交易记录的标准化：从券商数据到统一日志模板
做交易复盘，第一步就卡在数据上。
我见过太多人，复盘时翻来覆去找成交记录，券商给的CSV格式乱七八糟，日期字段有的是「MM/DD/YYYY」，有的是「YYYY-MM-DD」，还有的直接用Excel序列号。你说这怎么分析？
所以今天咱们就聊聊，怎么把券商那堆「原始数据」变成能用的交易日志。
第一步：导出券商交易记录
不同券商的导出格式差异很大。我常用的几家，导出路径基本都在「账户」→「交易记录」→「导出」这个流程里。
这里有几个关键点：
- 时间范围：建议按月导出，别一次拉一年。数据量太大容易卡死，而且券商接口有时会超时。
- 字段选择：尽量选「全部字段」。有些券商默认只给几个基础字段，你得手动勾选「成交编号」「佣金」「税费」这些。
- 文件格式：CSV优先，别用PDF。PDF解析起来太痛苦，我踩过这个坑。
第二步：清洗数据——把脏数据变干净
数据导出来，你会发现各种「惊喜」。空值、乱码、多余的空格、合并单元格……嗯，这些都是家常便饭。
我个人习惯用Python做清洗，因为Excel处理几千条记录还行，上万条就卡了。下面是我常用的清洗脚本框架：
import pandas as pd
# 读取原始数据
df = pd.read_csv('trade_records_raw.csv')
# 1. 统一日期格式
df['trade_date'] = pd.to_datetime(df['trade_date'], format='mixed')
# 2. 去除空行和重复行
df.dropna(subset=['symbol', 'quantity'], inplace=True)
df.drop_duplicates(subset=['trade_id'], inplace=True)
# 3. 标准化股票代码（统一为6位，去掉空格）
df['symbol'] = df['symbol'].str.strip().str.upper()
# 4. 处理金额字段（去掉$符号，转为浮点数）
df['price'] = df['price'].replace('[\$,]', '', regex=True).astype(float)
# 5. 添加计算字段
df['trade_value'] = df['price'] * df['quantity']
df['commission_ratio'] = df['commission'] / df['trade_value']
print(f"清洗完成，共 {len(df)} 条有效记录")
为什么要做这些？说白了，就是为了后续分析时不出错。你想想看，如果日期格式不统一，你按月份汇总盈亏时，数据就会乱套。
第三步：建立统一的交易日志模板
数据洗干净了，接下来就是建模板。我推荐用Excel或Notion，看个人习惯。
Excel适合重度数据分析用户，Notion适合团队协作和可视化。我个人更倾向Excel，因为可以配合VBA做自动化。
一个标准的交易日志模板，至少包含以下字段：
| 字段名 | 类型 | 说明 |
|---|---|---|
| trade_id | 文本 | 唯一交易编号，用于去重 |
| trade_date | 日期 | 统一为 YYYY-MM-DD 格式 |
| symbol | 文本 | 股票代码，如 AAPL |
| action | 文本 | BUY 或 SELL |
| quantity | 整数 | 成交股数 |
| price | 浮点数 | 成交均价 |
| commission | 浮点数 | 佣金 |
| fees | 浮点数 | 其他费用 |
| trade_value | 浮点数 | 成交金额 = price * quantity |
| net_pnl | 浮点数 | 净盈亏（卖出时计算） |
| strategy_tag | 文本 | 策略标签，如「突破」「回调」 |
| notes | 文本 | 备注，记录交易时的心理状态 |
这里有个关键点：strategy_tag 字段。我建议在交易时就打上标签，别等复盘时再回忆。为什么？因为人的记忆会扭曲。你当时觉得是「突破买入」，过两天复盘可能就变成「追高」了。
第四步：自动化——让模板自己跑起来
手动录入太累了。我写了个小工具，每次交易后自动把券商数据导入模板。流程大概是：
- 券商自动推送成交邮件到指定邮箱
- Python脚本解析邮件附件（CSV）
- 清洗数据后追加到Excel模板
- 自动计算盈亏和统计指标
这套流程跑起来后，我基本不用手动操作。每周五看一眼汇总数据，就知道这周策略执行得怎么样。
你可能会问：「这得花多少时间搭？」其实第一次搭建花半天，后面就是躺赚。我当初也是被逼的——手动录了三个月，实在受不了了，才写了这个脚本。
知识体系总览
下面这张图，把整个交易记录标准化的流程串起来了。你可以把它当作一个检查清单，每次复盘前过一遍：
避坑指南
最后分享几个我踩过的坑：
- 别信券商的「标准格式」——同一个券商，不同账户类型导出的字段名都可能不一样。我遇到过「Symbol」和「Ticker」混用的，清洗时得做字段映射。
- 分红和拆股要单独处理——这些事件会影响成本价，但券商记录里往往不体现。我建议单独建一个「公司事件表」，跟交易日志做关联。
- 别在原始数据上直接改——永远保留一份原始CSV的副本。我当初手贱，直接在原始文件上改格式，结果发现改错了，又得重新导出。
嗯，差不多就这些。数据标准化这件事，看着琐碎，但做扎实了，后面的复盘分析才能站得住脚。你想想看，如果数据都是脏的，那分析出来的结论能信吗？