3. 样本筛选的业务问题定义

在集合竞价研究中，最容易被低估的一步不是建模，也不是统计检验，而是把一句模糊的业务诉求翻译成一组可执行、可验证的样本筛选条件。比如“我想研究异常竞价”“帮我看看哪些股票开盘流动性好”“能不能预测开盘后的走势”，这些说法在业务上听起来清楚，但在数据层面几乎无法直接落地——什么叫异常？流动性用什么度量？预测的时间窗口多长？不解决这些问题，后续的样本抽取、特征构造和检验都会建立在流沙之上。

本节的核心任务，是把模糊问题转化为可操作的样本筛选目标，并同时明确两类约束：筛选约束（哪些样本进入研究范围）与评价标准（用什么指标判断筛选是否有效、研究结论是否可信）。前者决定“看什么”，后者决定“怎么算看对了”。

一、模糊问题的三种典型形态

实际研究中，模糊诉求通常以三种形态出现，需要分别拆解。

第一种是概念模糊。“异常竞价”本身没有定义。是竞价阶段成交量异常放大，还是竞价价格相对前收盘大幅偏离，抑或是竞价撤单率异常？不同定义会筛出完全不同的样本。此时要做的是把概念拆成可观测的代理变量，例如用“竞价成交量 / 过去20日同时段成交量均值”衡量放量程度，用“（竞价参考价 − 前收盘价）/ 前收盘价”衡量价格偏离，用“竞价撤单量 / 竞价委托量”衡量撤单强度。

第二种是对象模糊。“流动性好的股票”没有说明市场范围、板块范围和时间范围。是沪深主板还是包含创业板、科创板？是全部交易日还是特定行情阶段？是看竞价阶段的流动性还是全天流动性？对象不界定，样本池就无法固定。

第三种是目标模糊。“预测开盘走势”没有说明预测什么、预测多长、以什么为基准。是预测开盘后30分钟收益率方向，还是预测开盘价相对竞价参考价的偏移？是二分类判断还是回归预测？目标不同，标签构造方式和评价指标完全不同。

二、把目标写成可执行的筛选表达式

一个合格的筛选目标应当能直接翻译成数据查询条件。以“识别异常竞价放量样本”为例，可以写成如下可执行形式（示例参数为教学假设，非实测结果）：

样本池：沪深主板，剔除ST与上市不足60个交易日的新股
时间窗：2023-01-01 至 2023-12-31，共约240个交易日
基础字段：竞价成交量 vol_auction、前20日同时段均量 vol_ma20
放量倍数：ratio = vol_auction / vol_ma20
筛选条件：ratio >= 3.0 且 vol_auction >= 50万股
辅助条件：竞价价格偏离 |pct_chg| <= 9.5%（剔除一字板干扰）
输出：满足条件的 (股票, 交易日) 样本清单

这段表达式里，每一个数字都对应一个业务判断：3倍是“异常”的量化门槛，50万股是排除极小样本的噪声下限，9.5%的偏离上限是为了剔除涨跌停一字板导致的竞价失真。门槛不是拍脑袋定的，而应结合分布特征确定——例如先统计全样本 ratio 的分位数，取90%或95%分位作为初始阈值，再根据业务容忍度调整。

三、筛选约束与评价标准要成对出现

只给筛选条件、不给评价标准，是样本筛选最常见的缺陷。筛选约束回答“样本怎么来”，评价标准回答“筛出来的样本是否支撑研究目标”。二者必须成对设计。

以“评估竞价流动性”为例，筛选约束可以是：竞价成交额不低于500万元、竞价参与委托笔数不少于200笔、连续竞价前5分钟成交额占比可计算。对应的评价标准则包括：样本覆盖率（筛出样本占全市场比例是否合理，过低说明门槛过严）、区分度（筛出样本与未筛出样本在后续流动性指标上是否有显著差异）、稳定性（分月统计样本量波动是否过大）。

再以“预测开盘走势”为例，筛选约束是标签可计算、特征在竞价结束时点可得（避免未来信息泄露）；评价标准则是样本的类别平衡度、标签分布的时间稳定性，以及基准模型上的区分能力（如AUC）。如果筛出的样本正负例比例严重失衡（例如95%以上为同一类），就需要回头调整标签定义或采样方式，而不是直接进入建模。

四、一个完整的定义示例

把上述方法串起来，给出一个可直接参考的问题定义模板（示例参数为教学假设）：

五、常见误区与检查要点

第一，用结论倒推筛选条件。先看到某类样本表现好，再回头设定能筛出它的门槛，这属于数据窥探，会让后续统计检验严重高估效果。正确做法是先定门槛、再看结果，或使用样本外区间验证。

第二，约束过严导致样本枯竭。多个条件叠加后样本量可能骤降，此时应检查各条件的边际筛除率，找出“杀伤力”最大的那一条，评估其业务必要性，而不是简单放宽所有门槛。

第三，忽略时点一致性。竞价阶段能拿到的字段与连续竞价阶段不同，若筛选条件中混入了竞价结束后才产生的数据，就会造成未来信息泄露。定义时应逐字段标注“可得时点”。

第四，评价标准缺失。没有覆盖率、区分度、稳定性这些检验，筛选结果无法判断是真实信号还是偶然噪声。建议在样本清单产出后，先做分布对比和分组统计，再进入建模环节。

归根结底，样本筛选的业务问题定义，是把研究者的意图转译成数据语言的过程。它要求同时具备业务判断力和数据严谨性：门槛要有业务含义，条件要能落地执行，评价要能反向验证。做到这三点，后续的统计检验才有可靠的地基。