2. 金融数据源概览
在多源金融数据的事件时间对齐中，第一步不是写代码，而是建立对数据源本身的“时间语义地图”。同一笔市场事件，在行情、交易、公告、新闻、财报、宏观六类数据源中，其被记录、被发布、被生效的时间往往并不一致。若忽略这些差异，后续对齐就会把“发布时间”误当“发生时间”，把“报告期”误当“披露时间”，导致特征穿越或事件错配。
一、六类数据源的时间语义与频率特征
下表从频率、典型时间字段、时间语义和主要对齐风险四个角度，对六类数据源进行横向对比。这是本章最需要先建立的整体认知。
| 数据源 | 典型频率 | 关键时间字段 | 时间语义 | 主要对齐风险 |
|---|---|---|---|---|
| 行情 | 毫秒~日频 | trade_time、quote_time、exchange_ts | 交易所撮合或快照生成时刻 | 交易所时钟与本地时钟偏差、快照非连续 |
| 交易 | 逐笔/订单级 | order_ts、exec_ts、cancel_ts | 订单与成交的实际发生时刻 | 撤单与成交乱序、回报延迟 |
| 公告 | 事件驱动 | publish_time、effective_date | 披露时刻与生效日期分离 | 盘后发布、次日生效，易造成前视 |
| 新闻 | 秒级~分钟级 | news_time、ingest_time | 媒体发布与系统入库不同步 | 转载、修订、时区不统一 |
| 财报 | 季度/年度 | report_period、announce_date | 报告期与披露日严格区分 | 把报告期当可用时间，严重前视 |
| 宏观 | 月/季/年 | period、release_time、revision | 统计期、初值、修正值多层 | 修正值回填、发布滞后 |
二、核心原理：三类时间与可用时间边界
无论数据源如何变化，事件时间对齐都围绕三类时间展开：事件时间（事情真实发生）、记录时间（系统写入）、可用时间（下游可安全使用）。行情和交易的记录时间通常接近事件时间，延迟以毫秒计；公告、新闻、财报、宏观则存在明显的“发布—生效—修正”链条，可用时间往往晚于事件时间数小时到数月。
因此，对齐时不能简单按事件时间排序，而应构造统一的“可用时间轴”。对每条记录，取所有时间字段中“最晚且真实可观测”的那个作为可用时间下界。例如财报的可用时间应取 announce_date 而非 report_period；宏观数据若存在修正，应保留 revision_time 并只使用当时已发布的版本。
三、方法流程：从数据源到统一时间轴
- 字段盘点：列出每个数据源的全部时间字段，标注其语义（发生/记录/发布/生效/修正）。
- 时区归一：统一为 UTC 或交易所本地时间，并记录原始时区，避免跨市场错位。
- 可用时间计算：按业务规则确定可用时间，如公告取 publish_time，财报取 announce_date，宏观取 release_time。
- 频率对齐：高频行情可降采样到决策频率，低频数据可前向填充，但填充只能使用已发布值。
- 乱序与重复处理：对逐笔和新闻按可用时间排序，处理重复转载与修订版本。
- 对齐验证：抽样检查是否存在“特征时间晚于标签时间”的穿越样本。
# 示例：统一可用时间字段（伪代码）
def resolve_available_time(row, source):
if source == "quote":
return row["exchange_ts"]
if source == "announcement":
return row["publish_time"]
if source == "financial_report":
return row["announce_date"] # 不是 report_period
if source == "macro":
return row["release_time"] # 不是 period
return row["ingest_time"]
四、案例场景：同一事件的六源时间线
假设某上市公司在 2024-04-25 收盘后发布年报，报告期为 2023-12-31，新闻在 19:30 转载，行情在次日 09:30 反应，宏观数据在 05-15 发布。若以报告期 2023-12-31 作为特征时间，模型会在 2024 年初就“提前知道”年报内容，形成严重前视。正确做法是以 announce_date 2024-04-25 作为可用时间，新闻和行情则按各自可用时间对齐到该事件之后。
五、误区与复盘
- 误区一：用报告期代替披露日。财报、宏观的 period 只是统计区间，真正可用时间是发布日，混用会造成数月级前视。
- 误区二：忽略时区。跨市场数据若未统一时区，行情与新闻可能错位数小时，事件窗口完全失真。
- 误区三：把入库时间当事件时间。新闻转载和系统补录会让 ingest_time 远晚于 news_time，需按业务选择。
- 误区四：忽略修正值。宏观数据初值与修正值差异显著，回填修正值等于使用未来信息。
建立六类数据源的时间语义地图，是后续事件时间对齐、特征工程和回测可信度的基础。只有先分清“何时发生”与“何时可用”，才能让多源数据在同一时间轴上安全汇合。