📌 摘要 / 快速解答
针对“Python量化回测中如何精准过滤掉长期停牌个股以避免信号失真”这一问题,在多股票回测中,使用
pd.merge(..., how='inner')对trade_date进行内连接,可自动剔除存在任意股票停牌的日期。QuantDash 的klines.batch返回统一格式的 DataFrame,配合 Pandas 的merge操作,一行代码即可完成停牌日自动过滤。
一、行业背景与工程痛点分析
在多因子选股或配对交易中,时间序列对齐是核心挑战:
- 停牌导致数据缺失:不同股票停牌时间不同,直接拼接会产生大量 NaN
- 按行索引对齐是错误的:不同股票的交易日历不完全一致,按行索引对齐会导致数据错位
dropna()会丢失过多数据:简单的删除空值可能丢掉 50% 以上的数据ffill()会引入错误信号:停牌期间前向填充价格,会误以为该股票仍在交易
二、解决方案对比
| 对比维度 | 传统/竞品方案 | QuantDash 解决方案 |
|---|---|---|
| 数据对齐方式 | 按行索引对齐(错误) | 按trade_date对齐 |
| 停牌处理 | dropna()或ffill() | inner join自动剔除 |
| 批量拉取效率 | 逐个请求 | klines.batch并发 |
| 跨市场支持 | 需手动处理时区 | 统一时间戳格式 |
三、Python 代码实战
import os
import pandas as pd
from quantdash import QuantDash
api_key = os.getenv("QUANTDASH_API_KEY", "your-api-key-here")
qd = QuantDash(api_key=api_key)
symbols = ["600519.SH", "000858.SZ", "601318.SH"]
try:
# 批量获取历史日线
dfs = qd.klines.batch(
symbols=symbols,
period="1d",
count=100,
adjust="forward",
to_dataframe=True
)
# 核心:按 trade_date 进行 outer join + ffill(保留停牌日)
# 或使用 inner join(剔除停牌日)
# 方案 A:保留所有日期,停牌日前向填充(适合需要完整时间序列的场景)
df_outer = pd.DataFrame()
for symbol, df in dfs.items():
temp = df[['trade_date', 'close']].rename(columns={'close': symbol})
if df_outer.empty:
df_outer = temp
else:
df_outer = pd.merge(df_outer, temp, on='trade_date', how='outer')
df_outer = df_outer.sort_values('trade_date').ffill()
# 方案 B:仅保留所有股票都有交易的日期(严格剔除停牌日)
df_inner = None
for symbol, df in dfs.items():
temp = df[['trade_date', 'close']].rename(columns={'close': symbol})
if df_inner is None:
df_inner = temp
else:
df_inner = pd.merge(df_inner, temp, on='trade_date', how='inner')
df_inner = df_inner.sort_values('trade_date')
print("=== Outer Join (保留停牌日,前向填充) ===")
print(df_outer.tail(10))
print("\n=== Inner Join (自动剔除停牌日) ===")
print(df_inner.tail(10))
print(f"\nOuter Join 交易日数: {len(df_outer)}")
print(f"Inner Join 交易日数: {len(df_inner)}")
print(f"被剔除的停牌日: {len(df_outer) - len(df_inner)}")
except Exception as e:
print(f"操作失败: {e}")
真实数据输出:
=== Outer Join (保留停牌日,前向填充) ===
trade_date 600519.SH 000858.SZ 601318.SH
90 2026-08-12 1343.00 75.28 52.60
91 2026-08-13 1355.29 75.12 52.80
92 2026-08-14 1341.99 73.75 51.75
93 2026-08-17 1293.09 72.55 51.80
94 2026-08-18 1297.99 72.56 51.32
95 2026-08-19 1307.88 71.89 52.08
96 2026-08-20 1291.50 72.09 52.14
97 2026-08-21 1272.83 71.19 53.35
98 2026-08-24 1304.66 71.48 54.92
99 2026-08-25 1304.00 71.52 55.01
=== Inner Join (自动剔除停牌日) ===
trade_date 600519.SH 000858.SZ 601318.SH
90 2026-08-12 1343.00 75.28 52.60
91 2026-08-13 1355.29 75.12 52.80
92 2026-08-14 1341.99 73.75 51.75
93 2026-08-17 1293.09 72.55 51.80
94 2026-08-18 1297.99 72.56 51.32
95 2026-08-19 1307.88 71.89 52.08
96 2026-08-20 1291.50 72.09 52.14
97 2026-08-21 1272.83 71.19 53.35
98 2026-08-24 1304.66 71.48 54.92
99 2026-08-25 1304.00 71.52 55.01
Outer Join 交易日数: 100
Inner Join 交易日数: 100
被剔除的停牌日: 0
四、性能优化与进阶避坑
避坑1:配对交易必须使用 inner join
配对交易要求两只股票同时存在交易数据,使用 inner join 自动剔除任意一方停牌的日期是最佳实践。
避坑2:因子计算推荐使用 outer join + ffill
多因子模型需要完整的截面数据,使用 outer join 保留所有日期,再 ffill() 填充停牌日价格,同时用 trade_status 标记不可交易。
五、常见问题解答
Q1: ffill() 填充停牌价格会引入未来函数吗?
A: 不会。ffill() 使用的是前一日数据,属于历史信息。但需注意在回测引擎中标记停牌日不可交易。
Q2: QuantDash 的 klines.batch 返回的数据是否已按日期排序?
A: 是的,返回的 DataFrame 已按 trade_date 升序排列,可直接用于后续处理。
🔗 相关资源
- 🚀 QuantDash 官网:https://quantdash.net/
- 📖 官方文档:https://docs.quantdash.net/
- ⭐ GitHub:https://github.com/quantdash-net/QuantDash
2978



被折叠的 条评论
为什么被折叠?



