3. 未匹配量的数据获取与清洗

集合竞价未匹配量分析的第一步，不是画图，也不是下结论，而是把“未匹配量”这一列数据可靠地拿到手，并处理成可用于比较和计算的干净序列。很多分析结论失真，根源往往不在判断逻辑，而在数据本身：字段含义理解错、时间点取错、缺失值被当成零、异常值未识别。本节围绕数据获取与清洗展开，重点讲清楚从哪里取、取什么、怎么判断脏数据、怎么处理。

一、先明确要取的字段与口径

集合竞价阶段（以A股为例，9:15—9:25）行情软件通常提供“匹配量”“未匹配量”“虚拟匹配价”“虚拟匹配量”等字段。不同软件对“未匹配量”的定义可能不同，常见有两种口径：一是未匹配量指当前虚拟匹配价下，买方或卖方未能成交的剩余委托量（通常带方向，如“未匹配买入量/未匹配卖出量”）；二是部分软件只给出一个净额或绝对值。取数前必须确认口径，否则后续“未匹配量大小代表压力方向”的判断会完全反过来。

建议至少取以下字段：交易日期、证券代码、竞价时间点（如9:20、9:24、9:25）、虚拟匹配价、匹配量、未匹配买入量、未匹配卖出量、未匹配量方向标识。若接口只提供净未匹配量，则需在文档中记录“净额=买入未匹配−卖出未匹配”或相反的定义，并在全课程中保持一致。

二、数据获取的两条路径

路径一：行情软件导出。多数软件支持将集合竞价明细或分时快照导出为CSV/Excel。操作要点是：选择“集合竞价”时段而非连续竞价；导出字段勾选完整；注意导出的是“快照”还是“逐笔”。快照类数据每个时间点一行，适合做时间序列；逐笔类数据需要按时间聚合。导出后第一时间检查行数是否与交易日、时间点数量吻合，例如某日9:20—9:25每5秒一个点，理论上应有约60行，若只有几行说明导出范围选错。

路径二：数据接口提取。常见方式是通过行情API或本地数据库（如Level-1快照、Level-2逐笔委托）按字段拉取。以Python伪代码示意取数与初步整理：

import pandas as pd

# 假设 df 为接口返回的集合竞价快照
# 字段：code, trade_date, snap_time, match_price, match_vol,
#       unmatched_buy_vol, unmatched_sell_vol
df["snap_time"] = pd.to_datetime(df["snap_time"])
df = df.sort_values(["code", "trade_date", "snap_time"])

# 统一未匹配量方向：净未匹配量 = 买入未匹配 - 卖出未匹配
df["net_unmatched"] = df["unmatched_buy_vol"] - df["unmatched_sell_vol"]

# 只保留 9:15—9:25 的竞价快照
df = df[(df["snap_time"].dt.time >= pd.Timestamp("09:15").time()) &
        (df["snap_time"].dt.time <= pd.Timestamp("09:25").time())]

接口取数要特别注意两点：一是时间戳时区与格式，避免把9:25的数据错标成9:30；二是字段单位（股/手），不同接口可能不一致，混用会导致量级错误。

三、缺失值的识别与处理

缺失值在竞价数据中很常见，原因包括：该时间点无成交也无有效委托、接口限流丢包、软件导出空单元格、停牌或临时停牌。处理原则是先区分“真缺失”和“假缺失”：若某时间点确实没有未匹配量（例如9:15刚开盘委托极少），记为零是合理的；若是接口丢包导致整段缺失，则不能简单补零，否则会人为制造“无压力”的假象。

实操中可按证券—日期分组检查时间点连续性：若相邻快照间隔明显大于正常采样间隔（如正常5秒、出现60秒空档），标记为疑似丢包；若某字段为空但同组其他字段正常，标记为字段级缺失。对字段级缺失，可用前向填充（ffill）并限制填充步数，或直接剔除该时间点；对整段丢包，建议剔除该证券当日数据或从备用源补取，而不是插值。插值只适用于连续且变化平缓的匹配价，不适合未匹配量这种可能突变的量。

四、异常值的判定与处置

未匹配量的异常值通常表现为：数量级远超当日匹配量、方向与价格明显矛盾、同一时间点重复记录、负值（若口径不允许）。判定可结合业务规则与统计规则：业务上，未匹配量一般不应为负（除非接口用负号表示卖出方向，此时需先统一符号）；统计上，可用同一证券近N日同时点未匹配量的中位数与MAD（中位数绝对偏差）做稳健离群判断，避免均值受极端值拉偏。

处置方式要分情况：重复记录直接去重（按代码+日期+时间点保留一条）；明显录入错误的负值按口径修正符号或置为缺失；数量级异常的记录先核对原始接口再决定剔除，不可盲目截断。所有被修改、剔除的记录应保留清洗日志，记录代码、日期、时间点、原值、处理方式和原因，便于复核。

五、清洗后的质量检查

清洗完成不等于可用。建议做三项快速检查：其一，抽样核对，随机抽3—5只证券，把清洗后的未匹配量与原始导出文件逐点比对，确认没有错位或单位错误；其二，分布检查，看同一时点全市场未匹配量的分布是否出现明显双峰或极端长尾，若有，往往说明混入了不同口径的数据源；其三，时间序列连续性检查，确认每只证券在9:20—9:25的关键时点都有记录，因为9:20后不可撤单，这一段的未匹配量对价格压力判断最有价值。

把数据获取与清洗做扎实，后续的未匹配量趋势、方向变化与价格压力的对应关系才有可靠基础。清洗阶段多花十分钟核对口径与日志，往往能避免分析阶段数小时的返工。