数据认知

先看一个「假暴跌」

某只股票昨天的收盘价是 34.70 元，今天一开盘，行情软件上显示昨收价变成了 17.35 元——价格「腰斩」了。如果你只看价格序列，会以为这家公司一天跌了 50%，发生了什么重大利空。

实际上什么都没发生。这家公司今天「10 送 10」：每持有 1 股，公司白送你 1 股，你的股数翻倍，每股价格减半，你账户里的总市值一分没变。这就是除权。行情软件上的价格「跳空」，是股本变化造成的记账口径变化，不是真实的下跌。

这个例子说明一件事：原始行情数据不会自动告诉你真相。做量化研究，第一步不是写策略，而是搞清楚手里的数据到底是什么口径、有什么坑。本章就把日频研究最常用的数据——K 线数据——从字段到陷阱过一遍。

OHLCV：一根 K 线里的五个字段

日线数据里，每一天用五个数字概括，合称 OHLCV。用 A 股的说法：

开盘价（Open）：当天第一笔成交的价格。A 股由 9:25 集合竞价产生；
最高价（High）：当天所有成交里的最高价格；
最低价（Low）：当天所有成交里的最低价格；
收盘价（Close）：当天最后一笔成交的价格，也是计算涨跌幅、收益率最常用的基准；
成交量（Volume）：当天成交的总股数（A 股行情软件常以「手」为单位，1 手 = 100 股）。

四个价格之间有一个天然的约束：最高价 ≥ 开盘价、收盘价 ≥ 最低价。任何一根不满足这个约束的 K 线都是脏数据，后面会讲怎么批量检查。

四个价格描述了「这一天价格走过的轨迹」，成交量描述了「有多少人参与了这段轨迹」。同样的涨幅，放量和缩量背后的含义完全不同——这是第二编很多策略会用到的事实。

复权：把「假跳空」修平

为什么需要复权

除权除息（送股、转增、分红、配股）会让股价出现与涨跌无关的跳空。如果不处理，直接用原始价格算收益率，10 送 10 这天会算出 −50% 的「收益」，整个回测都是错的。

处理方法叫复权：选定一个口径，把历史价格按复权因子换算到同一口径下，让价格序列在除权日前后保持连续。常用的是前复权——以最新价格为基准不动，把除权日之前的历史价格向下换算。

公式：复权因子

$f_t = \frac{P^{raw}_t}{P^{adj}_t}$

人话解释： $P^{raw}_t$ 是第 $t$ 天行情软件上的原始（不复权）收盘价， $P^{adj}_t$ 是同一天复权后的收盘价， $f_t$ 就是两者之间的换算比例。除权日之后没有发生股本变化，复权价等于原始价， $f_t = 1$ ；除权日之前，原始价是复权价的两倍， $f_t = 2$ 。拿到某一天的价格想换算口径，乘或除以当天的复权因子就行： $P^{adj}_t = P^{raw}_t / f_t$ 。

手算一遍：一只股票除权日前一天收盘价 20.00 元，实施 10 送 10——每 1 股变成 2 股。总市值不变，所以除权日的参考价为：

$20.00 \div (1 + 1) = 10.00 \text{ 元}$

于是复权因子 $f = 20.00 / 10.00 = 2$ 。做前复权：除权日及之后 $f = 1$ ，价格不动；除权日之前 $f = 2$ ，历史价格都除以 2。比如除权前三天的收盘价是 19.60、19.80、20.00，前复权后变成：

$19.60/2 = 9.80,\quad 19.80/2 = 9.90,\quad 20.00/2 = 10.00$

序列从 ……9.80、9.90、10.00 平滑地接到除权日的 10.00 元附近，假跳空消失。验算一下持有人的账：除权前持有 1 股值 20 元，除权后持有 2 股 × 10 元 = 20 元，市值不变，真实收益率是 0%——而复权后的价格序列正好也显示 0% 附近的涨跌，对上了。若用不复权价格算，会得到 $(10 - 20) / 20 = -50\%$ ，这就是错的那 50 个百分点。

图：不复权 vs 前复权

下面用合成数据演示同样一段行情的两个口径：2025-05-26 那天实施 10 送 10（第 61 个交易日）。不复权价格当天从 34.70 直接跳到 17.31，像暴跌；前复权价格则平滑地跨过这一天，看不出任何异常。

研究时用哪个口径？ 算收益率、算指标，一律用复权价；涉及「当时的真实挂单价格」（比如模拟涨跌停能不能成交）时要记得复权价不是当时的真实价格。最稳妥的做法是两套都存着，按用途取用。

停牌与涨跌停：价格存在 ≠ 你能成交

回测里最常见的隐藏假设是「信号出现的价格，我一定能成交」。A 股的两条规则经常让这个假设失效：

涨跌停限制：主板个股单日 ±10%，创业板、科创板 ±20%，北交所 ±30%，ST 股 ±5%（主板）。一旦封死涨停，你想买买不进；封死跌停，你想卖卖不出。回测如果假设「跌停价卖出成功」，会把亏损严重低估。
停牌：公司可以因重大事项暂停交易，短则一天，长则数月。停牌期间没有成交、没有新价格，你的仓位被锁死，任何卖出信号都无法执行。数据上表现为日期序列里凭空缺一段，或者价格连续多天不变。

另外别忘了 T+1：当天买入的股票，最快下一个交易日才能卖出。回测里「今天买、今天卖」的日内操作在 A 股个股上是不合法的（底仓除外）。

对回测的直接要求：模拟成交前先检查「这一天这个方向能不能成交」——停牌日不能成交，封死涨停不能买入，封死跌停不能卖出，买入当天不能卖出。做不到这几条，回测收益会系统性地偏乐观。

幸存者偏差：回测池里全是「活下来的」

人话：你今天能下载到的股票名单，是活到今天的股票。退市、破产、被合并的公司已经从名单里消失了。如果你拿着「当前沪深 300 成分股」回测十年前开始的策略，等于只考察了这十年里的赢家——那些当年也在指数里、后来跌没了的股票被悄悄剔除了。这样测出来的收益，是「幸存者」的收益，不是策略真实的收益。

具体例子：有人说「长期持有白马股稳赚不赔，你看过去十年这些龙头翻了多少倍」。问题在于「这些龙头」是用今天的视角挑出来的。十年前同样被称为白马的公司里，有的已经退市、有的跌去九成。用今天的名单回测过去，起点就自带正确答案，结论没有参考价值。

对策：回测的股票池必须使用「当时的历史成分」，退市股票要留在样本里（允许它的净值跌到底），数据源要能还原任意时点的全市场名单。

二战期间，美军统计学家亚伯拉罕·瓦尔德被请去解决一个实际问题：该给轰炸机的哪个部位加装装甲？军方送来的数据是执行任务后返航飞机的弹孔分布——机翼和机身上密密麻麻，发动机和油箱上干干净净。直觉答案是装甲弹孔多的地方，瓦尔德的答案恰好相反：装甲没有弹孔的地方。返航飞机上的弹孔说明这些部位中弹后飞机仍能飞回来；发动机上没有弹孔，不是因为打不中，而是因为打中那里的飞机根本没能回来。数据只描述了幸存者，而装甲决策取决于全体。

回看本章：拿今天的成分股名单回测十年前，就是只调查飞回来的轰炸机——退市股坠在哪里、坠得多惨，数据里一个字都不会提。

未来函数：偷看了明天的答案

人话：策略在第 $t$ 天做决策时，只能用第 $t$ 天收盘前（或开盘前）已经知道的信息。如果计算里混入了 $t$ 天之后才知道的数据，这个策略就含有未来函数——回测里它神勇无比，实盘里必然失效，因为实盘那一刻那些数据还不存在。

具体例子：一个信号写成「当收盘价站上 20 日均线时，当天以收盘价买入」。问题在细节里：收盘价本身要等 15:00 收盘才知道，而「以收盘价买入」意味着你 15:00 就成交了——你用了成交那一刻才确定的价格来决定要不要成交。正确的写法是「收盘价站上 20 日均线，则次日开盘价买入」。

常见变种：用当天的最高价判断是否「曾经突破」并假设在突破价成交（突破价和最高价是同一天的）；用全样本的均值方差做标准化（均值方差包含了未来数据）；财报数据按报告期而不是实际披露日对齐（年报的数字 1 月 1 日还不存在，4 月底才披露完）。

对策：每写一个信号，问一句「实盘这一刻，这个数字我能拿到吗？」拿不到，就整体后移一天。

标的池清洗：从 5000+ 到可交易池的过滤漏斗

很多初学者拿到全市场 5000 多只 A 股的历史日线，直接整锅端进回测引擎。结果策略挑中了一堆「神奇股票」：要么是一天成交几万元的小仙股，要么是刚上市连拉十个一字涨停的次新股，要么是濒临退市的 ST 股。回测收益极其惊人，实盘一单都买不进。

做全市场选股策略之前，必须先给股票池装一个过滤漏斗。每一天收盘后，只有穿过漏斗的股票，才有资格进入候选池：

*剔除 ST、ST 股票：ST 股票面临退市风险、每日涨跌停为 ±5%（主板）、机构投资者普遍有入库限制。让量化模型去赚 ST 股重组博弈的钱，本质上是在承担制度毁灭风险。
剔除上市不满 N 天（如 60 或 180 天）的次新股：新股上市初期换手率极高、估值剧烈波动，且缺乏足够长的历史数据计算 60 日均线、半年波动率等指标。包含次新股会把大量噪音频繁注入模型。
剔除当日停牌与一字涨跌停股票：如前文所述，一字涨停买不进、一字跌停卖不出。若不剔除，引擎会默认以涨停价顺利建仓，制造「买入即封板」的假象。
剔除流动性尾部股票（如过去 20 日日均成交额后 10%）：日均成交几百万的股票，几十万资金入场就会把盘口打穿（冲击成本巨大）。回测里按收盘价撮合成交，实盘你就是这只股票最大的对手盘。

输入：全市场所有股票池 all_stocks，交易日 t
输出：当日可交易候选股票池 tradable_pool

对每只股票 stock ∈ all_stocks：
  若 stock 在 t 日带有 ST 或 *ST 标识：跳过
  若 stock 的上市天数 < 60 天：跳过
  若 stock 在 t 日全天停牌：跳过
  若 stock 在 t 日一字涨停（开盘价 = 最高价 = 最低价 = 收盘价 且 涨幅触及上限）：跳过
  若 stock 过去 20 日的日均成交额处于全市场后 10%：跳过

  将 stock 加入 tradable_pool

这个漏斗每天动态执行。有了它，策略考察的才是「真实可交易、有流动性保障」的标的。

伪代码：K 线合法性校验

拿到一份日线数据，先别急着算，跑一遍校验流程，把脏数据挡在门外：

对数据中的每一根 K 线（每一天）：
  检查 最高价 >= 最低价，否则标记为错误行
  检查 开盘价 在 最低价 与 最高价 之间
  检查 收盘价 在 最低价 与 最高价 之间
  检查 四个价格都大于 0
  检查 成交量 >= 0
  与前一交易日比较：
    计算 涨跌幅 = 收盘价 / 前收盘价 - 1
    检查 涨跌幅 是否超出该板块的涨跌停限制
      （主板 ±10%，创业板/科创板 ±20%，超出且无除权除息则存疑）
  检查 日期是否比前一根 K 线更晚（防止重复或乱序）
  若日期出现大段空缺：
    确认是否为停牌；是停牌则标记，不当成缺失数据删除

任何一项检查失败：
  记录该行的日期和失败原因
  该行不进入后续的收益计算，先查数据源修正

这套检查花不了几分钟，却能拦住大部分「数据本身错了，策略背锅」的事故。

常见坑

用不复权价格直接算收益率。除权日凭空多出 −50% 的「亏损」，或者分红被算成下跌。本章开篇的例子就是这条。收益率计算一律用复权价。
用了未来数据而不自知。收盘价的信号按收盘价成交、用全期统计量做标准化、财报按报告期对齐——回测收益好得不像真的，通常就不是真的。
假设涨跌停、停牌时也能成交。回测里跌停板轻松逃顶，实盘里挂单三天卖不掉。成交假设必须过「能不能成交」这道检查。
拿今天的成分股回测十年前。幸存者偏差让结论天然偏乐观，而且偏多少你都不知道。
不洗股票池，回测全是流动性陷阱。没做过滤漏斗，策略在回测里频繁买入次新一字板和退市整理期股票，看似年化翻倍，实盘第一天就无法下单。

数据这关过了，下一章给数据配上统计学的语言：收益率的分布、均值与方差到底意味着什么、以及为什么两个例子什么也证明不了。