第二章：数据准备与清洗——可转债行情数据获取、复权处理、异常值识别与处理

做量化研究，有一句老话叫「垃圾进，垃圾出」。
因子模型再漂亮，数据源出了问题，结果就是废纸一张。
我个人习惯，花在数据清洗上的时间，至少占整个研究周期的40%。
这一章，咱们就聊聊可转债行情数据怎么拿、怎么复权、怎么把那些「脏数据」揪出来。

2.1 数据获取：从哪里来，拿什么

可转债行情数据，市面上常见的来源有几个：

• Wind / Choice / iFinD：机构常用，数据全，但贵。
• 聚宽 / 米筐 / Tushare：量化平台自带，适合回测。
• 交易所官网：免费，但需要自己解析。

我个人建议，初期用聚宽或Tushare就够了。
我在项目中遇到过，用Wind拉数据时，某些老债的复权因子是空的，得自己补。
嗯，这里要注意：可转债的行情数据，核心字段包括：

2.2 复权处理：为什么必须做？怎么做？

可转债有「下修转股价」这个机制。
一旦下修，转股价值会跳变，转债价格也会跟着调整。
如果不做复权，你的因子计算就会「断崖式」失真。

举个例子：
某转债原本转股价20元，正股18元，转股价值90元。
突然下修到10元，转股价值变成180元，转债价格从95元跳到150元。
你想想看，如果不复权，你的「价格动量因子」会显示一天涨了50%多，这明显是结构变化，不是真实交易行为。

复权方法有两种：

1. 前复权：调整历史价格，让历史数据与当前一致。适合回测。
2. 后复权：调整当前价格，让当前价格反映历史累计变化。适合看真实收益。

我个人习惯用前复权做因子计算。
原因很简单：回测时，你用的是历史价格，前复权能让历史价格「看起来」像今天的样子，避免因子突变。

代码实现也不复杂：

# 伪代码示例
def adjust_price(df):
    # df 包含 columns: ['date', 'close', 'convert_price']
    # 按转债代码分组
    for bond in df['code'].unique():
        sub = df[df['code'] == bond].copy()
        # 获取最新转股价
        latest_cp = sub.iloc[-1]['convert_price']
        # 计算复权因子
        sub['adj_factor'] = sub['convert_price'] / latest_cp
        sub['adj_close'] = sub['close'] * sub['adj_factor']
        # 更新回原df
        df.loc[sub.index, 'adj_close'] = sub['adj_close']
    return df

2.3 异常值识别：哪些数据是「脏」的？

数据清洗，说白了就是「找茬」。
可转债行情数据常见的异常有这几类：

• 缺失值：某天停牌、或数据源漏了。
• 极端值：比如收盘价突然变成0.01元，或者涨了1000%。
• 逻辑错误：转股价为0、纯债价值为负、溢价率超过1000%。
• 重复值：同一只债同一天出现两条记录。

我曾经遇到过一个案例：某只小盘转债，某天成交额显示为0，但成交量却有1000手。
这明显是数据源把成交额字段写错了。如果不处理，你的「换手率因子」就会变成无穷大。

2.4 异常值处理方法：我的「三板斧」

处理异常值，我有一套固定的流程，分享给你：

1. 第一步：硬性过滤
   价格 < 0.1元 或 > 1000元，直接剔除。
   转股价 < 0.1元，剔除。
   溢价率 < -50% 或 > 200%，标记为异常。
2. 第二步：统计过滤
   用「3σ原则」或「IQR方法」识别极端值。
   我个人偏好IQR，因为可转债价格分布不是正态的，3σ会误杀太多。
3. 第三步：逻辑校验
   检查「转股价值 = 100 / 转股价 × 正股价」是否合理。
   检查「纯债价值」是否在合理区间（比如50-150元）。
   检查「到期收益率」是否为正且不过于离谱。

2.5 知识体系总览

下面这张图，是我自己梳理的数据准备与清洗流程。你可以把它当作操作手册：

2.6 实战中的几个「坑」

最后，分享几个我踩过的坑，希望能帮你省点时间：

• 坑一：复权因子更新滞后。 有些数据源在下修公告当天就更新转股价，但复权因子要第二天才更新。如果你当天拉数据，前后价格对不上。我建议自己算复权因子，别完全依赖平台。
• 坑二：停牌期间的数据填充。 很多平台会用前收盘价填充停牌日的数据。这会导致你的「波动率因子」出现连续零值。我的做法是：停牌日直接标记为缺失，不填充。
• 坑三：新债上市首日的数据。 新债上市首日没有前复权因子，有些平台会填0或NaN。我习惯用上市首日的转股价作为基准，手动计算首日的复权因子。

公众号:蓝海资料掘金营，微信deep3321