数据浏览器使用教程
数据浏览器包含清洗过的财务数据、BARRA 因子等高质量数据。
本教程以 BARRA 因子为例，介绍从下载到使用的流程。
纵览
当开通数据浏览器权限后，可在行情-数据页面，刷新数据浏览器列表，找到对应你需要的高级数据。
代码下载
示例
from xtquant import xtdata
# 第一步：下载数据浏览器全部表信息（metatable）
xtdata.download_metatable_data()
# 第二步：获取表名
metainfo = xtdata.get_metatable_list()
print(metainfo)
参数说明
无参数
返回结果
表对应的中文名，与界面对应
{'cne1d_100_asset_data': '残差风险表', 'cne1d_100_asset_dlyspecret': '资产残差收益表', 'cne1d_100_asset_exposure_wide': '资产对每个因子的暴露度（宽表）', 'cne1d_100_covariance': '因子协方差矩阵', 'cne1d_100_dlyfacret_wide': '因子日度收益', 'cne1_daily_asset_price': '每日资产收益、收盘价和流通市值', 'cne1_rates': '汇率和无风险收益率'}
下载
界面下载
鼠标移动到对应的数据，可以触发下载按钮，点击进入下载页面，整体下载数据
代码下载
你也可以使用如下 Python 代码，将指定的高级数据下载到本地。
# 第二步：下载
k = 'cne1d_100_asset_exposure_wide' # cne1d_100_asset_exposure_wide
# 参数说明对照优化如下
xtdata.download_tabular_data(
stock_list=['XXXXXX.XX'], # 股票代码列表
period=k, # 表名（如BARRA因子表）
start_time='20151001', # 起始日期（YYYYMMDD）
end_time='20300101', # 截止日期（YYYYMMDD）
incrementally=None, # 是否增量下载，默认None
download_type='validatebypage' # 下载类型，通常为'validatebypage'
)
参数说明
| 参数 | 类型 | 说明 |
|---|---|---|
| stock_list | list | 证券代码列表，固定为['XXXXXX.XX']，无需修改 |
| period | str | 数据表名称（如BARRA因子表） |
| start_time | str | 开始日期，格式YYYYMMDD |
| end_time | str | 结束日期，格式YYYYMMDD |
| incrementally | bool/None | 是否增量下载 |
| download_type | str | 下载类型，包含'bypage',按条数下载。'byregion'按时间范围下载。'validationbypage'数据校验按条数下载（注意参数拼写） |
| source | str | 指定下载地址 |
返回结构
下载无返回
使用
界面使用
鼠标移动到对应数据，可以触发应用按钮，点击应用，数据以因子指标形式展示到对应品种主图下方。
在指标上点击右键-编辑指标，可以进入因子公式编辑页面， 查看因子公式写法。
代码调用
你也可以使用如下 Python 代码，调用指定的数据：
示例
from xtquant import xtdata
k = 'cne1d_100_asset_exposure_wide' #
df = xtdata.get_tabular_data([k], ['XXXXXX.XX'], period='', start_time='20251201', end_time='', count=-1)
print(df.head())
print(df.columns)
参数说明
| 参数 | 类型 | 说明 |
|---|---|---|
| field_list | list | 数据表名列表，从get_metatable_list 获取，如 cne1d_100_asset_exposure_wide |
| stock_list | list | 数据库列表，固定为['XXXXXX.XX'] |
| period | str | 时间区间类型，默认为空字符串'' |
| start_time | str | 起始日期，格式为'YYYYMMDD' |
| end_time | str | 结束日期，格式为'YYYYMMDD'，可留空 |
| count | int | 返回记录数量，-1 表示返回全部数据 |
| dividend_type | str | 除权类型，默认'none'，除非有特殊需求无需修改 |
| fill_data | bool | 是否补齐空缺数据，默认为True，通常无需修改 |
返回结构
DataFrame 宽表结构，这里建议执行下一步宽表转换为长表，对应数据字典查看。
cne1d_100_asset_exposure_wide.trade_date ... cne1d_100_asset_exposure_wide.instrument_id
0 20251201 ... 000001.SZ
1 20251201 ... 000002.SZ
2 20251201 ... 000004.SZ
3 20251201 ... 000006.SZ
4 20251201 ... 000007.
表名和对应关系处理
宽表转换为长表
代码示例如下：
# 1. 预处理：去掉不需要转换的非因子列（如果有 id, seq, timetag 等无关列，建议先剔除）
# 根据你提供的列表，这些列似乎不是因子，不需要 melt 进去：
ignore_cols = [
'cne1d_100_asset_exposure_wide.id',
'cne1d_100_asset_exposure_wide.seq',
'cne1d_100_asset_exposure_wide.timetag'
]
# 如果 df 里有这些列，先 drop 掉，防止它们被当成因子
df_clean = df.drop(columns=[c for c in ignore_cols if c in df.columns])
# 2. 重命名“锚点列”（即保持不变的主键列）
# 将宽表里的 id 和 date 映射回长表要求的名字
df_clean = df_clean.rename(columns={
'cne1d_100_asset_exposure_wide.instrument_id': 'sid',
'cne1d_100_asset_exposure_wide.trade_date': 'DataDate'
})
# 3. 使用 melt 进行“逆透视”
# id_vars: 不需要动的列（主键）
# var_name: 原来的列名变成新的一列，这一列叫什么？ -> 叫 'Factor'
# value_name: 原来的单元格数值变成新的一列，这一列叫什么？ -> 叫 'Exposure'
df_long = df_clean.melt(
id_vars=['sid', 'DataDate'],
var_name='Factor',
value_name='Exposure'
)
# 4. 清洗 Factor 列的内容
# 此时 Factor 列里还是 "cne1d_100_asset_exposure_wide.size" 这种长名字
# 我们需要把前缀去掉，只保留 "size", "beta" 等
prefix = 'cne1d_100_asset_exposure_wide.'
df_long['Factor'] = df_long['Factor'].str.replace(prefix, '', regex=False)
# 5. (可选) 大写转换
# 图片里的因子名是 'MARKET', 'SIZE' (全大写)，而宽表列名通常是小写
df_long['Factor'] = df_long['Factor'].str.upper()
# 6. 调整列顺序以完全匹配图片
df_final = df_long[['sid', 'Factor', 'Exposure', 'DataDate']]
# 查看结果
print(df_final.head())
返回结构
DataFrame 长表结构
--- 2. 最终长表 (df_final) ---
sid Factor Exposure DataDate
0 000001.SZ BANK 1.00 20231229
1 000001.SZ BETA 1.20 20231229
2 000001.SZ FOODBEV 0.00 20231229
3 000001.SZ MARKET 1.00 20231229
4 000001.SZ SIZE -0.56 20231229
5 000002.SZ BANK 0.00 20231229
6 000002.SZ BETA 0.90 20231229
...
对应字典查询
(4) CNE1D_100_Asset_Exposure
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| sid | varchar | 股票代码 | 000001.SZ |
| Factor | varchar | 因子 | MARKET |
| Exposure | int | 股票对因子暴露度 | 1 |
| DataDate | int | 日期 | 20231229 |
完整数据字典
CNEXTRD 模型解读
| 模型 | 数据名称 | 描述 | 数据名称 (英文) |
|---|---|---|---|
| CNEXTRD | 因子协方差矩阵 | 各风险因子之间协方差关系的矩阵，对角线元素为单个因子的方差，非对角线元素为因子间的协方差。用于衡量因子波动的相关性，是计算前瞻性风险和优化投资组合的核心数据。 | Covariance |
| 无风险收益率 | 无风险收益率为 SHIBOR（3 个月）的年化收益率 | Rates | |
| 因子日度收益 | 各风险因子在交易日内的收益率，计算方式为股票收益率对各个因子暴露度回归得到。该表为全量历史表。 | DlyFacRet | |
| 每日股票收益、收盘价和流通市值 | 个股总收益率，未复权的收盘价，个股总收益用于计算横截面的回归过程。 | Daily_Asset_Price | |
| 个股残差风险 | 因子模型中无法被系统性因子解释的部分风险，又称非系统性风险或特有风险，用回归残差的标准差衡量。 | Asset_Data | |
| 个股对每个因子的暴露度 | 全部 A 股（含北交所）的市场、行业、风格因子暴露度。风格因子暴露度为偏离全市场平均水平的标准差，行业因子暴露度为虚拟变量，所有股票在市场因子上暴露度为 1。 | Asset_Exposure |
提供的表格列表如下：
数据文件列表汇总
| 文件名 | 释义 |
|---|---|
| CNE1D_100_Asset_DlySpecRet | 资产残差收益 |
| CNE1_Daily_Asset_Price | 每日资产收益、收盘价和流通市值 |
| CNE1_Rates | 汇率和无风险收益率 |
| CNE1D_100_Asset_Exposure | 资产对每个因子的暴露度 |
| CNE1D_100_DlyFacRet | 因子日度收益 |
| CNE1D_100_Covariance | 因子协方差矩阵 |
| CNE1D_100_Asset_Data | 残差风险 |
| CNE1D_100_ETF_Exposure | ETF 组合对每个因子的暴露度 |
| CNE1D_100_Factors | 因子中英文名称映射表 |
(1) CNE1D_100_Asset_DlySpecRet
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| sid | varchar | 股票代码 | 000001.SZ |
| SpecificReturn | numeric | 残差收益 | -0.431576664 |
| DataDate | int | 日期 | 20231229 |
(2) CNE1D_Daily_Asset_Price
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| sid | varchar | 股票代码 | 603088.SH |
| Price | numeric | 收盘价 | 8.62 |
| Capt | numeric | 流通市值 | 373516.9576 |
| PriceSource | varchar | 数据源 | CSC |
| Currency | varchar | 币种 | CNY |
| DlyReturn% | numeric | 日收益率 (单位：%) | 0.466246605 |
| DataDate | int | 日期 | 20231229 |
(3) CNE1_Rates
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| !Currency | varchar | 币种 | CNY |
| USDxrate | numeric | 美元汇率 | 6.5 |
| RFRate% | numeric | 无风险收益率 基于 6 个月 shibor 收益率计算 (单位：%) | 2.53 |
| DataDate | int | 日期 | 20231229 |
(4) CNE1D_100_Asset_Exposure
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| sid | varchar | 股票代码 | 000001.SZ |
| Factor | varchar | 因子 | MARKET |
| Exposure | int | 股票对因子暴露度 | 1 |
| DataDate | int | 日期 | 20231229 |
(5) CNE1D_100_DlyFacRet
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| !Factor | varchar | 因子 | MARKET |
| DlyReturn | numeric | 日收益率 | 0.016697795 |
| DataDate | int | 日期 | 20060105 |
(6) CNE1D_100_Covariance
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| !Factor1 | varchar | 因子 1 | AIRLINE |
| Factor2 | varchar | 因子 2 | AGRICULTURE |
| VarCovar | numeric | 协方差 | 26.53 |
| DataDate | int | 日期 | 20220104 |
(7) CNE1D_100_Asset_Data
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| sid | varchar | 股票代码 | 000001.SZ |
| SpecRisk% | numeric | 残差风险 (单位：%) | 11.09479345 |
| DataDate | int | 日期 | 20231229 |
(8) CNE1D_100_ETF_Exposure
| 字段 | 格式 | 释义 | 样例 |
|---|---|---|---|
| sid | varchar | ETF 代码 | 159150.SZ |
| DataDate | int | 日期 | 20231229 |
| Factor | varchar | 因子 | AGRICULTURE |
| Exposure | numeric | ETF 对因子暴露度 | 0.059283241 |
注：以上文件的 return 数值中，若单位标注为%，则以此为单位；否则以绝对数值为单位。
CNE1D_100_Factors（因子中英文名称映射表）
| Factor | name | FactorGroup | Chinese_name | Factor_Group_Chinese |
|---|---|---|---|---|
| AGR | Agriculture | 2-Industries | 农林牧渔 | 行业 |
| BASCHEM | Chemical | 2-Industries | 基础化工 | 行业 |
| STEEL | Steel | 2-Industries | 钢铁 | 行业 |
| METAL | Nonferrous Metals | 2-Industries | 有色金属 | 行业 |
| ELECTRN | Electronic Engineering | 2-Industries | 电子 | 行业 |
| AUTO | Automobile | 2-Industries | 汽车 | 行业 |
| HOMEAPP | Home Appliances | 2-Industries | 家用电器 | 行业 |
| FOODBEV | Food And Beverage | 2-Industries | 食品饮料 | 行业 |
| TEXTLAPP | Textiles & Apparel | 2-Industries | 纺织服饰 | 行业 |
| LIGHTIND | Light Manufacturing | 2-Industries | 轻工制造 | 行业 |
| PHARMBIO | Pharmaceutical Distribution | 2-Industries | 制药 | 行业 |
| BEAUTYCARE | Health Care | 2-Industries | 医疗器械 | 行业 |
| UTILITY | Public Utility | 2-Industries | 公用事业 | 行业 |
| TRANSPRT | Transportation | 2-Industries | 地面交通 | 行业 |
| REALEST | Real Estate | 2-Industries | 房地产 | 行业 |
| COMMERET | Commercial Trade | 2-Industries | 商贸零售 | 行业 |
| SOCIASER | Social Services | 2-Industries | 社会服务 | 行业 |
| BANK | Bank | 2-Industries | 银行 | 行业 |
| FINAN | Non-banking financials | 2-Industries | 非银 | 行业 |
| CONG | Conglomerates | 2-Industries | 综合 | 行业 |
| BUILDMAT | Building materials | 2-Industries | 建筑材料 | 行业 |
| CONSTDEC | Construction & Decoration | 2-Industries | 建筑装饰 | 行业 |
| ELECEQP | Electrical Equipment | 2-Industries | 电力设备 | 行业 |
| CAPEQ | Capital Equipment | 2-Industries | 机械设备 | 行业 |
| DEFENCE | Defence | 2-Industries | 国防军工 | 行业 |
| COMPUTER | Computer | 2-Industries | 计算机 | 行业 |
| MEDIA | Media | 2-Industries | 传媒 | 行业 |
| COMM | Communications | 2-Industries | 通信 | 行业 |
| COAL | Coal | 2-Industries | 煤炭 | 行业 |
| PETRO | Petroleum and Petrochemical | 2-Industries | 石油石化 | 行业 |
| ENVIRPRO | Environmental Protection | 2-Industries | 环保 | 行业 |
| NE | State-owned Enterprise | 1-Risk Indices | 央国企 | 风格 |
| ANLYSTSN | Analyst Sentiment | 1-Risk Indices | 分析师情绪 | 风格 |
| BETA | Beta | 1-Risk Indices | 贝塔 | 风格 |
| CROWD | Crowd | 1-Risk Indices | 个股拥挤度 | 风格 |
| DIVYILD | Dividend Yield | 1-Risk Indices | 股息率 | 风格 |
| EARNQLTY | Earning Quality | 1-Risk Indices | 盈利质量 | 风格 |
| EARNVAR | Earnings Varibility | 1-Risk Indices | 盈利波动率 | 风格 |
| GROWTH | Growth | 1-Risk Indices | 成长 | 风格 |
| INDMOM | Industry Momentum | 1-Risk Indices | 行业动量 | 风格 |
| INVSQLTY | Investment Quality | 1-Risk Indices | 投资质量 | 风格 |
| LEVERAGE | Leverage | 1-Risk Indices | 杠杆 | 风格 |
| LIQUIDITY | Liquidity | 1-Risk Indices | 流动性 | 风格 |
| LTREVRSL | Long-Term Reversal | 1-Risk Indices | 长期反转 | 风格 |
| MIDCAP | Midcap | 1-Risk Indices | 中盘股 | 风格 |
| MLFAC | Machine Learning | 1-Risk Indices | 机器学习 | 风格 |
| MOMENTUM | Momentum | 1-Risk Indices | 动量 | 风格 |
| Other | Private Enterprise | 1-Risk Indices | 民营企业 | 风格 |
| PROFIT | Profitability | 1-Risk Indices | 盈利能力 | 风格 |
| RESVOL | Residual Volatility | 1-Risk Indices | 残差波动率 | 风格 |
| SEASONALITY | Seasonality | 1-Risk Indices | 股价季节性 | 风格 |
| SIZE | Size | 1-Risk Indices | 大小盘 | 风格 |
| STREVRSL | Short-Term Reversal | 1-Risk Indices | 短期反转 | 风格 |
| VALUE | Value | 1-Risk Indices | 价值 | 风格 |
| MARKET | Market | 5-Market | 市场因子 | 市场 |