如何搭建量化投资研究系统？（数据篇）
一、量化投资，数据是基础
量化投资的理念现在越来越被人熟知，不论是在学校还是在职场，对量化投资感兴趣，想要一试身手，甚至是将Quant定为职业目标的人也越来越多。不过许多朋友现在还只是临时搜罗有限的数据，做一些零星的研究、测试和计算。与其这样没有明确目标地小打小闹，不如着手建立一个比较完善的“量化投资研究系统”，下面我将和朋友们分享一下我在这方面尝试的心得。
中国有句古话叫做“兵马未动，粮草先行”，对于量化投资研究而言应该改为“模型未动，数据先行”，高质量的数据是出色研究的基础。需求决定功能，我们要做哪方面的量化投资研究，决定了我们需要哪些数据。
我所理解的量化投资研究大致包括3块内容：
- 学术化的研究工作，例如金融时间序列分析，这一块研究主要集中在各种金融产品的交易数据上，例如股票、期货、期权的价格，基金净值等等；
- 构建交易策略或投资组合，这一块研究需要交易数据、宏观经济指标和公司财务数据等等；
- 策略回测，这一块研究需要大量历史交易数据，用来测试评估交易策略和投资组合。
“天下没有免费的午餐”，为了获得数据，要么付出金钱成本，购买数据终端（例如Wind终端）；要么付出时间成本，自己动手搭建维护一个金融数据库。如果没有机会摆弄万得、彭博，还是毛主席那句话——“自己动手，丰衣足食”。
信息时代，最大的数据源就是互联网，而且在绝大部分情况下，互联网可以提供公开免费的数据。所以我们要搭建的数据库实际上是依赖“网络爬虫”获取互联网上的数据。不过在讨论如何获取数据之前，为了确保将来的工作简单高效，先要“约法三章”：
- 尽量以下载文件，而不是抓取网页内容的方式获得数据；
- 尽量减少抓取网页的次数，换言之，一张网页上的数据要尽可能的多；
- 尽量抓取静态网页内容，而不是动态网页。（有一个简单的规则区别静态和动态网页，如果网页内容变化之后，地址栏里的URL链接跟着变化，就是静态网页，反之则是动态的。）
二、寻找金融数据源
废话不多说，下面正式讨论如建立自己的金融数据库（目前只限于股票和基金数据）。
首先来到上交所和深交所的网站，目的是找到股票代码和指数代码列表。深交所以文件下载的方式提供股票和指数代码（业界良心），上交所则是以网页形式提供。天天基金网以网页的形式提供了基金代码列表（网址http://www.1234567.com.cn/allfund.html）。
基金代码（天天基金网）
接下来看股票和指数的交易数据，要想获得这些数据，一个最自然的想法就是到主流门户网站上去找。事实上网易、新浪、和讯和东方财富等门户网站都以网页的形式提供每日交易数据。不过网易这一次成为了业界良心，网易提供数据下载服务，可以下载csv文件获得股票和指数的历史交易数据，以及股票最近一周的高频交易数据。网易提供的数据甚至包括除权调整过的昨收数据（妈妈再也不用担心我计算收益率了，真是业界良心啊）。
历史交易数据（平安银行）
成交明细（平安银行）
和交易相关的另一种重要数据是“复权因子”，可惜提供复权因子数据的网站并不多，新浪这一次成为了业界良心，新浪以静态网页的形式提供每日的复权因子。
复权因子（平安银行）
基金净值数据，和股票跟指数一样，门户网站大多以网页的形式提供历史净值数据，不过和讯这一次做了业界良心，和讯在基金的历史净值网页上展示了该基金所有的历史净值数据。
基金净值（华夏成长）
一些基本资料层面的数据，例如上市公司的基本资料，基金的基本资料等，对于这些数据，网站之间的大同小异区别不大。
最后看上市公司的财务数据，有些类型的量化投资特别需要研究公司财务数据，尤其是量化选股，需要大量财务数据构造因子，用来对股票估值和预测未来收益率。不过对比多家网站之后，不幸地发现不同网站提供的财务数据格式不尽相同，数据内容也是有出入。这一部分数据的搜集比想象的要复杂得多，将来会专门写一篇文章讨论这个问题，暂时搁置一下。
三、开始搭建金融数据库
通过上面的文章，数据源已经基本确定了，接下来就要“修渠引水，汇入水库”。水库的话，就选择最常用的数据库MySQL；水渠的话，这里用R语言。
前面讲过了，整个数据库依赖网络爬虫获得数据，所以修水渠之前要先掌握下面几个方面的基本知识：
- R的语法，以及如何使用RCurl、XML、xml2等R包设计爬虫；
- 网页的基本结构，以及如何利用FireFox浏览器的FireBug插件或Chrome浏览器研究网页结构；
- 正则表达式；
- XPath语法，以及使用XPath提取html文件中的特定节点。
看起来需要很多的知识准备，不过以我个人的经验，每个方面只要掌握最基本的知识就可以利用R做出一个靠谱的爬虫。如果想要集中时间系统化的学习上述知识，这里推荐两本书《AutomatedData Collection with R》、《XML and WebTechnologies for Data Sciences with R》和一篇网络教程《55分钟学会正则表达式》。
接下来用一个实例演示如何获得数据。
首先，到交易所网站手工收集整理A股的股票代码和指数代码列表，分别保存在文件SH.A.list.txt、SH.IDX.list.txt、SS.A.list.txt、SS.IDX.list.txt中。用R函数readLines读取称为相应的字符串向量，接着构造“市场代码向量”用来标识股票和指数对应的市场，沪市记为0深市记为1，将这些向量组合成数据框（data.frame，R中常用的数据结构，类似excel表格）A.list和IDX.list。
第二步，找到包含所需信息的网页，解析网页链接的模式。
以平安银行为例，现在想要获得股票的首次上市日。网易平安银行的网页链接是http://quotes.money.163.com/1000001.html，1000001中开头的1是市场代码，000001是股票代码。在Chrome中打开网页，按F12打开网页分析工具，找到“首次上市”节点，右键复制XPath，即“/html/body/div[2]/div[22]/div[2]/p[9]”。
在R中运行下面的语句：
# 加载xml2和stringr包
library(xml2)
library(stringr)
# 链接
url <- "http://quotes.money.163.com/1000001.html"
# 读取网页
html <- read_html(url)
# XPath
path <- "/html/body/div[2]/div[22]/div[2]/p[9]"
# 找到“首次上市”节点
date <- xml_find_all(html,
xpath = path)
# 转化成文本
date <- xml_text(date)
date
# 如果乱码，修改编码
Encoding(date) <- "UTF-8"
date
# 用正则表达式提取日期
date <- str_extract(date,
"[0-9]{4}-[0-9]{2}-[0-9]{2}")
date
最后得到date=”1991-04-03”，正是想要的首次上市日期。
如果是下载文件的话，先要通过浏览器获得下载地址，例如
其中蓝色的是市场代码，红色的是股票代码，绿色的是日期，紫色的是数据项。
R中的download.file函数可以用于下载文件，或是借助RCurl中的getBinaryURL函数，并配合使用writeBin函数。在R中运行下面的语句：
url <- "http://quotes.money.163.com/service/chddata.html?
code=1000001&start=19910403&end=20150629&fields=TCLOSE;
HIGH;LOW;TOPEN;LCLOSE;CHG;PCHG;TURNOVER;
VOTURNOVER;VATURNOVER;TCAP;MCAP"
# 方法一
download.file(url,
destfile = "000001.csv")
# 方法二
file <- getBinaryURL(url)
writeBin(file,
con = "000001.csv")
就可以下载平安银行的历史交易数据。
在成功获得数据，并保存到若干csv、txt文件之后，最后一步就是导入数据库MySQL。借助R包RMySQL，可以实现R和MySQL的连接，在R环境中直接操作MySQL数据库。
# 载入RMySQL包
library(RMySQL)
# 建立数据库连接
conn <- dbConnect(MySQL(),
dbname = "数据库名",
username = "用户名",
password = "密码")
# 启动非严格模式
dbSendQuery(conn,
"SET @@sql_mode=ANSI;")
# win7环境下如果汉字乱码，就运行这条命令
dbSendQuery(conn,
"SET NAMES GBK")
将文件中的数据导入数据库可以使用下面的R命令：
sql <- "load data infile ‘文件名’
into table 表名
character set GBK
fields terminated by ','
lines terminated by '\r\n';"
dbSendQuery(conn, sql)
至此，金融数据库从无到有。未来数据库的维护工作可以安排在周末，利用一个下午的时间，运行R程序获取这一周新增的数据，并导入MySQL。在实际操作中，建库和维护会遇到很多琐碎的细节问题，比如说网页编码、股票退市、新发股票、网站出现故障、表的设计等等，这里不能展开来讲，只能在动手的过程中自己摸索，具体问题具体分析具体解决。