量化选股模型的基础数据主要分为三类：行情数据、财务数据和另类数据。行情数据提供价格与成交量，财务数据反映公司基本面，另类数据则包括舆情、产业链等非传统信息。三者缺一不可，是构建有效模型的前提。
核心数据分类与常见因子
行情数据是最基础的数据层，包括开盘价、收盘价、最高价、最低价、成交量、换手率等。这类数据用于计算动量因子（如过去N日收益率）、波动率因子等。行情数据通常以日频或分钟频获取，需注意复权处理（前复权或后复权），以消除分红、送股对价格连续性的影响。
财务数据用于构建估值与质量因子。常见指标包括：
- 市盈率（PE）：衡量股价与盈利的比值，反映市场估值水平。
- 市净率（PB）：股价与每股净资产的比值，常用于金融、周期行业。
- 净资产收益率（ROE）：净利润与净资产的比值，代表股东回报效率。
- 营收增长率、毛利率、负债率等，用于评估企业成长性与财务健康度。
财务数据发布频率低（季报/年报），且存在披露滞后性（如年报在次年4月底前完成披露），建模时必须做数据对齐——即使用最新可得数据，而非最新报告期数据，否则会引入未来信息偏差。
另类数据包括：新闻舆情（文本情绪分析）、产业链数据（如上游原材料价格）、机构调研记录、专利数量等。这类数据能提供传统指标之外的增量信息，但获取成本高、清洗难度大，适合进阶模型。
数据清洗与回测对齐
数据质量直接决定模型可靠性。关键清洗步骤包括：
- 去极值处理：剔除因数据错误或极端事件（如停牌复牌后跳空）导致的异常值，常用MAD（中位数绝对偏差）或百分位截断。
- 缺失值填充：财务数据常出现缺失（如新上市公司无历史数据），可填充行业均值或前值。
- 数据对齐：确保所有因子在同一时间截面（如每月最后一个交易日）计算，且使用当时可获取的数据。回测中需严格模拟无未来函数，例如使用T-1日收盘价计算因子，T日开盘买入。
免费与付费数据源对比
| 数据源类型 | 代表平台 | 优势 | 局限 |
|---|---|---|---|
| 免费 | Tushare、AKShare、东方财富Choice（部分免费） | 零成本，适合学习与轻量回测 | 数据频率低（多为日频），财务数据更新可能延迟，稳定性一般 |
| 付费 | Wind、聚宽（JQData）、RiceQuant（RQData） | 数据全（分钟级/Tick级），清洗规范，售后支持 | 年费数千至数万元，门槛较高 |
选型建议：初学者先从免费数据源（如AKShare）搭建原型，验证策略逻辑；实盘或高频策略需切换至付费数据源，确保数据完整性与时效性。
常见问题
量化选股模型必须用实时行情数据吗？
不一定。 多数选股模型基于日频数据（收盘价、成交量）即可。高频策略（如日内回转交易）才需要分钟级或Tick级数据，且对数据延迟要求极高，通常需要付费数据源支持。
回测中如何避免“幸存者偏差”？
核心方法是使用全样本数据，包括已退市、被ST的股票。 免费数据源通常只提供当前存续股票的历史数据，需手动补充退市股数据，或使用付费数据源（如Wind、聚宽）提供的“全量历史”接口。
财务数据更新慢，会影响模型效果吗？
会，但可通过“最新可得数据”规则缓解。 例如，4月底发布年报后，模型应立刻切换到最新数据，而非等待所有公司披露完毕。常见做法是每月末更新一次财务数据，确保因子计算基于当时的最新报告。