另类数据概览
另类数据的卖点是领先于公开财务数据：卫星影像数停车场、信用卡流水数营收、App 下载量、网络流量、招聘帖子。但领先性是有代价的：
- 稀疏且噪声大：覆盖面窄、口径不稳定，信噪比远低于行情数据；
- 样本期短：多数另类数据只有 5–10 年历史，覆盖不了一个完整的宏观周期，几乎无法验证稳健性；
- 衰减快：一旦被广泛使用，信号迅速消失——另类数据的 alpha 生命周期通常以年计；
- 容易过拟合：样本短 + 维度高 + 尝试次数多，是数据挖掘偏差的高发区。
评估清单：一个数据源是否值得接入
Section titled “评估清单：一个数据源是否值得接入”接入前逐条回答：
- 样本期能否覆盖至少一次大级别的市场危机？
- 数据的首次可得日期（first availability）是否可靠？历史值是当时采集还是事后回填？
- 覆盖的截面（多少只股票/多少资产）与更新的频率？
- 信号构造后与已知因子的相关性？相关性 > 0.7 的"另类"数据只是旧因子的噪声放大器；
- 合规边界：个人隐私（GDPR、个保法）与内幕信息的界限？
第三条尤其重要：历史值是"当时知道"还是"后来补的"——供应商常把今天才能做到的清洗质量回填到历史，造成隐蔽的前视。
| 阶段 | 主要成本 |
|---|---|
| 采购 | 年费通常五位数美元起 |
| 清洗与对齐 | 远超采购成本：口径、缺失、时点 |
| 验证 | 样本短导致统计功效不足，见假设检验与 t 统计量 |
量化中的用法
Section titled “量化中的用法”- 样本期短于一个完整周期的数据只做研究、不给实盘权重；
- 首次可得日期进入元数据，与行情按 as-of 对齐；
- 文本类另类数据的细节见文本与 NLP。
- 样本期短于一个完整周期的数据几乎无法验证
- 关注数据的"衰减"：一旦被广泛使用，alpha 会迅速消失
- 合规：个人隐私与内幕信息边界