策略的"食材"——数据从哪里来

是什么：每一笔交易的价格和成交量，按时间聚合后就是日线/分钟线/逐笔数据。这是所有量化策略的基础"食材"。就像做菜离不开盐，做量化离不开价量数据。

能用来做什么：技术指标（均线、MACD、RSI）、趋势跟踪、波动率策略、成交量分析。

获取途径：免费——券商交易软件自带、开源Python库（yfinance、akshare、tushare免费版）；付费——聚宽、米筐等平台的付费数据接口。

优点：覆盖面广、结构简单、容易获取。

缺点："所有人都能看到"——策略拥挤度高。如果一个策略只用价量数据就能稳定赚钱，很可能已经被无数人发现并"挤死了"。

是什么：上市公司的财务报告数据——营收、净利润、资产负债率、现金流、市盈率(PE)、市净率(PB)、ROE等等。通常按季度更新。

能用来做什么：价值因子策略（买便宜好公司）、质量因子策略（买盈利能力强的公司）、成长因子策略（买收入/利润增长快的公司）。

获取途径：A股——东方财富、同花顺有免费公开数据（但需要自己爬或通过库）；万得(Wind)、通联(Datayes)提供结构化付费数据。美股——SEC EDGAR（免费）、Yahoo Finance（免费但有延迟）。

优点：逻辑清晰——"买便宜好公司"这个想法本身经得起历史检验。

缺点：更新频率低（季度）、会计数据有"粉饰"可能、不同国家会计准则不同需要标准化处理。

是什么：所有非传统金融数据的总称。包括但不限于：卫星图像（数沃尔玛停车场的车来预测季度销售额）、信用卡消费数据（匿名汇总）、手机位置数据（数星巴克门店客流量）、天气数据（预测农产品期货）、电商评论、App下载排行榜。

能用来做什么：提前预测公司季度表现、发现供应链变化趋势、捕捉消费者行为迁移。

获取途径：专门的另类数据供应商（如Orbital Insight卫星数据、Hedgeye调研数据、Thinknum另类数据）。年费几千到几十万美元不等。

优点：信息优势——"你的数据别人没有，你就比别人先知道"。

缺点：贵、分析难度高、数据合规风险（个人隐私、数据来源合法性）。个人量化交易者基本用不上。

是什么：从文本中提取出来的"市场情绪"指标。新闻情感分析（这篇关于某公司的新闻是正面还是负面？）、分析师评级变化（上调/下调的频率和幅度）、社交媒体讨论热度（某股票在雪球/Reddit上被提到的次数和语气）。

能用来做什么：事件驱动策略（财报电话会议后快速分析管理层语气变化）、舆情反转策略（过度悲观时抄底，过度乐观时减仓）。

获取途径：新闻——路透社、彭博的新闻终端；社交媒体——爬取（需注意合规）、付费API。NLP开源工具——Hugging Face上有大量预训练情感分析模型可以直接用。

优点：时效性强、能捕捉"数据未反映但市场已开始定价"的信息变化。

缺点：NLP不完美——中文的情感分析比英文难得多（反讽、阴阳怪气、术语）、噪音大、信号不稳定。

① Python的akshare库——开源免费，覆盖A股全量数据；② 聚宽/米筐的社区版——有免费的回测环境和数据（有限额）；③ 本地券商软件——手动导出日线CSV文件。