4. 数据获取与清洗：多合约数据对齐、处理非同步交易、复权与换月处理
做跨品种套利，数据是地基。地基不稳，楼盖得再漂亮也得塌。
我见过太多人，策略回测曲线漂亮得像艺术品，一上实盘就崩。为什么？数据没处理好。今天咱们就把这块硬骨头啃下来。
4.1 多合约数据对齐：时间戳的战争
跨品种套利，你得同时盯着两个甚至多个合约。但问题来了——每个合约的交易时间不完全一样。
举个例子：螺纹钢和热卷，虽然都在上期所，但它们的盘中停牌、涨跌停触发时间可能有细微差别。更别说跨交易所的品种了，比如螺纹钢（上期所）和铁矿石（大商所），收盘时间都不一样。
核心原则：必须对齐到同一时间轴。我习惯用「最近可用的时间戳」作为对齐基准。
具体怎么做？我分享一个我常用的方法：
- 确定基准时间轴：通常选流动性更好的那个合约的时间作为基准。比如螺纹钢和热卷，我一般以螺纹钢的时间为准。
- 向前填充（Forward Fill）：对于缺失的时间点，用最近的有效数据填充。注意，不能向后填充，那会引入未来信息。
- 剔除不匹配的边界：如果一个合约已经收盘，另一个还在交易，那这段时间的数据直接扔掉。别心疼，套利策略最怕的就是「一个动一个不动」。
# 伪代码示例：多合约数据对齐
def align_contracts(df1, df2, freq='1min'):
# 以df1的时间为基准
aligned = df1.copy()
# 重采样到统一频率
df2_resampled = df2.resample(freq).ffill()
# 合并
aligned = aligned.join(df2_resampled, how='inner', lsuffix='_a', rsuffix='_b')
# 剔除任何一方为NaN的行
aligned = aligned.dropna()
return aligned
我的小技巧：对齐时，我习惯把两个合约的成交量也带上。如果某个时间点成交量突然为0，那很可能是停牌或数据异常，直接剔除。
4.2 处理非同步交易：别被「假信号」骗了
非同步交易，说白了就是两个合约的成交时间不同步。你看到螺纹钢涨了1%，想开套利单，结果热卷其实早就涨了0.8%，只是数据还没传过来。
嗯，这种情况我踩过坑。有一次回测跑得特别好，实盘却连续亏损。后来一查，发现回测数据是「完美对齐」的，但实盘数据有延迟。那叫一个惨。
怎么处理？我总结了三个要点：
- 使用Tick级数据时，必须做「时间窗口匹配」：比如，把两个合约的Tick数据按100毫秒的时间窗口分组，取窗口内的最后一笔成交价。这样能最大程度减少非同步的影响。
- 警惕「闪崩」和「秒拉」：如果一个合约在1秒内价格波动超过3%，而另一个合约纹丝不动，这大概率是数据问题或极端行情。我建议直接跳过这个时间点。
- 引入「延迟容忍度」：在策略逻辑里，允许两个合约的信号有0.5秒到1秒的延迟。超过这个范围，就不开仓。
# 处理非同步交易的示例逻辑
def check_sync(price_a, price_b, timestamp, max_delay_ms=500):
# 检查两个价格的时间戳是否在允许的延迟范围内
if abs(timestamp_a - timestamp_b) > max_delay_ms:
return False # 不同步，跳过
return True
警告：千万不要用「插值法」去填补非同步的数据点。插值会制造出「完美但虚假」的价格关系，回测时好看，实盘时让你怀疑人生。
4.3 复权处理：让历史数据「说真话」
复权，很多人觉得是股票才需要做的事。其实期货也需要，只是方式不同。
期货的复权，主要针对的是「分红、配股、拆合」这些事件。虽然期货没有股票那种分红，但有些品种会有「现金结算」或「实物交割」带来的价格跳跃。
我个人习惯用「后复权」方式：
- 后复权：把历史价格按当前合约的乘数进行调整。这样看历史走势，不会出现因为合约规则变化导致的「假跳空」。
- 前复权：把当前价格往前调整。适合做技术分析，但做套利时容易失真。
举个例子：某个合约在交割日因为结算规则变化，价格突然跳了2%。如果不复权，你的套利模型会以为这是个套利机会，实际上只是规则导致的「假信号」。
我的经验：做跨品种套利，我建议两个合约都用「后复权」数据。这样价差序列更平滑，更容易识别真正的套利机会。
4.4 换月处理：别让主力合约「坑」了你
期货合约有到期日。你不能一直拿着一个合约做回测，因为主力合约会变。
换月处理，说白了就是「什么时候从旧合约切换到新合约」。这里有个坑：如果换月时间选得不对，价差序列会出现巨大的「假跳空」。
我常用的换月方法有两种：
| 方法 | 说明 | 适用场景 |
|---|---|---|
| 成交量换月法 | 当新合约的成交量连续3天超过旧合约时，切换 | 流动性好的品种（如螺纹钢、铁矿石） |
| 持仓量换月法 | 当新合约的持仓量超过旧合约时，切换 | 机构参与度高的品种（如股指期货） |
| 固定日期换月法 | 在交割月前第N个交易日固定切换 | 流动性一般的品种，或需要统一规则的场景 |
我个人最推荐「成交量换月法」。为什么？因为成交量代表市场的真实参与度。持仓量可能被大资金操纵，但成交量很难造假。
# 换月处理示例
def roll_contract(df, volume_col='volume'):
# 找到成交量最大的合约作为主力
main_contract = df.groupby('contract')['volume'].sum().idxmax()
# 只保留主力合约的数据
return df[df['contract'] == main_contract]
避坑指南：我曾经在换月时犯过一个错误——直接在新旧合约之间做「价格拼接」，没有做价差调整。结果回测的价差序列出现了巨大的「假套利空间」。后来我改用「价差连续法」：先计算新旧合约在换月日的价差，然后把旧合约的价格统一加上这个价差，再拼接。这样价差序列就连续了。
4.5 本章知识体系
下面这张图，是我自己总结的数据处理流程。你照着这个做，至少能避开80%的数据坑。
数据清洗这件事，说白了就是「把脏活累活干好」。你想想看，如果连数据都处理不好，策略再牛也是白搭。我个人习惯在数据清洗上花掉整个项目40%的时间，剩下的60%才是策略开发和回测。
嗯，这一章的内容就到这里。记住：数据干净，策略才能赚钱。