2. 金融时间序列与横截面数据基础

在横截面均值回归与多资产统计研究中，数据质量决定了策略的上限。无论模型多精巧，如果收益率计算口径不一致、面板数据对齐错误，或清洗环节引入前视偏差，最终得到的统计显著性都可能是幻觉。本节从收益率计算出发，逐步建立面板数据结构，厘清横截面与时间序列的差异，并给出常见数据源与清洗方法。

一、收益率计算：从价格到可比较的收益

金融研究的第一步是把价格序列转换为收益率。常见形式有三种：简单收益率、对数收益率和超额收益率。

• 简单收益率：\( r_t = P_t / P_{t-1} - 1 \)，直观反映资产价值变化，适合计算组合权重与盈亏。
• 对数收益率：\( r_t = \ln(P_t / P_{t-1}) \)，具有时间可加性，适合统计建模与多期累计。
• 超额收益率：减去无风险利率或市场基准，用于横截面比较与因子研究。

在横截面研究中，收益率必须满足“同一时间截面内可比”的原则。若不同资产使用不同复权方式、不同交易时区或不同频率，横截面排序就会失真。以下代码展示如何从原始价格计算对数收益率并处理缺失值：

import pandas as pd
import numpy as np

# 假设 prices 为 DataFrame，index 为日期，columns 为资产代码
prices = prices.sort_index()
prices = prices.ffill(limit=3)  # 有限前向填充，避免长期停牌污染

log_ret = np.log(prices / prices.shift(1))
log_ret = log_ret.replace([np.inf, -np.inf], np.nan)

# 横截面去极值：按日对收益率做 1%/99% 缩尾
def winsorize_cs(row, lower=0.01, upper=0.99):
    if row.notna().sum() < 5:
        return row
    lo, hi = row.quantile(lower), row.quantile(upper)
    return row.clip(lo, hi)

log_ret = log_ret.apply(winsorize_cs, axis=1)

二、面板数据：时间与截面的二维结构

面板数据（Panel Data）是横截面与时间序列的结合体，通常表示为三维结构：时间 × 资产 × 变量。在量化研究中，最常见的面板形式是“日期 × 资产代码”的二维矩阵，每个单元格存放收益率、因子暴露或财务指标。

面板数据的核心操作包括：对齐、分组、滚动计算和截面标准化。以下清单概括了面板数据处理的标准流程：

1. 时间对齐：统一交易日历，处理不同市场休市日差异。
2. 资产对齐：处理上市、退市、停牌和代码变更。
3. 缺失处理：区分随机缺失与结构性缺失，避免简单填充。
4. 截面标准化：按日对因子做 z-score 或排序，消除量纲影响。
5. 滚动窗口：确保计算仅使用历史信息，防止前视偏差。

下表对比了横截面数据与时间序列数据在分析目标、统计方法和常见陷阱上的差异：

三、横截面与时间序列的差异：为什么不能混用

时间序列关注“一个资产如何随时间变化”，横截面关注“同一时间不同资产为何不同”。两者的统计推断逻辑不同：时间序列的样本量来自时间维度，横截面的样本量来自资产维度。若在横截面回归中忽略时间序列自相关，标准误会被低估；若在时间序列分析中混入横截面排序，则可能引入选择偏差。

在均值回归策略中，这一差异尤为关键。时间序列均值回归研究单个资产价格偏离长期均值的回复速度；横截面均值回归研究的是“过去表现较差的资产是否在未来跑赢过去表现较好的资产”。前者依赖单资产历史，后者依赖横截面排序与分组。两者可以结合，但必须分别处理数据结构和统计假设。

四、常见数据源与清洗方法

量化研究常见数据源包括：行情数据（日频、分钟频）、基本面数据（财报、估值）、另类数据（舆情、卫星、供应链）。不同数据源的频率、延迟和覆盖范围差异很大，清洗策略也需相应调整。

• 行情数据：处理拆股、分红复权，统一复权方式；剔除停牌日与涨跌停无法成交的样本。
• 基本面数据：按公告日而非报告期对齐，避免前视偏差；处理财报重述。
• 另类数据：关注覆盖偏差与时间戳精度，做频率降采样与标准化。

以下是一个典型的数据清洗检查清单，可用于每日数据入库前的自动化校验：

def data_quality_check(df):
    report = {}
    report['missing_ratio'] = df.isna().mean().mean()
    report['duplicated_index'] = df.index.duplicated().sum()
    report['extreme_ret'] = (df.abs() > 0.5).sum().sum()
    report['zero_volume_days'] = (df == 0).sum().sum()
    return report

# 示例输出
# {'missing_ratio': 0.012, 'duplicated_index': 0,
#  'extreme_ret': 3, 'zero_volume_days': 47}

综合来看，收益率计算决定了数据的可比性，面板结构决定了分析的组织方式，横截面与时间序列的差异决定了统计方法的选择，而数据源与清洗方法决定了结论的稳健性。这四者共同构成横截面均值回归与多资产统计研究的数据基础。