用途：在学术研究场景中获取、清洗并分析金融数据，覆盖公开 API 数据采集、清洗流程与实证金融研究的常见分析技术。
数据获取：资料列出常用公开来源，包括 Yahoo Finance（价格与基本面，免费，Python 包 yfinance）、FRED 圣路易斯联储（宏观指标，免费需 API key，包 fredapi）、SEC EDGAR（公司申报文件 10-K、10-Q，免费，包 sec-edgar-downloader）、WRDS（CRSP、Compustat、IBES，需院校订阅，包 wrds）、Alpha Vantage（实时与历史价格，有免费档，包 alpha_vantage）。示例用 yfinance 下载多只股票的调整后收盘价，用 fredapi 按系列 ID（如 GDP、CPIAUCSL、FEDFUNDS、UNRATE、DGS10、VIXCLS）拉取宏观数据并拼成 DataFrame。
清洗流程：示例给出标准管线——统计缺失比例、对市场休市最多前向填充 5 天、删除剩余缺失行、用日收益率 5 倍标准差标记离群值、并断言索引单调递增且无重复行。
指标计算：示例计算简单收益率与对数收益率、年化收益（均值×252）、年化波动（标准差×√252）、夏普比率，以及基于累计净值与滚动最大值的最大回撤。
事件研究：流程为定义事件窗口（如财报公告前后各 5 个交易日）、在估计窗口（如 [-250, -30]）用市场模型估计正常收益、计算异常收益 AR=实际-预期、跨公司汇总累计异常收益 CAR，并用参数（Patell）与非参数（符号检验）方法做显著性检验；建议同时报告原始与风险调整结果，并用不同估计窗口与基准模型做稳健性检验。
可复现性：建议将全部数据处理步骤保存在版本控制脚本中，用 to_parquet() 存储中间数据集，并记录数据来源，包括下载日期、API 版本与所用筛选条件。
限制：资料未说明该技能是否提供可直接调用的安装命令、包名或自动化脚本，也未给出收费、价格、平台支持范围与效果保证，这些内容暂未提供。