4. 数据清洗：处理停牌、涨跌停、复权因子等特殊情况的实战技巧
数据清洗这步，说实话，是量化投资里最磨人但又最绕不开的环节。很多人觉得策略牛逼就行，数据差不多得了。我早年也这么想，结果回测曲线漂亮得像假的一样，实盘一跑就崩。后来我明白了——数据不干净，策略就是空中楼阁。
今天咱们就聊聊指数跟踪里那几个最头疼的数据坑：停牌、涨跌停、复权因子。嗯，一个一个来。
4.1 停牌数据：别让「消失的股票」搞乱你的净值
停牌这事，说白了就是股票突然不交易了。指数还在继续算，但你的持仓里这只票没法动。怎么办？
核心原则：停牌期间，用上一交易日收盘价替代。
我个人习惯的做法是，先标记停牌日，然后做前向填充。举个例子：
import pandas as pd
import numpy as np
# 假设 df 是某只股票的日线数据，包含 'close' 和 'volume'
# 停牌日 volume 为 0 或 NaN
df['is_suspended'] = df['volume'].isna() | (df['volume'] == 0)
# 停牌期间，用前一个交易日收盘价填充
df['adj_close'] = df['close'].fillna(method='ffill')
# 同时标记停牌状态，方便后续计算权重
df['suspended_flag'] = df['is_suspended'].astype(int)
我在项目中遇到过一个问题：有些股票停牌时间特别长，比如重组停牌半年。这时候如果只用前向填充，复牌那天价格会跳空，导致跟踪误差突然变大。我的建议是——在复牌当天，重新计算该股票在指数中的权重，而不是简单沿用停牌前的比例。
我曾经踩过一个坑：停牌股票在指数中的权重会随着其他股票涨跌而被动变化。比如某只票停牌了，其他票涨了，它的权重就自动变小了。如果你不重新平衡，复牌那天你的持仓比例就和指数对不上了。所以，停牌股票的权重需要每日重算，公式是：
权重 = 停牌前市值 / 当日指数总市值
4.2 涨跌停数据：封板了，你买不到也卖不掉
涨跌停是A股特色。你想想看，策略信号说「买入」，结果股票涨停了，你根本买不进去。回测里如果忽略这个，收益会被严重高估。
处理逻辑：涨跌停日，实际成交价可能不是收盘价，而且成交量受限。
我的做法分两步：
- 识别涨跌停：比较当日收盘价与前一交易日收盘价的涨跌幅，超过阈值（A股一般±10%）就标记。
- 模拟成交限制：涨停时只能卖出不能买入，跌停时只能买入不能卖出。
# 假设 df 有 'close' 和 'pre_close'
df['pct_chg'] = (df['close'] - df['pre_close']) / df['pre_close']
# 识别涨跌停（考虑ST股5%限制，这里简化处理）
limit_up = df['pct_chg'] >= 0.095 # 涨停
limit_down = df['pct_chg'] <= -0.095 # 跌停
# 标记交易限制
df['trade_restriction'] = 'normal'
df.loc[limit_up, 'trade_restriction'] = 'limit_up'
df.loc[limit_down, 'trade_restriction'] = 'limit_down'
嗯，这里要注意：涨跌停日的成交量通常很小，如果你在回测里假设能按收盘价成交全部目标数量，那是不现实的。我一般会加一个「成交比例」参数，比如涨停日只能成交正常量的20%。
对于指数跟踪来说，涨跌停最大的影响是「无法及时调仓」。比如指数调仓日，某只新纳入的股票涨停了，你买不进去。这时候我的做法是：延迟到下一个交易日买入，并在跟踪误差计算中把这个延迟成本算进去。别小看这个，一次两次没事，积累多了误差就大了。
4.3 复权因子：后复权、前复权，到底用哪个？
复权这事，我见过太多人搞混了。说白了，股票分红送股后，价格会跳空，但你的实际资产没变。复权就是为了消除这种「假跳空」。
三种复权方式：
| 类型 | 说明 | 适用场景 |
|---|---|---|
| 前复权 | 调整历史价格，使当前价格不变 | 看历史走势、技术分析 |
| 后复权 | 调整当前价格，使历史价格不变 | 计算真实收益率 |
| 不复权 | 原始价格，有跳空 | 计算分红、送股影响 |
我个人习惯在指数跟踪里用后复权。为什么？因为后复权能真实反映你从买入到现在到底赚了多少。前复权虽然看起来连续，但会改变历史收益率，不适合做业绩归因。
# 假设从数据源获取了复权因子 adj_factor
# 后复权价格 = 收盘价 * 复权因子
df['adj_close_back'] = df['close'] * df['adj_factor']
# 前复权价格 = 收盘价 / 最新复权因子 * 历史复权因子
latest_factor = df['adj_factor'].iloc[-1]
df['adj_close_forward'] = df['close'] * df['adj_factor'] / latest_factor
在指数跟踪中，计算成分股权重时必须用后复权价格。因为指数的计算是基于真实市值变化的，前复权会扭曲市值数据。我见过有人用前复权算权重，结果跟踪误差莫名其妙大了0.5%，查了半天才发现是复权方式搞错了。
4.4 综合处理流程：一张图说清楚
上面讲了三个坑，实际处理时它们是交织在一起的。比如一只股票今天涨停又停牌？嗯，这种情况很少见，但逻辑上要先判断停牌，再判断涨跌停。我画了个流程图，帮你理清顺序：
你看，流程其实不复杂，但顺序很重要。先处理停牌，再处理涨跌停，最后做复权。调仓日要单独判断，因为涨跌停对调仓的影响远大于日常持有。
4.5 实战中的几个小细节
最后分享几个我踩过的坑，希望能帮你省点时间：
- 复权因子要每日更新：有些数据源只提供历史复权因子，不提供每日的。我建议自己算，公式是：
复权因子 = 后复权价格 / 收盘价。后复权价格可以从Wind或Tushare获取。 - 停牌复牌当天要特别小心：复牌那天通常会有补涨或补跌，价格波动很大。我一般会在复牌当天把这只股票的权重调低，等价格稳定了再恢复。
- 涨跌停的成交量阈值：我习惯用「过去20日均量的20%」作为涨停日的可成交上限。低于这个量，就认为无法成交。
- 数据对齐：不同股票的交易日期可能不一样（比如有的停牌了），做指数计算前一定要先对齐日期。我常用
pd.DataFrame.reindex()来统一时间轴。
我写了个函数叫
clean_index_data()，把上面三步封装在一起。输入原始日线数据和复权因子，输出清洗后的数据框。代码大概200行，核心逻辑就是上面讲的这些。如果你需要，可以自己封装一个，以后每次跑数据直接调用就行。
数据清洗这事，说白了就是「细节决定成败」。你花80%的时间处理数据，20%的时间写策略，这很正常。别嫌麻烦，数据干净了，后面的分析才能站得住脚。