1. 课程导论:什么是行情数据坏账率、为什么需要哨兵回放验证、课程目标与学习路径
1.1 什么是行情数据坏账率
在量化交易与金融风控领域,行情数据坏账率是指因行情数据缺失、延迟、错误或异常,导致风控模型或交易策略做出错误判断,进而产生不可挽回的财务损失的比例。它与传统信贷坏账率不同,核心关注的是数据质量引发的风险敞口。
| 维度 | 传统信贷坏账率 | 行情数据坏账率 |
|---|---|---|
| 风险来源 | 借款人违约 | 行情数据质量缺陷 |
| 计量单位 | 逾期金额 / 总贷款额 | 错误信号导致的亏损 / 总交易额 |
| 触发场景 | 还款日逾期 | Tick 级数据断流、快照错位、延迟超阈值 |
| 修复成本 | 催收、核销 | 回放验证、数据修复、模型重训 |
关键公式: 行情数据坏账率 = Σ(因数据质量问题导致的交易亏损) / Σ(同期总交易名义本金) × 100%
1.2 为什么需要哨兵回放验证
传统的行情数据质量监控通常采用实时阈值告警方式,例如:
- 心跳超时告警
- 价格变动幅度超限告警
- 数据量级突降告警
然而,这些告警只能发现表象异常,无法评估该异常对历史交易策略的实际财务影响。哨兵回放验证的核心思想是:
- 录制:将生产环境的行情数据流完整录制为回放文件。
- 回放:在隔离环境中,将录制数据重新注入风控模型或交易引擎。
- 比对:对比回放结果与原始交易结果,量化因数据质量差异导致的损益偏差。
实践提示: 哨兵回放验证不是一次性工作,而是每次行情数据源变更、版本升级或异常事件复盘后的标准操作流程。
1.3 课程目标与学习路径
本课程旨在帮助金融风控与量化技术团队,建立一套可工程化落地的行情数据坏账率哨兵回放验证体系。完成本课程后,你将能够:
- 量化评估:准确计算任意时间窗口内的行情数据坏账率。
- 自动化回放:搭建基于 Python 的哨兵回放验证框架,支持多数据源、多策略并行回放。
- 异常归因:通过回放比对结果,快速定位导致坏账的具体数据字段与时间点。
- 持续监控:将回放验证集成到 CI/CD 流水线,实现每日自动巡检。
学习路径总览
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1-5 章 | 坏账率定义、数据录制规范、回放文件格式设计 |
| 核心篇 | 第 6-15 章 | 回放引擎实现、风控模型对接、比对分析算法 |
| 工程篇 | 第 16-25 章 | 分布式回放、性能优化、可视化看板 |
| 实战篇 | 第 26-30 章 | 真实场景复盘、故障注入演练、持续集成 |
前置要求: 建议学习者具备 Python 3.8+ 基础、pandas 数据处理经验,以及基本的金融行情数据结构(Tick、K线)认知。课程中涉及的所有代码均提供完整示例,可直接运行。