迅投回测代码如何处理停牌数据？

Question

在迅投量化回测系统中，如何准确处理股票停牌期间的数据是影响策略真实性的关键问题。常见技术问题是：当某只股票进入停牌状态时，行情数据缺失或价格不变，导致回测引擎误判为无波动资产，进而可能错误触发买入或卖出信号。尤其在多因子选股或调仓频率较高的策略中，若未对停牌股票进行有效标记或剔除，易造成仓位分配偏差与资金占用失真。因此，需在数据预处理阶段识别停牌状态，并在回测逻辑中跳过交易或设置合理的价格延续机制，确保回测结果贴近实盘表现。

Answer 1

一、问题背景与核心挑战

在迅投量化回测系统中，股票停牌期间的数据处理是影响策略真实性的关键环节。当某只股票进入停牌状态时，其行情数据通常表现为价格不变或完全缺失，这会导致回测引擎误判该资产为“无波动”或“可交易”状态。

尤其在多因子选股策略中，若未对停牌股票进行有效识别和处理，系统可能错误地将其纳入调仓标的池，导致虚拟买入信号生成，进而引发仓位分配偏差和资金占用失真。

例如，在每日调仓的策略中，若某只高评分因子股正处于长期停牌状态，回测系统仍尝试建仓，则会虚增持仓数量，扭曲夏普比率、最大回撤等核心绩效指标。

二、常见技术问题分析

• 数据缺失或价格冻结： 停牌期间收盘价维持不变，形成“平台型”K线，易被误认为低波动优质资产。
• 成交量异常归零： 成交量持续为0，但部分回测框架未将其作为过滤条件。
• 涨跌停判断失效： 因价格不变，系统可能误判为连续涨停/跌停，干扰止损逻辑。
• 因子计算污染： 波动率、动量类因子在停牌期产生极端值（如volatility趋近于0），影响排序结果。
• 仓位再平衡误差： 资金本应跳过不可交易标的，但在未标记情况下仍被分配，造成可用资金错配。

三、数据预处理阶段的解决方案

在接入迅投回测系统前，必须在数据清洗层完成停牌状态的精准识别。以下是推荐流程：

1. 从交易所或第三方数据源获取每日停牌公告信息（字段如：security_id, suspend_date, resume_date）。
2. 将停牌信息映射到历史行情表，生成布尔型标识列is_suspended。
3. 对停牌日的价格序列进行校验：若价格连续N日不变且成交量为0，则强制打标。
4. 构建停牌矩阵（Suspend Matrix），维度为[stock × date]，便于后续向量化过滤。
5. 在因子计算模块中引入mask机制，屏蔽停牌期间的因子更新。
6. 设置数据补全规则：对于非关键字段可采用前向填充（ffill），但禁止用于交易决策。

四、回测引擎中的逻辑控制设计

处理环节	处理方式	适用场景	风险等级
选股过滤	剔除当日is_suspended == True的股票	多因子选股	高
下单执行	模拟器返回"ORDER_REJECTED_SUSPEND"	高频调仓	中高
价格延续	使用last_valid_price进行净值估算	组合归因	中
资金占用	不释放冻结资金直至复牌	实盘拟合	高
因子更新	暂停更新或插值填补	机器学习模型	中

五、代码实现示例（Python伪代码）

import pandas as pd
import numpy as np

def mark_suspension(trading_dates, stocks, suspend_info):
    """
    构建停牌标志矩阵
    :param trading_dates: 所有交易日列表
    :param stocks: 股票代码列表
    :param suspend_info: DataFrame(columns=['symbol', 'suspend_date', 'resume_date'])
    :return: DataFrame(index=trading_dates, columns=stocks), bool type
    """
    suspend_matrix = pd.DataFrame(False, index=trading_dates, columns=stocks)
    
    for _, row in suspend_info.iterrows():
        mask = (suspend_matrix.index >= row['suspend_date']) &\
               (suspend_matrix.index <= row['resume_date'])
        if row['symbol'] in suspend_matrix.columns:
            suspend_matrix.loc[mask, row['symbol']] = True
            
    return suspend_matrix

# 在回测主循环中应用
def before_trading_bar(context):
    today = context.current_date
    valid_universe = context.universe[~context.suspend_matrix.loc[today]]
    context.valid_stocks = filter_liquidity(valid_universe)  # 继续其他筛选

    

六、系统级架构优化建议

为提升迅投回测系统的鲁棒性，建议在底层架构中集成以下组件：

graph TD
            A[原始行情数据] -- 清洗 --> B(停牌事件提取)
            C[交易所公告] -- 解析 --> B
            B --> D[生成Suspend Flag]
            D --> E[回测引擎]
            E --> F{是否可交易?}
            F -- Yes --> G[执行订单]
            F -- No --> H[跳过并记录原因]
            H --> I[输出风控日志]
            G --> J[更新持仓]

通过上述流程图所示的闭环结构，可确保每个交易决策都经过流动性校验，避免因数据瑕疵导致策略漂移。