📚 课程目录第3章退市机制解析

3. 退市机制解析

在构建退市证券数据集时，最先遇到的障碍往往不是数据抓取，而是对“退市”本身的理解偏差。很多研究者把退市简单等同于“股票消失”，但在真实市场里，退市是一个由多类规则、多个触发条件和多阶段流程共同构成的状态迁移过程。如果这一步理解不清，后续的幸存者偏差修正就会建立在错误的口径之上。本节从退市类型入手，逐层拆解触发条件、流程节点与数据影响。

一、核心原理：退市不是单一事件，而是分类状态迁移

退市机制的本质，是交易所依据一套公开规则，将不再满足持续上市条件的证券从集中交易市场移除。理解它的关键在于两个维度：退市类型和触发条件。类型决定了证券离开市场的方式，触发条件决定了它为什么离开。

从数据研究视角看，退市类型通常分为以下几类：

强制退市：因财务、交易、规范或重大违法等原因被交易所强制终止上市，是幸存者偏差最需要关注的部分。
主动退市：公司因私有化、并购、战略调整等主动申请撤回上市，常见于要约收购或吸收合并场景。
转板退市：从主板或创业板转至其他板块，证券并未真正消失，只是更换了交易场所。
技术性退市：因代码变更、合并换股、存托凭证转换等导致原证券代码不再交易。

这四类中，强制退市和主动退市对收益率序列的影响最大，转板和技术性退市则更多影响证券标识的连续性。若在数据清洗时把转板也当作“死亡”处理，会人为放大幸存者偏差的修正幅度。

二、触发条件：财务、交易、规范与违法四条主线

以A股市场为例，强制退市的触发条件可归纳为四条主线，每条主线内部又有若干量化指标。理解这些指标，有助于在数据中识别“退市风险警示”与“终止上市”两个不同阶段。

触发主线	典型指标	数据字段示例	风险阶段
财务类	净利润为负且营收低于阈值、净资产为负、审计意见为无法表示意见	net_profit, revenue, net_assets, audit_opinion	*ST → 终止上市
交易类	连续20个交易日收盘价低于1元、市值低于阈值、股东人数过低	close_price, market_cap, shareholder_num	直接终止上市
规范类	未按期披露年报、信息披露存在重大缺陷	report_date, disclosure_flag	*ST → 终止上市
重大违法类	财务造假、欺诈发行、涉及国家安全等重大违法	violation_type, penalty_date	强制退市

需要特别注意的是，交易类退市没有风险警示缓冲期，一旦触发即直接终止上市。这意味着在日频数据中，这类证券的最后一个交易日往往就是价格跌破阈值的第20个交易日，数据上表现为“突然消失”，而不是逐步走低。

数据提示：在构建退市样本时，建议同时保留“退市整理期”数据。退市整理期通常为15或30个交易日，价格波动剧烈，若直接剔除，会低估退市证券的真实损失。

三、流程与状态迁移：从风险警示到摘牌

退市流程并非一步到位，而是一个多阶段状态迁移。以财务类强制退市为例，典型路径为：正常上市 → 触及财务指标 → 被实施退市风险警示（*ST）→ 下一个会计年度仍不达标 → 终止上市决定 → 退市整理期 → 摘牌。

下面用一段伪代码描述状态迁移的判断逻辑，便于在数据管道中落地：

def classify_delist_status(row):
    if row.audit_opinion == "无法表示意见":
        return "RISK_WARNING"
    if row.net_profit < 0 and row.revenue < 100_000_000:
        return "RISK_WARNING"
    if row.close_price < 1.0 and row.low_price_days >= 20:
        return "TERMINATED"
    if row.market_cap < 300_000_000 and row.low_cap_days >= 20:
        return "TERMINATED"
    if row.report_date is None:
        return "RISK_WARNING"
    return "NORMAL"

这段逻辑的关键在于区分“风险警示”和“终止上市”两个状态。风险警示阶段证券仍在交易，只是被冠以*ST前缀；终止上市阶段才真正进入退市整理期。数据研究者若只保留“终止上市”标签，会丢失风险警示阶段的收益率信息，导致偏差修正不完整。

四、案例与场景：退市数据在回测中的真实影响

假设我们构建一个2015—2023年的A股全市场动量策略。若只使用当前仍在交易的股票池，会天然剔除所有退市证券。这些退市证券在退市前往往经历了大幅下跌，剔除它们相当于人为剔除了策略中最差的收益样本，导致回测年化收益率被高估。

一个典型的场景是：某只股票在2019年被实施*ST，2020年进入退市整理期，整理期内价格从2.5元跌至0.8元，跌幅68%。如果数据集中没有这只股票，那么2020年的策略收益就会少掉这一笔真实亏损。当这样的样本累积到几十只时，年化收益率的偏差可能达到2～5个百分点。

常见误区：把“退市”等同于“归零”。实际上，退市整理期仍有交易，摘牌后部分证券会转入全国中小企业股份转让系统继续交易。直接按0收益处理，会低估退市证券的残值，同样造成偏差。

五、复盘：退市数据处理的三条检查清单

类型是否区分：强制退市、主动退市、转板退市是否被分别标记？转板不应计入“死亡”样本。
阶段是否完整：是否保留了风险警示期和退市整理期的日频数据？这两个阶段是偏差修正的关键区间。
摘牌后是否追踪：摘牌后转入三板或其他市场的证券，是否有后续价格记录？若有，应纳入收益序列。