2. 金融时序数据基础
在进入 Walk-Forward 验证与滚动训练之前，必须先建立对金融时间序列数据本身的正确认知。很多回测失真、模型过拟合、验证结果虚高的问题，根源并不在模型结构，而在于数据的时间特性被忽略、频率被混用、对齐方式错误。本节围绕三个基础问题展开：金融时序有哪些区别于普通数据的特性？常见金融数据类型各自意味着什么？不同频率的数据如何正确对齐？
一、核心原理：金融时间序列的四个关键特性
金融时间序列不是普通的独立同分布样本，它带有强烈的时间结构。理解以下四个特性，是后续所有验证设计的前提。
- 非平稳性：均值、方差、相关性随时间变化。价格序列通常是非平稳的，而收益率序列更接近弱平稳。直接对价格建模容易得到虚假的高相关。
- 自相关与波动聚集：收益率的方向自相关往往很弱，但绝对收益或平方收益存在显著自相关，表现为“大波动跟着大波动”，即波动聚集（Volatility Clustering）。
- 时序依赖与信息泄漏：未来信息不能出现在特征中。任何使用未来数据构造的特征、标准化参数、缺失值填充，都会造成前视偏差（Look-ahead Bias）。
- 非同步与缺失：不同市场、不同资产、不同频率的数据在时间戳上并不天然一致，存在停牌、休市、时区差异和缺失值。
关键结论：Walk-Forward 验证的本质，是在时间维度上模拟“只用过去信息预测未来”。因此，数据的平稳性处理、频率选择和对齐方式，直接决定了验证是否可信。
二、金融数据常见类型与频率体系
金融数据可按“内容类型”和“时间频率”两个维度划分。内容类型决定建模目标，频率决定样本密度与噪声水平。
| 数据类型 | 典型字段 | 常见频率 | 建模用途 |
|---|---|---|---|
| 行情数据 | 开高低收、成交量、成交额 | tick、1min、5min、日线 | 价格预测、波动率、技术因子 |
| 基本面数据 | 营收、利润、ROE、估值 | 季度、年度 | 横截面选股、价值因子 |
| 宏观数据 | 利率、CPI、PMI、M2 | 月度、季度 | 择时、风险暴露 |
| 另类数据 | 新闻情绪、搜索指数、资金流 | 日、小时、事件驱动 | 情绪因子、事件策略 |
频率越高，样本越多，但噪声、微观结构效应和交易成本占比也越高。日频数据适合中低频因子研究，分钟级数据适合日内与执行优化，但需要更严格的对齐与去噪处理。
三、数据频率与对齐方法
多源数据进入同一模型前，必须统一到同一时间轴。对齐的核心原则是：只能把“当时已经可得”的信息放到该时间点上。常见操作包括重采样、前向填充和时区统一。
import pandas as pd
# 假设 df 为分钟级行情，索引为带时区的时间戳
df = df.tz_convert("Asia/Shanghai")
# 重采样为日频：取每日最后一条收盘价与成交量之和
daily = df.resample("1D").agg({
"close": "last",
"volume": "sum"
})
# 基本面季度数据对齐到日频：使用前向填充，避免未来信息
fund = fund.reindex(daily.index, method="ffill")
# 合并多源数据，保留日频时间轴
merged = daily.join(fund, how="left")
前向填充（ffill）适用于低频基本面数据对齐到高频时间轴；但绝不能使用后向填充（bfill）或插值来“补未来”，否则会引入前视偏差。
四、案例场景：日频与季度数据的对齐陷阱
假设我们用季度 ROE 预测下月收益率。若把财报公告日当作数据可用日，而不是报告期末日，就会提前使用尚未公布的信息。正确做法是以“公告日”为对齐基准，并在公告日之后才允许该数据进入特征。
再比如，将与 A 股数据合并时，两者交易时段和节假日不同。若简单按日期合并，会出现大量空值或错位。应先统一时区，再按各自交易日历对齐，最后在共同交易日上取交集或使用前向填充。
五、误区与复盘
- 误区一：用价格直接做回归。价格非平稳，容易产生伪回归。应先转为收益率或做差分。
- 误区二：全局标准化。用全样本均值和方差做标准化，会把未来信息带入训练集。应使用滚动窗口或扩展窗口统计量。
- 误区三：忽略公告日。基本面数据必须按公告日对齐，而不是报告期末日。
- 误区四：频率混用不检查。分钟、日、季度数据合并后，必须检查时间戳、时区和缺失情况，避免错位。
在 Walk-Forward 验证中，任何对齐操作都必须在每个训练窗口内独立完成。若在窗口外统一做填充或标准化，验证结果将不可信。
掌握本节的数据特性、类型与对齐方法后，后续的滚动训练与验证才有可靠的数据基础。数据层面的严谨程度，往往比模型选择更能决定最终策略的稳健性。