4. 数据基础与治理
在Post-Trade TCA（交易后成交质量分析）中，模型与算法只是“上层建筑”，真正决定分析可信度的是数据底座。成交数据、行情数据、订单数据三类数据源构成了TCA的输入基础，而参考价选择、数据清洗与时间对齐则决定了这些输入能否被正确比较。本章围绕“数据链路如何从原始记录变成可分析的成交质量指标”展开，帮助学员建立可落地的数据治理框架。
一、核心原理：三类数据与一条时间轴
TCA的本质是“将成交价格与某个基准价格进行比较”，因此至少需要两类信息：成交记录（实际发生了什么）与参考价（应该以什么为基准）。但仅有这两类还不够，因为成交质量还取决于订单生命周期——下单时间、到达市场时间、成交时间、撤单时间等。因此，完整的TCA数据基础由三部分构成：
- 成交数据（Execution Data）：记录每笔成交的价格、数量、方向、成交时间、交易对手方、场所等。它是被评估的对象。
- 行情数据（Market Data）：提供市场基准，包括买卖盘口、中间价、最新成交价、成交量加权平均价（VWAP）等。它是比较的标尺。
- 订单数据（Order Data）：记录订单从创建到终结的全生命周期事件，包括下单、路由、修改、撤单、成交回报等。它是解释成交质量成因的关键。
三类数据必须挂在同一条时间轴上。时间对齐不是简单的“按时间戳排序”，而是要在不同精度、不同时区、不同事件语义之间建立可比较的时序关系。例如，订单在10:00:00.123到达交易所，行情快照在10:00:00.100更新，成交在10:00:00.150发生——只有明确各事件的时间语义，才能判断成交时市场处于什么状态。
二、方法流程：从原始数据到可分析数据集
一个可复用的TCA数据治理流程通常包含以下步骤：
- 数据接入与字段映射：将不同来源的成交、行情、订单数据统一到标准字段模型。例如，成交数据中的“成交时间”可能来自交易所时间戳、券商回报时间或本地记录时间，必须明确字段语义。
- 数据清洗：处理缺失值、重复记录、异常价格与异常数量。例如，成交价格偏离当日涨跌停板、数量为负、时间戳倒序等都需要标记或剔除。
- 时间对齐：将成交事件与行情快照、订单事件按时间轴对齐。常用方法包括最近邻匹配、前向填充、区间匹配等。
- 参考价选择：根据分析目标选择基准价格，如到达价（Arrival Price）、VWAP、TWAP、收盘价、开盘价等。
- 数据集构建与版本管理：生成可复现的分析数据集，记录清洗规则、对齐参数与参考价定义，确保不同时间、不同团队的分析结果可比。
关键原则：时间对齐必须保留“事件语义”。成交时间、行情时间、订单时间可能分别代表“交易所撮合时间”“行情发布时间”“订单到达时间”，不能简单混用。建议在数据模型中为每个时间戳增加“时间类型”标签。
三、参考价选择：不同基准决定不同结论
参考价是TCA的“标尺”，选择不同基准会得出不同的成交质量结论。以下是常见参考价及其适用场景：
| 参考价类型 | 定义 | 适用场景 | 注意事项 |
|---|---|---|---|
| 到达价（Arrival Price） | 订单到达市场时的中间价或最新成交价 | 评估执行时机与滑点 | 需明确“到达”定义：下单时间还是交易所接收时间 |
| VWAP | 区间内成交量加权平均价 | 评估大单执行是否优于市场平均 | 区间选择影响结果，需与订单生命周期匹配 |
| TWAP | 区间内时间加权平均价 | 评估均匀执行策略 | 对成交量分布不敏感，适合流动性均匀场景 |
| 收盘价/开盘价 | 特定时点的官方价格 | 评估收盘/开盘竞价执行 | 仅适用于对应时段成交 |
| 中间价（Mid Price） | 买一与卖一的均值 | 快速评估买卖价差成本 | 盘口稀疏时可能失真 |
选择参考价时，必须与交易策略和分析目标一致。例如，评估算法执行质量时，到达价和VWAP是常用组合；评估被动挂单成交时，中间价或盘口价更合适。切忌用收盘价去评估一笔上午的主动成交，否则结论会被时间错配严重扭曲。
四、案例与场景：一次时间对齐失败引发的误判
某交易团队在复盘一笔大额买入订单时，发现滑点异常高。初步分析显示，成交均价明显高于当日VWAP，团队一度认为执行算法存在严重问题。但经过数据治理排查，发现以下问题：
- 成交数据中的时间戳来自券商回报系统，比交易所撮合时间晚约200毫秒；
- 行情数据中的时间戳为交易所快照时间，但快照间隔为500毫秒；
- 订单数据中的“下单时间”为本地系统时间，未与交易所时间同步。
由于三类数据的时间语义不一致，简单按时间戳排序后，成交被错误地匹配到了较早的行情快照，导致参考价偏低，滑点被高估。修正方法是为每个时间戳增加时间类型标签，并统一到交易所时间轴，再按“最近邻+前向填充”规则重新对齐。修正后，滑点回归正常区间，算法问题被排除。
常见误区：很多团队在TCA初期只关注成交数据与行情数据的匹配，忽略订单数据的时间语义。实际上，订单事件是解释成交质量成因的关键。没有订单数据，你只能看到“结果”，无法回答“为什么”。
五、数据清洗与时间对齐的工程实践
在工程实现上，建议采用以下配置与规则：
# 数据清洗规则示例（伪代码）
cleaning_rules:
drop_duplicates: true
price_range_check: [涨停价, 跌停价]
quantity_positive: true
timestamp_monotonic: true
missing_value_policy: "标记并隔离"
# 时间对齐配置示例
time_alignment:
base_clock: "exchange_time"
market_data_fill: "forward"
execution_match: "nearest"
tolerance_ms: 500
order_event_window_ms: 1000
# 参考价定义示例
reference_price:
arrival: "mid_price_at_order_arrival"
vwap_window: "order_start_to_order_end"
twap_interval: "1min"
清洗后的数据应保留审计痕迹：哪些记录被剔除、为什么剔除、对齐时使用了哪个行情快照、参考价如何计算。这些元数据是TCA结果可解释、可复现的基础。
实战建议：在TCA项目启动阶段，先花时间建立“数据字典”和“时间语义表”，明确每个字段的含义、单位、时区和精度。这比急于跑模型更能提升最终分析质量。数据治理不是一次性工作，而应嵌入日常数据管道，持续监控数据质量指标，如缺失率、时间偏差、异常值比例等。
总结来说，成交数据、行情数据、订单数据是TCA的三根支柱，参考价选择决定了分析视角，数据清洗与时间对齐则决定了分析结果是否可信。只有把数据基础打牢，后续的滑点分析、市场冲击归因和算法优化才有意义。