为什么我不推荐个人量化使用自建数据源

量化的本质，是数据加因子加策略：数据是原料，因子是加工，策略是决策。三者层层递进，而数据在最底层——因子从数据里算出来，策略靠因子做决策。但数据质量不决定策略的上限，决定它的下限：数据好，策略未必有效；数据错，因子就是错的，策略建立在错误的因子上，回测再漂亮，实盘也是另一回事。

数据重要，重要到应该用最省力、最可靠的方式拿到它，而不是亲手去建一条管道。这里要澄清一下「自己动手」：我说的是策略主导权——选股、决策、执行不外包给基金；而数据获取是公共基础设施，不构成竞争优势，外包无害。另外先说清楚范围：下面聊的是个人量化最常见的场景——日级别策略、标准行情加财报数据；高频、另类数据的逻辑不一样，文章最后会回到这个边界。

个人量化最容易被忽视的陷阱，是把策略研究变成工程量

我见过太多人（包括当年的我）走上这条弯路：决定做量化之后，第一件事不是找因子，而是建数据管道。爬行情、爬财报、搭数据库、写增量更新，再配上定时任务和监控，工程做得有模有样，成就感满满。

但这是个人量化最容易被忽视的陷阱：把策略研究，变成了沉重的工程量。

个人做量化真正该做的事，是一个循环——寻找因子、调整策略、严格执行。这个循环跑得越快，你进步得越快。而建数据库、维护数据源这件事，不在循环里，它是循环的燃料供应商。把大量时间和精力花在维护数据源上，不是在做量化，是在修管道。管道修得再漂亮，也不会让策略多赚一分钱。

这个陷阱的迷惑性在于，它给你一种「我在做量化」的错觉：每天都有事做，每天都有产出，数据库越来越大，代码越来越多。但停下来一看，因子的想法还是那几个，策略还是没迭代，循环根本没转起来。本末倒置，是这个陷阱最准确的定义。

所以我不推荐个人量化自建数据源，首先不是因为它技术上有多难，而是因为它会把你的精力从核心循环上抽走。其次，才是自建数据源本身那些坑。

其次：自建数据源的三个坑

先界定一下：这里说的自建，是「爬虫、数据库、清洗全套自己造」的那种；从现成源拉数据落库、自己加复权和清洗逻辑的「半自建」，是很多人的现实选择，成本可控，不算坑。真正的自建，有三个坑，每一个都够让个人量化者折戟：

坑一：数据错了，你不会知道。 复权没处理对、幸存者偏差没剔除、财报用了发布日之前的数据、涨停板信号算出来却买不进去——这些错误不会报错，不会提示，它们只是让你的回测曲线变得好看。你以为那是策略有效，其实是数据在骗你，然后你开始调参，越调越离谱，最后在给数据错误配参数。

坑二：维护是永无止境的。 反爬会升级、接口会变、财报字段会调整、除权除息规则要手动补。自建的成本从来不是「写爬虫那两周」，而是之后每一天的持续性消耗。机构有专人干这个，个人只有晚上那点时间——数据管道会悄悄吃光它。

坑三：单人系统没有兜底。 机构的数据管道有 review、有测试、有告警，出错了有人发现有人修。个人一个人写、一个人测、一个人上线，规则写错了没人拦你，静默出错了没人提醒你。单点故障不是概率问题，是时间问题。

还要澄清一句：用现成源不是不用懂数据——复权、幸存者偏差这些坑，你依然要知道它们在哪，才判断得了数据对不对。现成源替你省掉的是踩坑的过程，不是认知。

数据源怎么选：标准是赚得回来

那数据源到底买不买、买哪种？先别急着看功能表，我的标准很简单：这笔钱，你有没有能力赚回来。

起步阶段，免费源（akshare、baostock）完全够用，但要心里有数：它们本质是社区维护的爬虫，接口变动频繁、字段质量参差。用它们不是零风险，只是把维护外包给了社区，而社区不保证可用性。

Tushare Pro 一年 500 块，对做日线策略的个人已经很够。500 块是什么概念？如果策略真的有效，哪怕只带来 0.1% 的年化提升，十万元本金一年就是 100 块——数据费是你账本里小到不该成为决策变量的那行。

如果不追求数据及时性，还有更省的办法：几块钱搞个共享账号，把历史数据一次性下载到本地，慢慢研究。这依然是「用现成源」——你只是把在线订阅换成了本地快照，清洗和复权逻辑自己留着，该怎么做研究还怎么做。这不违背前面的原则：你没有花时间维护管道，只是把数据拿到了手。

花钱还是省钱，不用纠结功能表和数据精度，只问一句：这笔钱，你的策略赚得回来吗？赚得回来，买；赚不回来，那问题的核心也不是数据费——省下这点钱，救不回一个没有 alpha 的策略。

什么时候自建才是合理的

数据源不是绝对不能自建，它只在边界上成立：

• 商业源覆盖不到的数据，比如大宗交易逐笔明细、某些另类数据，买不到就自己搞；
• 个性化加工的数据，比如你自己设计的因子、衍生指标——这不叫自建数据源，叫自建特征工程，该做，而且必须自己做；
• 纯粹想学技术，那完全可以，但要认清这是在为学习付费，不是为省钱，更不是为策略。

判断标准就一条：如果自建是为了「数据更可靠」，多半会失望；如果是为了「拿到商业源没有的东西」，才真正成立。

把时间还给循环

个人量化的胜负手，是「找因子→调策略→严格执行」这个循环的转速。数据是水，策略是鱼，你要做的是用现成的干净水源尽快养出会游泳的鱼，而不是先花两年亲手打一口井。

数据重要，所以更不该亲手去维护它。把维护交给成熟的数据源，把时间留给自己——留给那个真正决定你收益的循环。至于高频、另类数据，那是另一个故事：那里「买不到」是常态，自建才真正开始。但在日级别、标准数据的战场上，把管道外包，把时间留给循环，是投入产出比最高的选择。