3. 数据准备：财务数据源与非财务数据源

做关联交易挖掘，数据准备这一步，我个人的经验是——花多少时间都不为过。你想想看，模型再牛，算法再炫，喂进去的数据是脏的、乱的、缺的，那结果就是垃圾进垃圾出。我在项目里见过太多人，一上来就急着跑模型，结果被数据坑得欲哭无泪。

说白了，数据准备就是打地基。地基不稳，楼盖得再高也得塌。今天我们就聊聊，关联交易分析需要哪些数据源，以及怎么把这些数据洗干净、标准化。

3.1 财务数据源：财报与审计报告

财务数据是关联交易分析的核心。没有财务数据，你根本没法判断交易是否公允、是否存在利益输送。

主要数据源包括：

• 上市公司年报/半年报/季报：利润表、资产负债表、现金流量表、附注
• 审计报告：特别是非标意见、关键审计事项（KAM）
• 关联交易专项公告：定价政策、交易金额、余额
• 临时公告：重大关联交易、关联方资金占用

我个人习惯，拿到一份财报后，先看三样东西：

1. 关联交易附注——这里藏着最直接的信息
2. 审计意见——非标意见是红色警报
3. 关键审计事项——审计师都盯着的点，你也不能放过

3.2 非财务数据源：工商信息、舆情、供应链数据

光看财务数据，你只能看到冰山一角。非财务数据才是真正帮你挖出隐藏关联方的利器。

工商信息数据源：

• 企业基本信息（股东、高管、注册资本）
• 股权结构图（穿透到自然人）
• 董监高任职信息（一人兼任多家公司）
• 变更记录（股权变更、法人变更）

舆情数据源：

• 新闻、媒体报道
• 监管问询函、处罚公告
• 社交媒体讨论（雪球、股吧）
• 行业研究报告

供应链数据源：

• 供应商/客户名单（前五大、前十大）
• 采购合同、销售合同
• 物流、仓储数据
• 招投标信息

为什么会需要这些非财务数据？我举个例子。某公司财报显示，它向一家"非关联方"采购原材料，金额巨大。但一查工商信息，发现这家供应商的法人代表，竟然是该公司财务总监的亲戚。这就是典型的隐性关联方，光看财报根本发现不了。

3.3 数据清洗与标准化

数据源搞定了，接下来就是最磨人的环节——数据清洗。说实话，我做了这么多年风控，80%的时间都花在数据清洗上。这不是夸张，是真的。

常见的数据问题：

问题类型	具体表现	我的处理方式
缺失值	关联交易金额为空、交易对手信息缺失	先查公告补全，补不全的标记为"待核实"
重复值	同一笔交易在多个公告中出现	按交易日期+交易对手+金额去重
格式不一致	"张三" vs "张 三"、"100万" vs "1,000,000"	统一格式，金额转数字，名称去空格
逻辑错误	交易金额为负数、日期晚于当前	人工复核，确认后修正或剔除
编码不统一	同一公司不同数据源用不同代码	建立统一的企业ID映射表

数据标准化的核心步骤：

1. 实体对齐：把不同数据源中的同一家公司识别出来。比如"阿里巴巴"和"Alibaba Group"要映射到同一个ID。
2. 金额标准化：统一货币单位（人民币）、统一数量级（万元或元）。
3. 日期标准化：统一为YYYY-MM-DD格式。
4. 分类标准化：关联交易类型（购销、资金拆借、担保等）统一编码。
5. 关联方关系标准化：母子、兄弟、联营、合营等关系统一标签。

3.4 知识体系总览

下面这张图，是我自己总结的数据准备阶段的知识体系。你可以把它当作一个检查清单，做数据准备时对照着来，基本不会漏掉什么。

3.5 实战小贴士

最后，分享几个我在实战中总结的经验：

• 先看数据量级：拿到数据后，先跑个describe()，看看最大值、最小值、均值。如果关联交易金额突然暴增，那就要警惕了。
• 建立数据字典：每个字段的含义、来源、格式，都记录下来。不然过两个月你自己都忘了这个字段是干嘛的。
• 保留原始数据：清洗后的数据要另存一份，千万别覆盖原始数据。我吃过这个亏，清洗错了想回退，结果原始数据没了，只能重新爬。
• 自动化清洗脚本：把清洗流程写成脚本，每次有新数据直接跑。别每次都手动操作，效率低还容易出错。

好了，数据准备这块就聊到这儿。数据准备好了，下一节我们就可以开始真正的关联交易挖掘了。

---