数据决定了策略的「视力上限」：用日线数据做不出微观结构策略，用滞后财报做不出及时的基本面因子。本篇按四大类数据梳理其结构、用途与每类数据特有的陷阱——陷阱清单比功能清单更有价值。
行情数据：粒度即世界
| 粒度 | 内容 | 适配策略 | 关键陷阱 |
|---|---|---|---|
| Tick/逐笔 | 每笔成交（价、量、方向）+ 逐档十档盘口快照 | 高频、做市、微观结构 | 数据量巨大（全市场日均百 GB 级）；A 股 tick 是快照不是真逐笔，3 秒内的先后顺序不可见 |
| 分钟 Bar | 1/5/15/60 分钟 OHLCV | 日内、短线 | 不同数据商的 bar 切分时点可能不同（1 分钟 bar 以左边界还是右边界命名） |
| 日线 Bar | OHLCV + 复权因子 | 中低频、多因子 | 复权口径（后文）；成交量是否含大宗交易、盘后固定价格 |
| 指数与基金 | 指数点位、ETF 净值与 IOPV | 基准、套利 | 指数口径（价格/全收益）——用价格指数算超额会漏掉股息 |
复权值得单独强调：分红除权会让原始价格序列「跳空」，必须复权才能算真实收益。后复权以上市首日为基准向后调整（价格连续、适合算收益），前复权以最新价为基准向前调整（图形直观、但历史价格随每次分红重算——缓存的前复权数据在分红后会与旧缓存不一致，这是回测版本漂移的常见元凶）。详见A 股数据特有问题 。
基本面数据：核心是「时间戳」
基本面数据的困难从来不是数值，而是何时可知：
- 财报：报告期（12-31）≠ 公告期（次年 3–4 月）。任何因子计算必须以公告日为可知时点——用报告期对齐是基本面因子最大的前视偏差来源（见数据清洗 ）；
- 业绩预告/快报/正式财报：同一指标有三个可知时点，PIT 数据库要区分「哪个版本在哪个日期生效」（更正公告也要处理：后来修正过的数字，当时市场看到的是旧值）；
- 一致预期（分析师预测）：滚动 12 个月的共识 EPS、预测调整方向。陷阱：分析师覆盖度随市值急剧变化——小盘股可能只有 1–2 个分析师，「共识」噪声极大，因子要对覆盖家数做过滤；
- 股东户数、北向持股、大宗交易、回购进度：披露频率不一（周度/日度/事件驱动），对齐时要用「最近一次披露值 + 披露日期」的双列结构。
另类数据：alpha 的富矿与合规的雷区
广义另类数据（替代数据）的四类代表：
| 类型 | 例子 | 量化用法 | 主要风险 |
|---|---|---|---|
| 舆情文本 | 新闻、社交媒体、研报情绪 | 情绪因子、事件识别 | 语义模型偏差；数据商用数据反灌（自我实现后失效）；造假刷量 |
| 卫星/地理 | 停车场车辆、油罐阴影、夜间灯光 | 产量与客流的高频估计 | 成本高；对个别公司适用面窄 |
| 供应链/企业图谱 | 招投标、上下游关系、招聘 | 产业链传导因子、景气验证 | 数据稀疏；滞后于真实业务 |
| 交易行为 | 北向资金、龙虎榜席位、大宗折价 | 资金流因子 | 披露规则变化会直接杀死因子（北向实时数据 2024 年停止披露） |
另类数据的两条纪律：合规先行——爬虫抓取要过《数据安全法》与 robots 协议的红线（详见数据来源 ）；检验标准不降级——另类不等于免检，同样的 IC/分组/成本检验流程照走（见因子检验 ）。
宏观与行业数据：低频但重要
月度/季度/年度的宏观序列（PMI、CPI、社融、M2、利率、汇率）与行业数据（产量、库存、开工率）。三个使用要点：
- 发布滞后必须建模：PMI 月末发布（当月值）、社融次月中旬发布（上月值）——「用 1 月社融」最早在 2 月中旬才知道。宏观数据的前视偏差比财报更隐蔽，因为「月」的归属天然含糊；
- 修正是常态：GDP、工业增加值几乎每年修正，PIT 存档「首次发布值」才有意义（市场当年交易的是首值）；
- 低频限制样本量：20 年月度数据只有 240 个点——宏观因子检验天然统计功效不足，结论要格外谦逊（见多重检验 ）。
选型的统一原则：数据的粒度与频率必须匹配信号频率（日线因子不必买 tick）；每接入一类新数据，先花一天做「陷阱审计」（时间戳口径、复权口径、披露规则），再写第一行因子代码——审计的花费永远低于用错数据的回测误导成本。