘的“跳板”，但严肃的实盘策略通常需要独立于平台部署。

综合对比与选择建议

特性	专业商用 (Wind/Choice)	开源社区 (TuShare等)	量化平台 (优矿等)
成本	极高	免费	中低（通常有免费额度，高级功能付费）
数据质量	极高（权威、稳定）	较低（需自行校验）	较高（平台已清洗）
数据覆盖	最全面	基础覆盖	较全面，侧重A股
系统依赖性	低（API调用，可本地化）	低	高（绑定平台）
适合阶段	专业机构、大规模实盘	个人学习、原型验证	快速研究、策略探索、模拟盘

选择策略：

• 学生/个人研究者：从 TuShare/AKShare 开始，完成课程作业和初步想法验证。深入时使用量化平台的免费环境。

• 初创私募/团队：在策略验证期可使用量化平台提高效率。在策略成熟、准备上实盘时，必须投资Wind/Choice等专业数据，并建立本地的数据校验和备份体系。

• 成熟机构：以Wind/Choice为主，自建数据仓库，并可能接入交易所原始数据进行高频交易。

四、实战数据工程：构建可复现的研究环境

无论选择何种数据源，都必须建立标准化的数据处理流程。以下是一个可参考的本地化框架结构：

量化研究项目/
├── data/
│   ├── raw/           # 存放从源下载的原始数据
│   ├── processed/     # 存放清洗、结构化后的标准数据
│   └── database/      # 可选用SQLite/Parquet格式存储
├── src/
│   ├── data_fetcher/  # 数据获取模块（调用Wind/TuShare API）
│   ├── data_cleaner/  # 数据清洗模块（处理缺失、异常、复权）
│   ├── factor_calc/   # 因子计算模块
│   └── utils/         # 辅助函数（交易日历等）
├── config.yaml        # 配置文件（数据路径、API key等）
└── pipeline.py        # 主流程脚本

关键清洗步骤示例（以日行情为例）：

# 伪代码逻辑
def clean_price_data(raw_df):
    # 1. 确保有‘trade_date’和‘symbol’列
    # 2. 按日期和代码排序
    # 3. 处理缺失值：前向填充？或标记为停牌？
    # 4. 计算调整后价格：close * adj_factor
    # 5. 计算收益率：使用调整后收盘价，注意停牌日
    # 6. 标记涨跌停状态（基于未复权价格）
    # 7. 创建“是否可交易”标志：非停牌、非涨跌停
    return cleaned_df

财务数据日期对齐（严防未来函数核心！）：

# 错误做法：用财报期末日期（如2023-12-31）直接作为信息使用日
# 正确做法：用财报实际公告日（Announcement Date）作为信息使用日
# 在t日，只能使用“在t日及之前已公告”的财务数据。

# 假设有财务数据表financials，包含`report_date`（财报期末日）和`announce_date`（公告日）
# 在计算t时刻的因子时：
available_financials = financials[financials['announce_date'] <= t]
# 对每个股票，取available_financials中最近一期的报表数据来计算因子

五、本节小结

没有高质量的数据，任何复杂的模型都毫无意义。在A股因子投资中：

1. 根据你的阶段和预算选择工具，但要清楚每种选择的优劣和风险。

2. 建立可复现、可审计的数据流水线，确保每一步处理逻辑清晰、有据可查。

3. 时刻警惕“未来函数”，在数据层面建立防火墙，这是区分业余与专业的关键。

4. 从简单开始：使用TuShare或免费量化平台，完全可以完成本教程前几章的所有学习性研究。当策略显示出真正的潜力时，再投资于专业数据和服务。

接下来，我们将进入第2.4节：《2.4 复现案例：在A股复现一个经典价值因子（代码+数据）》，手把手带你完成第一个从数据获取、因子计算、组合排序到绩效分析的端到端完整案例，将本节的所有理论付诸实践。