4. 持仓数据基础
做风格漂移与持仓稳定性分析，第一步不是建模，而是把持仓数据“拿对、拿全、拿干净”。公募基金的持仓并非每日可见，而是按监管节奏分批披露；不同报告期披露的颗粒度、字段含义、更新时点差异很大。如果忽略这些规则，后续的行业暴露、风格因子、换手率测算都会系统性失真。本节从披露规则出发，串起数据获取、清洗与预处理的完整链路。
一、核心原理：披露规则决定了数据的“可见边界”
根据现行信息披露规则，基金定期报告分为季报、半年报和年报，其持仓披露要求存在明显差异。理解这张“披露地图”，是判断数据可用性的前提。
| 报告类型 | 披露时限 | 持仓披露范围 | 分析价值 |
|---|---|---|---|
| 季报 | 季度结束后15个工作日内 | 仅前十大重仓股/债券 | 高频跟踪，但覆盖不完整 |
| 半年报 | 上半年结束后2个月内 | 全部持仓明细 | 可算完整行业暴露 |
| 年报 | 年度结束后3个月内 | 全部持仓明细 | 最完整，含关联交易等 |
关键结论有三点：其一，季报只有前十大，无法直接计算全组合行业权重，只能做“重仓股风格”近似；其二，半年报与年报才提供全持仓，是风格漂移检验的黄金数据；其三，披露存在时滞，回测时必须使用“公告日”而非“报告期末日”，否则会引入未来函数。
常见误区：用报告期末日作为数据可用日。例如年报报告期是12月31日，但实际披露可能到次年3月。若在1月就使用该数据，等于提前获知未来信息，回测收益会被严重高估。
二、方法流程：从获取到可分析数据集
完整流程可归纳为“获取—解析—对齐—清洗—校验”五步。下面给出一个可复用的处理骨架。
# 伪代码：持仓数据预处理主流程
1. 拉取定期报告元数据（基金代码、报告期、公告日、报告类型）
2. 下载报告全文/结构化持仓表
3. 解析持仓明细：股票代码、名称、数量、市值、占净值比
4. 对齐报告期与公告日，建立 point-in-time 快照
5. 清洗：去重、单位统一、缺失值处理、代码标准化
6. 校验：权重合计、行业分类映射、异常值检测
7. 输出：标准持仓面板数据（fund_id, report_date, pub_date, stock_id, weight）
其中“对齐”是最容易被忽视的一步。建议为每条持仓记录同时保留报告期和公告日两个时间字段，后续所有因子计算都按公告日做 as-of 连接。
三、数据清洗与预处理要点
- 代码标准化：统一为带交易所后缀的格式（如 600519.SH、000001.SZ），避免同一股票因代码格式不同被拆成两条。
- 单位统一：市值统一为元或万元，数量统一为股，占净值比统一为百分比小数。
- 缺失值处理：季报缺失的非前十大持仓不能简单填0，应标记为“未披露”，在全持仓分析中剔除该期或降权使用。
- 权重校验：全持仓权重合计应接近100%，若偏差超过阈值需回溯报告原文。
- 行业映射：将股票代码映射到统一行业分类（如申万一级），并保留映射版本号，避免分类调整导致历史不可比。
建议建立“数据质量日志”，记录每期报告的解析成功率、权重合计偏差、异常股票数量。长期积累后，可快速定位某只基金或某个报告期的数据问题。
四、案例场景：一次季报与年报的口径冲突
假设分析某主动权益基金2023年的风格漂移。若只用季报前十大重仓股计算行业权重，会得到“重仓新能源”的结论；但用年报全持仓计算，发现其前十大之外还持有大量消费与医药，实际行业分布更均衡。若直接以季报结论判断漂移，就会误判。
正确做法是：以半年报/年报全持仓为基准，季报仅用于观察重仓股变化趋势，并在报告中明确标注数据口径。对于季报缺失部分，可采用“前十大权重归一化”做近似，但必须说明其局限性。
五、复盘与常见误区
- 把季报当全持仓：导致行业权重被前十大主导，风格判断偏激进。
- 忽略公告日：用报告期末日回测，产生前视偏差。
- 代码未标准化：同一股票重复计数，权重合计异常。
- 行业映射不统一：不同年份分类版本混用，历史对比失真。
- 缺失值填0：把“未披露”误当“未持有”，低估组合分散度。
把以上规则和流程固化为可重复的数据管道，后续的风格漂移检验、持仓稳定性指标才有可靠地基。数据基础打得越扎实，模型结论越经得起推敲。