数据预处理在量化交易中的重要性，就像给赛车加油之前得先过滤杂质一样。没有干净的数据，再牛逼的策略也跑不起来。  

首先，市场数据本身就有很多坑。比如股票突然拆股并股，价格直接断层，不调整历史数据回测就全乱套了。还有停牌期间的异常值，不处理的话策略会被这些僵尸数据带沟里。更别说国内T+1制度下，尾盘突然拉升的假突破信号——这些噪音不滤掉，模型会被训练成追涨杀跌的韭菜。  

其次，不同数据源的规格得统一。你做跨市场套利，A股用前复权，港股用后复权，期货还用结算价，这数据放一起比鸡同鸭讲还离谱。更常见的还有不同交易所的时区问题，美国夏令时和冬令时切换时，不处理时间戳，跨境策略直接原地爆炸。  

再说特征工程。原始价格序列扔进模型和把波动率、动量、偏度这些加工好的因子扔进去，效果差十条街。但加工过程本身就有讲究——标准化用z-score还是min-max？缺失值用线性插值还是向前填充？处理不好就会导致过拟合，实盘时策略表现和回测完全是两回事。  

最后说个很多人忽略的点： survivorship bias。你用现在存活的股票回测，那些已经退市的乐视们就被自动过滤了。不处理这个偏差，策略实盘遇到暴雷股分分钟教你做人。  

所以真正搞量化的老鸟，至少60%时间在清洗数据。毕竟垃圾进垃圾出（GIGO），再高级的算法也救不了脏数据。

发布于2025-03-31 17:44 中国