510 lines
19 KiB
Markdown
510 lines
19 KiB
Markdown
# 量化交易数据管道详解
|
||
## `quant_data_pipeline_demo.py` 学习文档
|
||
|
||
> **目标读者**：零基础量化入门者
|
||
> **配套文件**：`quant_data_pipeline_demo.py`
|
||
> **系列位置**：第 1 篇 — 数据准备篇
|
||
|
||
---
|
||
|
||
## 目录
|
||
|
||
1. [为什么数据准备如此重要？](#1-为什么数据准备如此重要)
|
||
2. [主题一：价格复权 (Price Adjustment)](#2-主题一价格复权-price-adjustment)
|
||
3. [主题二：收益率计算 (Return Calculation)](#3-主题二收益率计算-return-calculation)
|
||
4. [主题三：多标的面板与缺失值处理 (Panel & Missing Values)](#4-主题三多标的面板与缺失值处理)
|
||
5. [主题四：异常值检测与处理 (Outlier Detection & Treatment)](#5-主题四异常值检测与处理)
|
||
6. [主题四B：涨跌停标记 (Circuit Breaker Flags)](#6-主题四b涨跌停标记-circuit-breaker-flags)
|
||
7. [主题五：交易日历与跨市场对齐 (Trading Calendar)](#7-主题五交易日历与跨市场对齐)
|
||
8. [主题六：端到端数据管道类 (DataPipeline Class)](#8-主题六端到端数据管道类-datapipeline-class)
|
||
9. [常见错误与避坑指南](#9-常见错误与避坑指南)
|
||
10. [术语速查表](#10-术语速查表)
|
||
|
||
---
|
||
|
||
## 1. 为什么数据准备如此重要？
|
||
|
||
> **"Garbage in, garbage out."（垃圾进，垃圾出。）**
|
||
|
||
在量化交易 (Quantitative Trading) 中，策略再好，如果输入的数据有问题，回测结果就毫无意义，甚至会误导你投入真实资金。
|
||
|
||
**一个生动的例子：**
|
||
|
||
假设你手里有一支股票的历史价格数据，在某一天价格从 10 元突然跳到 5 元。
|
||
如果你直接计算收益率，会得到 `-50%` 的单日大跌。
|
||
但实际上，那一天股票进行了 **1:2 拆股（Stock Split）**，每股变成两股，价格减半是完全正常的市场行为，真实的收益率是 **0%**。
|
||
|
||
如果你的算法把这个 `-50%` 当成真实的大跌信号，就会产生错误的交易决策。
|
||
|
||
**数据准备解决的核心问题：**
|
||
|
||
| 问题 | 来源 | 后果（如果不处理）|
|
||
|------|------|------------------|
|
||
| 价格跳跃（非真实波动）| 拆股、分红 | 虚假的极端收益率，扭曲指标计算 |
|
||
| 缺失值 (Missing Values) | 停牌、数据源错误 | NaN 传播导致指标全部失效 |
|
||
| 异常值 (Outliers) | 数据错误、极端行情 | 拉偏统计量，产生虚假信号 |
|
||
| 涨跌停 (Price Limits) | A 股特有规则 | 误以为可以成交，策略无法执行 |
|
||
| 日历错位 (Calendar Mismatch) | 跨市场不同假日 | 计算相关性时出现错位 |
|
||
|
||
---
|
||
|
||
## 2. 主题一：价格复权 (Price Adjustment)
|
||
|
||
### 2.1 什么是"公司行为"？
|
||
|
||
**公司行为 (Corporate Actions)** 是公司自愿或法定的资本结构变化，会导致股价出现非市场原因的人为跳跃。最常见的两种：
|
||
|
||
**① 股票拆分 (Stock Split)**
|
||
- 一股变多股，价格等比下降
|
||
- 例：1:2 拆股 → 原来 1 股 20 元 → 变成 2 股各 10 元
|
||
- 持有人总市值不变，但价格图上会出现 `-50%` 的"假下跌"
|
||
|
||
**② 现金分红 (Cash Dividend)**
|
||
- 公司将利润的一部分以现金形式分配给股东
|
||
- 股价在除息日 (Ex-Dividend Date) 会自然下降分红金额
|
||
- 例：每股分红 0.5 元，股价从 20 元跌到 19.5 元（这是"假跌"）
|
||
|
||
### 2.2 三种价格序列
|
||
|
||
代码生成并演示了三种价格序列：
|
||
|
||
```
|
||
未复权价格 (Unadjusted Price)
|
||
↓ 拆股/分红后，历史价格出现人为跳跃
|
||
↓ 不能直接用于计算收益率
|
||
|
||
前复权价格 (Forward-Adjusted / Backward-Adjusted Price)
|
||
↓ 将历史价格按复权因子折算到"当前价格水平"
|
||
↓ 连续可微，适合计算技术指标
|
||
|
||
后复权价格 (Backward-Adjusted Price)
|
||
↓ 以最早的价格为基准，向后调整
|
||
↓ 保留了历史价格的"真实感"，适合长期价值分析
|
||
```
|
||
|
||
**形象理解：**
|
||
|
||
想象你记录了一个朋友的身高，但 TA 第 3 年做了骨骼手术增高了 5 厘米。
|
||
- **未复权**：第 1-2 年记录真实数据，第 3 年突然跳高 5 厘米
|
||
- **前复权**：把第 1-2 年的数据都加 5 厘米，保持最新身高是真实的
|
||
- **后复权**：第 3 年以后的数据都减 5 厘米，保持早期身高是真实的
|
||
|
||
### 2.3 关键代码解析
|
||
|
||
```python
|
||
def forward_adjust(unadj_prices, adj_factor):
|
||
"""前复权：以最新价格为基准，向前调整历史价格"""
|
||
# adj_factor / adj_factor.iloc[-1]
|
||
# → 将复权因子标准化为"相对于最新时刻的倍数"
|
||
normalized_factor = adj_factor / adj_factor.iloc[-1]
|
||
return unadj_prices * normalized_factor
|
||
```
|
||
|
||
**复权因子 (Adjustment Factor)** 是一个随时间变化的乘数，记录了从最初到当前发生的所有拆股和分红的累积影响。
|
||
|
||
### 2.4 实践建议
|
||
|
||
| 场景 | 推荐价格类型 |
|
||
|------|-------------|
|
||
| 计算历史收益率、构建技术指标 | **前复权** (Forward-Adjusted) |
|
||
| 研究历史上的真实交易价格 | **后复权** (Backward-Adjusted) |
|
||
| 展示给非专业用户的图表 | **未复权** (Unadjusted)，加注说明 |
|
||
|
||
---
|
||
|
||
## 3. 主题二：收益率计算 (Return Calculation)
|
||
|
||
### 3.1 两种收益率的公式
|
||
|
||
**简单收益率 (Simple Return)**
|
||
|
||
$$r_t = \frac{P_t - P_{t-1}}{P_{t-1}} = \frac{P_t}{P_{t-1}} - 1$$
|
||
|
||
用代码表示：`prices.pct_change()`
|
||
|
||
**对数收益率 (Log Return / Continuously Compounded Return)**
|
||
|
||
$$r_t^{log} = \ln\left(\frac{P_t}{P_{t-1}}\right)$$
|
||
|
||
用代码表示：`np.log(prices / prices.shift(1))`
|
||
|
||
### 3.2 为什么量化研究更偏爱对数收益率？
|
||
|
||
**理由一：时间可加性 (Time Additivity)**
|
||
|
||
对数收益率可以直接相加得到总收益率：
|
||
|
||
$$r_{总}^{log} = r_1^{log} + r_2^{log} + \cdots + r_n^{log}$$
|
||
|
||
简单收益率必须连乘（而不是相加）：
|
||
|
||
$$1 + r_{总} = (1 + r_1) \times (1 + r_2) \times \cdots \times (1 + r_n)$$
|
||
|
||
**理由二：对称性更好**
|
||
|
||
- 价格涨 100%（翻倍），简单收益率 = +100%
|
||
- 价格跌 50%（腰斩），简单收益率 = -50%
|
||
- 但两者其实是反向对称操作！用对数收益率：涨 100% ≈ +69.3%，跌 50% ≈ -69.3%，完美对称
|
||
|
||
**理由三：统计性质更好**
|
||
|
||
对数收益率更接近正态分布 (Normal Distribution)，更适合统计建模。
|
||
|
||
### 3.3 什么时候用哪种？
|
||
|
||
| 用途 | 推荐 |
|
||
|------|------|
|
||
| 构建技术指标、计算波动率 | 对数收益率 |
|
||
| 计算多资产组合收益率 | 简单收益率（加权平均在简单收益率下才正确）|
|
||
| 日内高频交易 | 两者差异极小，均可 |
|
||
|
||
> ⚠️ **重要警告**：绝对不要在同一个计算中混用两种收益率！
|
||
|
||
---
|
||
|
||
## 4. 主题三：多标的面板与缺失值处理
|
||
|
||
### 4.1 什么是数据面板 (Panel Data)？
|
||
|
||
**面板数据**是一张二维表格，行是时间（每个交易日），列是不同的股票（或其他资产）：
|
||
|
||
```
|
||
日期 Stock_A Stock_B Stock_C
|
||
2022-01-03 100.5 50.2 NaN
|
||
2022-01-04 101.2 NaN 80.3
|
||
2022-01-05 NaN 51.0 81.0
|
||
...
|
||
```
|
||
|
||
`NaN` 就是缺失值，表示"这一天没有数据"。
|
||
|
||
### 4.2 缺失值的两大来源
|
||
|
||
**① 停牌 (Trading Suspension)**
|
||
- 中国 A 股常见：某只股票因重大事项公告临时暂停交易
|
||
- 可能持续数天到数月
|
||
- 停牌期间通常用"前值填充"
|
||
|
||
**② 数据源错误**
|
||
- 数据提供商漏报、乱码、延迟上报
|
||
- 通常是随机的单日缺失
|
||
|
||
### 4.3 四种处理方法对比
|
||
|
||
代码中演示了四种方法，以下是直观对比：
|
||
|
||
| 方法 | 代码 | 适用场景 | 缺点 |
|
||
|------|------|----------|------|
|
||
| **向前填充 (ffill)** | `prices.ffill()` | 停牌（假设价格不变）| 长时间停牌后恢复会有虚假零收益 |
|
||
| **线性插值 (linear)** | `prices.interpolate()` | 短期随机缺失 | 插值出"未来数据"，可能引入前视偏差 |
|
||
| **有限填充 (ffill+limit)** | `prices.ffill(limit=5)` | 最多允许填充 5 天 | 超过限制仍会有 NaN |
|
||
| **直接删除 (drop)** | `prices.dropna()` | 整行/整列数据质量差 | 丢失样本，影响后续计算 |
|
||
|
||
### 4.4 前视偏差警告 ⚠️
|
||
|
||
```python
|
||
# ❌ 错误示范：bfill 会用"未来价格"填充"过去缺失"
|
||
clean_prices = price_panel.bfill() # 危险！引入前视偏差！
|
||
|
||
# ✅ 正确做法：只向前看，不向后看
|
||
clean_prices = price_panel.ffill()
|
||
clean_prices = clean_prices.dropna(how='any') # 删掉最开头还剩的 NaN
|
||
```
|
||
|
||
**前视偏差 (Lookahead Bias / Look-Ahead Bias)**：在回测时，不小心使用了"当时还不知道的未来数据"，导致回测结果虚高，实盘中无法复现。这是回测中最常见也最危险的错误之一。
|
||
|
||
### 4.5 缺失值超过多少就应该排除该标的？
|
||
|
||
代码中使用的规则：`缺失比例 > 10%` → 排除该标的
|
||
|
||
这是经验阈值，具体情况具体分析：
|
||
- 研究期只有 1 年（250 天）：缺失 > 25 天就该考虑排除
|
||
- 研究期有 5 年（1250 天）：缺失 > 125 天才排除（同比例）
|
||
|
||
---
|
||
|
||
## 5. 主题四：异常值检测与处理
|
||
|
||
### 5.1 什么是异常值？
|
||
|
||
**异常值 (Outlier)** 是远离其他数据点的极端值，可能来自：
|
||
- 数据错误（数据库录入错误、单位错误）
|
||
- 真实极端行情（市场崩盘、涨停首日）
|
||
- 算法错误
|
||
|
||
对于收益率数据，典型的异常值是单日涨跌超过 30%（非 A 股市场）的数据。
|
||
|
||
### 5.2 两种检测方法
|
||
|
||
#### Z-score 方法（标准分数法）
|
||
|
||
$$Z = \frac{x - \bar{x}}{\sigma}$$
|
||
|
||
- 计算每个值偏离均值多少个标准差
|
||
- `|Z| > 3` 视为异常值
|
||
|
||
**通俗理解**：班级考试平均 70 分，标准差 10 分。
|
||
你考了 100 分，Z = (100-70)/10 = 3，属于极端高分。
|
||
|
||
**缺点**：均值 $\bar{x}$ 和标准差 $\sigma$ 本身会被异常值"污染"，所以 Z-score 对异常值不够稳健 (Not Robust)。
|
||
|
||
#### MAD 方法（中位数绝对偏差，Median Absolute Deviation）
|
||
|
||
$$\text{MAD} = \text{median}(|x_i - \text{median}(x)|)$$
|
||
|
||
$$\text{Modified Z} = \frac{0.6745 \times (x - \text{median}(x))}{\text{MAD}}$$
|
||
|
||
- 用**中位数**代替均值，对极端值天然免疫
|
||
- 量化研究中更常用
|
||
|
||
**通俗理解**：Z-score 用"平均数"衡量偏差，异常值会把平均数拉偏，进而影响判断。MAD 用"中位数"衡量，中位数不受极端值影响。
|
||
|
||
### 5.3 Winsorize（缩尾处理）
|
||
|
||
**Winsorize** 不是删除异常值，而是把它们"拉回"到合理范围内：
|
||
|
||
```python
|
||
def winsorize(series, lower_pct=0.01, upper_pct=0.99):
|
||
lower = series.quantile(0.01) # 1% 分位数
|
||
upper = series.quantile(0.99) # 99% 分位数
|
||
return series.clip(lower=lower, upper=upper)
|
||
# 低于 1% 分位数的值 → 拉回到 1% 分位数
|
||
# 高于 99% 分位数的值 → 拉回到 99% 分位数
|
||
```
|
||
|
||
**优点**：保留所有数据量，只是限制极端值的影响范围。这在构建因子时是标准操作。
|
||
|
||
### 5.4 Q-Q 图 (Quantile-Quantile Plot)
|
||
|
||
Q-Q 图用于直观判断数据是否符合正态分布：
|
||
- **点在对角线上**：数据是正态分布
|
||
- **两端翘起（像字母 S 或笑脸）**：分布有**厚尾 (Fat Tails)**
|
||
|
||
金融收益率几乎**总是**有厚尾。这意味着极端事件（大涨大跌）的发生频率远高于正态分布的预测，所以不能天真地假设收益率服从正态分布。
|
||
|
||
---
|
||
|
||
## 6. 主题四B：涨跌停标记 (Circuit Breaker Flags)
|
||
|
||
### 6.1 中国 A 股特有规则
|
||
|
||
**涨跌停板制度 (Price Limit System)**：
|
||
- 普通股票：单日最大涨幅 **+10%**，最大跌幅 **-10%**
|
||
- ST 股票（风险警示股）：限制为 **±5%**
|
||
|
||
这不是数据错误！这是真实发生的市场数据。
|
||
|
||
### 6.2 为什么需要标记？
|
||
|
||
当股票涨停或跌停时：
|
||
- ✅ 收盘价是真实的
|
||
- ❌ 但这只股票**很可能全天无法成交**（买盘/卖盘全部封死）
|
||
|
||
**后果**：如果你的策略在涨停日产生"卖出"信号，实际上根本卖不掉；跌停日产生"买入"信号，根本买不到。
|
||
这叫**流动性陷阱 (Liquidity Trap)**。
|
||
|
||
### 6.3 代码的处理方式
|
||
|
||
代码**只标记，不删除**：
|
||
|
||
```python
|
||
# 返回：+1 = 涨停，-1 = 跌停，0 = 正常
|
||
def flag_price_limits(prices, limit_pct=0.10):
|
||
...
|
||
```
|
||
|
||
策略代码可以根据这个标记自行决定：
|
||
- 跳过涨跌停日的信号（最常见）
|
||
- 降低该日的信号权重
|
||
- 完全排除该日的统计计算
|
||
|
||
### 6.4 幸存者偏差警告 ⚠️
|
||
|
||
> **幸存者偏差 (Survivorship Bias)**：数据集只包含"活到现在"的股票，而不包含已退市的股票。这会导致回测收益率虚高，因为你实际上只回测了"最后赢家"。
|
||
> 解决方案：使用包含历史退市股票的完整数据集（通常需要付费数据源）。
|
||
|
||
---
|
||
|
||
## 7. 主题五：交易日历与跨市场对齐
|
||
|
||
### 7.1 问题的来源
|
||
|
||
不同国家的市场有不同的节假日：
|
||
- A 股有春节（7 天以上假期）
|
||
- 美股没有春节，但有感恩节、独立日等
|
||
- 港股假期介于两者之间
|
||
|
||
当你想计算"A 股与美股的相关性"时，两个市场的交易日不完全重合，怎么对齐是一个实际问题。
|
||
|
||
### 7.2 两种对齐策略
|
||
|
||
**① 取交集 (Intersection)**
|
||
只保留两个市场都开盘的日期：
|
||
|
||
```python
|
||
common_days = us_calendar.intersection(cn_calendar)
|
||
```
|
||
|
||
- 🟢 适合：计算相关性、回归分析、信号对比
|
||
- 🔴 缺点：损失了单一市场的交易日数据
|
||
|
||
**② 向前填充 (Forward Fill)**
|
||
对于某市场休市的日期，用上一个交易日的数据填充：
|
||
|
||
```python
|
||
aligned = prices.reindex(combined_index).ffill()
|
||
```
|
||
|
||
- 🟢 适合：持续计算净值曲线、组合市值统计
|
||
- 🔴 缺点：引入大量"人工零收益日"，会低估波动率，高估夏普比率
|
||
|
||
### 7.3 生产环境建议
|
||
|
||
代码中使用了手写的简化假日列表，实际生产中推荐使用专业库：
|
||
|
||
```python
|
||
# 推荐库（需额外安装）
|
||
pip install exchange_calendars
|
||
pip install pandas_market_calendars
|
||
```
|
||
|
||
---
|
||
|
||
## 8. 主题六：端到端数据管道类 (DataPipeline Class)
|
||
|
||
### 8.1 为什么要封装成类？
|
||
|
||
把以上所有步骤封装成一个 `DataPipeline` 类，好处是：
|
||
1. **可复用**：每次只需一行代码 `pipeline.run()` 完成所有清洗
|
||
2. **可配置**：通过参数调整阈值，不修改核心逻辑
|
||
3. **有记录**：自动生成数据质量报告，便于审计
|
||
4. **防错**：步骤固定，不会因顺序出错导致问题
|
||
|
||
### 8.2 管道的 6 个步骤
|
||
|
||
```
|
||
原始价格面板 (Raw Price Panel)
|
||
│
|
||
▼ Step 1: 过滤缺失率 > 10% 的标的
|
||
│ (Filter stocks with > 10% missing data)
|
||
▼ Step 2: ffill + bfill 填充剩余缺失值
|
||
│ (Forward + Backward fill remaining NaN)
|
||
▼ Step 3: 计算日收益率
|
||
│ (Compute daily returns)
|
||
▼ Step 4: MAD 异常值检测 + Winsorize 处理
|
||
│ (Detect outliers with MAD, Winsorize at 1%/99%)
|
||
▼ Step 5: 生成数据质量报告
|
||
│ (Generate quality report: mean, vol, skew, kurtosis)
|
||
▼
|
||
干净的收益率面板 (Clean Returns Panel)
|
||
```
|
||
|
||
### 8.3 使用示例
|
||
|
||
```python
|
||
from pipeline import DataPipeline # 或直接在 demo 文件末尾运行
|
||
|
||
pipeline = DataPipeline(
|
||
price_panel,
|
||
max_missing_pct=0.15, # 缺失率阈值 15%
|
||
winsorize_pct=(0.01, 0.99) # 缩尾范围 1%~99%
|
||
)
|
||
clean_returns = pipeline.run()
|
||
```
|
||
|
||
### 8.4 数据质量报告解读
|
||
|
||
管道运行后会打印各标的的统计表，关键指标含义：
|
||
|
||
| 指标 | 含义 | 健康范围（日频）|
|
||
|------|------|----------------|
|
||
| 日均收益率 (bp) | 平均每天的收益，以基点表示（1bp = 0.01%）| -5 ~ +5 bp |
|
||
| 日波动率 (%) | 每天收益率的标准差 | 0.5% ~ 3% |
|
||
| 年化收益率 (%) | 日均收益率 × 252 | -30% ~ +50% |
|
||
| 年化波动率 (%) | 日波动率 × √252 | 10% ~ 60% |
|
||
| 偏度 (Skewness) | 分布左右对称性（负值=左偏=有重大下跌）| -1 ~ +1 |
|
||
| 峰度 (Kurtosis) | 尾部厚度（>0 代表比正态分布更厚尾）| 金融数据通常 > 3 |
|
||
|
||
---
|
||
|
||
## 9. 常见错误与避坑指南
|
||
|
||
### ❌ 错误 1：忘记复权就直接计算收益率
|
||
|
||
```python
|
||
# 错误：用未复权价格直接计算
|
||
returns = unadj_prices.pct_change() # 包含拆股/分红的虚假跳跃！
|
||
|
||
# 正确
|
||
returns = fwd_adj_prices.pct_change()
|
||
```
|
||
|
||
### ❌ 错误 2：用 bfill 填充缺失值
|
||
|
||
```python
|
||
# 错误：bfill 用未来数据填补过去，引入前视偏差
|
||
clean = prices.bfill() # 危险！
|
||
|
||
# 正确：只用 ffill
|
||
clean = prices.ffill()
|
||
```
|
||
|
||
### ❌ 错误 3：异常值处理后忘记重新计算收益率
|
||
|
||
```python
|
||
# 错误：先计算收益率，再检测，再删除某些日期
|
||
returns = prices.pct_change()
|
||
returns = returns[~outlier_mask] # 删掉某些日期后，相邻的收益率跨越了多天！
|
||
|
||
# 正确：要么 Winsorize（不删日期），要么先处理价格再算收益率
|
||
returns_clean = winsorize(returns) # 保持日期连续性
|
||
```
|
||
|
||
### ❌ 错误 4：跨市场计算时忘记对齐日历
|
||
|
||
```python
|
||
# 错误：直接计算相关性
|
||
corr = returns_us.corr(returns_cn) # 如果索引日期不同，pandas 会产生大量 NaN
|
||
|
||
# 正确：先对齐
|
||
common_idx = returns_us.index.intersection(returns_cn.index)
|
||
corr = returns_us[common_idx].corr(returns_cn[common_idx])
|
||
```
|
||
|
||
---
|
||
|
||
## 10. 术语速查表
|
||
|
||
| 中文 | English | 简要说明 |
|
||
|------|---------|----------|
|
||
| 量化交易 | Quantitative Trading | 用数学模型和程序自动化交易 |
|
||
| 复权 | Price Adjustment | 消除拆股/分红对价格的人为影响 |
|
||
| 前复权 | Forward Adjustment | 历史价格折算到当前水平 |
|
||
| 后复权 | Backward Adjustment | 当前价格折算到历史水平 |
|
||
| 复权因子 | Adjustment Factor | 价格调整的乘数 |
|
||
| 拆股 | Stock Split | 一股变多股，价格等比下降 |
|
||
| 除息日 | Ex-Dividend Date | 分红的价格自然下降日 |
|
||
| 简单收益率 | Simple Return | (P_t - P_{t-1}) / P_{t-1} |
|
||
| 对数收益率 | Log Return | ln(P_t / P_{t-1}) |
|
||
| 时间可加性 | Time Additivity | 对数收益率可直接相加的性质 |
|
||
| 面板数据 | Panel Data | 多标的 × 多时间的二维数据表 |
|
||
| 停牌 | Trading Suspension | 股票暂停交易 |
|
||
| 缺失值 | Missing Value / NaN | 数据中的空白 |
|
||
| 向前填充 | Forward Fill (ffill) | 用前一个有效值填充 NaN |
|
||
| 异常值 | Outlier | 远离正常范围的极端值 |
|
||
| 标准分数 | Z-score | 偏离均值的标准差倍数 |
|
||
| 中位数绝对偏差 | MAD (Median Absolute Deviation) | 更稳健的异常值检测方法 |
|
||
| 缩尾处理 | Winsorize | 将极端值截断到分位数边界 |
|
||
| 前视偏差 | Lookahead Bias | 回测中使用未来数据的错误 |
|
||
| 幸存者偏差 | Survivorship Bias | 数据集只包含"活下来"的标的 |
|
||
| 涨跌停 | Price Limit / Circuit Breaker | 单日涨跌幅上限（A 股 ±10%）|
|
||
| 厚尾 | Fat Tails / Leptokurtosis | 极端事件比正态分布更频繁 |
|
||
| 偏度 | Skewness | 分布的左右不对称程度 |
|
||
| 峰度 | Kurtosis | 分布尾部的厚度 |
|
||
| 交易日历 | Trading Calendar | 某市场的所有交易日集合 |
|
||
| 流动性 | Liquidity | 资产在市场上被买卖的难易程度 |
|
||
|
||
---
|
||
|
||
*下一篇：[策略开发与向量化回测](doc_02_strategy_backtest.md)*
|