另类数据初识：行情财报之外的猎场
我的掌握程度：
先掌握这个答案
另类数据=传统行情/财务之外的信息源。谱系：①舆情类：新闻情绪、社媒（股吧/雪球）、研报文本；②行为类：龙虎榜、北向资金（已减披露）、融资余额、搜索指数（百度指数）；③商业类：电商销量、App活跃度、招聘数据、专利；④物联类：卫星图像（停车场/油罐）、定位数据。价值逻辑：信息在「官方披露」前散落在现实世界里，先采集者拥有时间差优势。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 把行情数字变成可比较的收益
看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。
- 选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
- 没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
- 用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。
使用边界
- 不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
- 模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。
背景 · 从一个困惑说起
当所有人都在用价量财务数据时，有基金开始数停车场的车、爬招聘网站的岗位、买信用卡消费流水——在信息到达市场之前，先一步看到现实的轮廓。
由此产生的问题
另类数据有哪些类型？它的价值逻辑和信息优势是什么？个人研究者的低成本另类数据入口在哪？
核心概念
另类数据=传统行情/财务之外的信息源。谱系：①舆情类：新闻情绪、社媒（股吧/雪球）、研报文本；②行为类：龙虎榜、北向资金（已减披露）、融资余额、搜索指数（百度指数）；③商业类：电商销量、App活跃度、招聘数据、专利；④物联类：卫星图像（停车场/油罐）、定位数据。价值逻辑：信息在「官方披露」前散落在现实世界里，先采集者拥有时间差优势。
为什么需要它
①Alpha的处女地：传统因子竞争白热化，另类数据是差异化所在；②低相关：与传统因子相关性低，组合加入可提升分散度；③门槛即护城河：采集与清洗的脏活本身就是壁垒——个人也有小而美的机会（爬公开数据的情绪因子）。
实际应用场景
个人可及：股吧情绪打分（爬虫+NLP词典）、龙虎榜席位跟踪、招聘数据、百度指数——这些是简历项目的优质素材（阶段9）；机构玩法：买数据供应商（Eagle Alpha等）、自建爬虫合规框架、卫星数据采购。
与之前知识的联系
数据车间的最后一块拼图——传统数据（q-059~069）+另类数据=完整原料视野。合规提醒：爬虫遵守robots/服务条款、内幕信息绝不可碰（q-073）。下一组暂时离开数据，看量化行业与职业地图。
⚠ 常见误解
- 另类数据=内幕数据：另类是「公开但未被系统利用」的信息；内幕是未公开信息——法律边界天壤之别
- 有了另类数据就稳赢：噪声多、覆盖不全、验证周期长，多数另类数据检验后无增量
- 个人玩不起另类数据：公开网页数据（情绪/招聘/指数）零成本可及，是个人相对机构的灵活优势区
🛠 本题实践任务
从akshare探索两个另类数据接口（龙虎榜/融资融券/新闻任意），记录：数据覆盖范围、更新频率、你能想到的一个研究假设。
💡 提示（先自己想5分钟再看）
ak.stock_lhb_*、ak.stock_margin_*、ak.stock_news_em 都是入口；假设格式：「X高的股票，未来N日收益更高/更低」。
✅ 验收标准
两个数据源的档案卡+各一个研究假设。这些假设存进「因子想法库」——阶段5你会逐一检验它们。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（行情数据、财务数据），再用案例、公式和代码帮助理解。此功能需要先启用服务。