打工人必读：金融数据分析，为何与众不同？-CFA篇-原创文章-品职教育专注CFA ESG FRM CPA 考研等财经培训课程

与其他行业数据相比，金融数据的分析一直有着其独有的特性。本文将带着读者了解金融数据的特点、处理思路，并了解相关的应用工具。

下面跟着小编一起来看看吧~

与众不同的金融数据分析

在传统的数据分析领域中，金融数据的分析一直有着其独有的特殊性：

1. 海量数据

以股票市场为例，如果我们要做高频的交易操作，对分钟级的K线进行跟踪分析的话，A股市场单日所产生的数据总量就有近100万条，如果结合财务、上市公司信息等数据，其单日内产生的数据量级会随着数据维度的增加而不断翻倍。

2. 时间序列

如果说数据量级的问题还只是数据分析领域的一个常见问题的话，那么金融数据的时间序列性，即随时间变化而变化的数据，则能充分提现它在数据分析上的独特性。

那么，在实际的数据分析中，我们又是如何对海量的金融数据进行处理和分析的呢？

海量数据处理

在正式讲解海量数据的处理方法前，我们需要先了解数据分析的流程：

通过上面这张图，我们会发现，当我们获取到数据源（即原始数据）后，并不是直接便进入数据分析阶段，而是需要依次进行“数据探索-数据预处理”两阶段。

数据探索—了解数据

在面对原始数据的时候，尤其是海量数据，数据分析师们一开始并不了解该如何对其进行合理的数据分析的，其中最直接的原因，就是数据分析师们其实并不清楚海量数据的真实情况：

有哪些特点？
遵循哪些规则？
集中在那个区间？
是否具有周期性？
是否包含大量的缺失？
……

而所谓的数据探索，就是解决上述列举的问题，帮助数据分析师了解数据的情况，为后续的分析做充足的准备。

常规的数据探索方法有两种：一是描述性统计，二是数据可视化，也就是我们常说的绘图。

听起来数据探索似乎是一个偏学术、理论的概念，但事实上，上述提到的两种数据探索方法及数据探索本身十分普遍，甚至渗透到了我们生活中的角角落落。

依旧以股票为例：

（点击看大图）

上面是股票软件中十分常见的上证指数日K线的截图，相信大多数读者并不陌生。

但正是这张普通的再普通不过的界面，将A股市场每日能产生一百万条左右的原始数据（按分钟线计算），进行了可视化处理，让我们在进行股票分析时，并不需要盯着原始的一条条数据去进行比较分析，而是可以直观地从K线图，以及常规的统计数据中，了解到市场的走势，帮助我们掌握股票交易的趋势及方向。而这，正式数据探索所能为我们带来的帮助。

在实际的数据分析案例中（示例：《前方高能】10年能赚70倍？量化选股带你躺着赚钱！》），我们的数据量级越高，则越需要借助数据探索，帮助我们去了解数据的真实状况。哪怕是我们十分熟悉和了解的数据对象，我们也需要通过数据探索去校验它的规律性是否如我们所想。

数据分析—结果可视化

除了在数据探索的过程中，我们需要借助可视化的工具，在海量数据分析的时候，我们分析后的结果也有可能是复杂的，这个时候，我们也会借助到可视化工具去直观地表现我们分析后的结果。

如，用热力图反映两两股票间的相关性、进行全行业监测、绘制行情股票蜡烛图……

<< 滑动查看下一张图片 >>

注：上图均用Python绘制

可以说，不会画画的分析师不是一个好研究员。

时间序列数据处理

如果说，绘图技能是所有分析师所需要的必备技能，那么对于时间序列数据的处理，则是金融数据分析中的特色项目。

可以说绝大多数的金融数据都是时间序列数据，而试想一下，剥离了时间的金融数据是不是也失去了它独有的魅力呢？

快30岁的A股市场

说到时间序列分析，有些读者可能会迅速想到ARMA、ARIMA这类耳熟能详的分析模型，但如果直接把到手的数据塞进模型里，这显然不是聪明的做法。

未经处理的数据直接放入模型，会大大影响模型预测的结果，因此，在将数据正式进入模型前，我们还需要做一些前期工作：数据探索、预处理、特征构造等工作。

由于时间序列的数据很多特性都是围绕着时间展开，因此涉及到大量对时间处理的操作，如对周期数据的探索、对阶梯性数据的探索、对数据的重采样（将日数据转化为月等）、对特定时期的采样等。

对与时间序列数据的处理复杂且工程浩大，如果没有合适的工具，会需要耗费巨大的时间去处理这些数据，而我们熟悉的Pandas模块中（Python的一种数据分析常见模块，Pandas的作者开发的初衷是应用于金融市场分析）则十分高效地支持了对时间序列数据的处理，让我们能够快速的解决对部分时期数据的提取、采样。