3、数据准备与清洗：债券行情数据获取、财务数据对齐、异常值处理、复权与价格调整

做量化选债，有个残酷的现实我得先告诉你：80%的时间花在数据上，20%的时间才用来建模。这不是夸张，是我踩过无数坑之后的血泪总结。

债券数据有多脏？比股票数据脏得多。股票有统一的交易所、标准化的行情接口，债券呢？银行间、交易所、场外市场，数据源五花八门。我刚开始做债券量化时，天真地以为直接拉个Wind就能跑，结果回测曲线漂亮得不像话——后来发现是数据里掺了未来信息。

嗯，这一章我们就来聊聊，怎么把那些乱七八糟的原始数据，收拾成能用的样子。

3.1 债券行情数据的获取渠道与格式

先说说数据从哪来。我个人习惯把数据源分成三类：

数据源	覆盖范围	更新频率	成本
Wind/Choice/聚宽	全市场债券	T+1或实时	高（几万到十几万/年）
中债登/上清所	银行间债券	日频	中（部分免费）
交易所公开数据	交易所债券	实时	低（爬虫即可）

这里有个坑：不同数据源对同一只债券的收盘价可能差好几个BP。为什么？因为债券交易是OTC的，没有统一的撮合价格。Wind取的可能是做市商报价的中位数，中债登用的是估值模型算出来的理论价，交易所则是实际成交价。

3.2 财务数据的对齐：时间戳的艺术

债券的财务数据对齐，比股票麻烦得多。股票一年出四次季报，时间相对固定。债券呢？信用债的发行人可能是非上市公司，年报拖到4月底才出是常事，有的甚至直接延期。

你想想看，如果你用2023年年报的财务数据去预测2023年1月的违约风险，这不就是典型的前瞻性偏差吗？

我个人习惯的做法是：

1. 建立财务数据的时间戳映射表：每份财报对应一个「可用日期」，通常是报告期后推2-3个月（年报4月底、中报8月底、季报1个月后）
2. 用「可用日期」对齐行情数据：比如2023年4月30日之后，才能使用2022年年报的数据
3. 处理延迟披露：如果某只债券的发行人延期披露，那就用上一期的数据填充，直到新数据可用

3.3 异常值处理：那些离谱的价格是怎么来的

债券市场的异常值，比股票市场多得多。股票如果出现-10%的涨跌幅，大概率是乌龙指。债券呢？可能只是正常的OTC交易。

我遇到过最离谱的一次：某只城投债的收盘价突然从100块跌到60块，吓得我赶紧检查持仓。后来发现是有一笔大宗交易，面值1亿的债券以60块成交了1000万——这明显是机构之间的利益输送，根本不是市场公允价。

怎么处理？我的经验是分三步：

• 第一步：价格合理性检验。债券价格应该在[0, 200]之间（净价），超出这个范围的直接标记为缺失。为什么是200？因为有些深度违约的债券可能跌到十几块，但超过200的绝对是数据错误。
• 第二步：波动率过滤。计算每个债券的日收益率，如果某天的收益率超过过去60天标准差的5倍，就标记为可疑。注意，这里不能用绝对阈值，因为不同债券的波动率差异很大。
• 第三步：人工复核。对于标记为可疑的数据，我会去查当天的成交明细。如果是大宗交易或者协议转让，就剔除；如果是正常交易，就保留。

3.4 复权与价格调整：别让分红搞乱你的回测

债券也有复权问题？很多人觉得债券只有利息，没有分红，不需要复权。其实不然。

债券的「分红」就是付息。付息之后，债券的净价会下降（因为利息被剥离了），但全价不变。如果你直接用净价做回测，就会在付息日看到一个「假摔」——价格突然掉下去，然后又慢慢涨回来。

我个人习惯用全价做回测，因为全价包含了应计利息，能真实反映持有期的收益。但全价也有问题：不同债券的计息基准不同（ACT/365、30/360等），计算应计利息时容易出错。

这里给出一段我常用的复权处理代码：

# 债券复权处理示例（Python伪代码）
def bond_adjust_price(df):
    """
    df包含字段：净价、票面利率、付息频率、计息基准
    返回：调整后的全价序列
    """
    # 计算应计利息
    df['accrued_interest'] = df.apply(
        lambda x: calc_accrued_interest(
            x['coupon_rate'], 
            x['last_coupon_date'],
            x['settlement_date'],
            x['day_count_basis']
        ), 
        axis=1
    )
    
    # 全价 = 净价 + 应计利息
    df['full_price'] = df['clean_price'] + df['accrued_interest']
    
    # 处理付息日：付息后净价跳降，但全价连续
    # 这里用前向填充法处理缺失的应计利息
    df['full_price'] = df['full_price'].fillna(method='ffill')
    
    return df

嗯，这里要注意：不同债券的付息频率不一样。国债一年付息一次，信用债可能一年两次，还有一些永续债是每季度付息。写代码的时候一定要把这个参数传进去，否则算出来的应计利息全是错的。

3.5 本章知识体系总览

说了这么多，我画了一张图帮你理清思路。数据准备与清洗，说白了就是三个核心环节：获取 → 对齐 → 清洗。每个环节都有各自的坑，但只要你按照这个流程走一遍，基本能过滤掉90%的数据问题。

这张图看起来简单，但每个环节展开都是一门学问。数据获取阶段，你要搞清楚不同数据源的价格定义；数据对齐阶段，你要跟时间赛跑，确保每一笔数据都在正确的时间点被使用；数据清洗阶段，你要像侦探一样，找出那些看似合理实则离谱的异常值。

说实话，我见过太多人在这上面栽跟头了。有的团队花了几百万买数据，结果因为没做复权处理，回测结果全是假的。有的研究员辛辛苦苦跑出来的因子，一上实盘就失效，查了半天是财务数据对齐出了问题。

所以我的建议是：在数据准备阶段多花点时间，后面建模的时候你会感谢自己的。

---

公众号:蓝海资料掘金营，微信deep3321