4. 因子计算所需衍生字段工程

在封板稳定性因子的历史检验中，原始行情数据往往只提供最基础的字段：涨停价、收盘价、成交量、成交额、流通股本、首次封板时间、最后封板时间、开板次数等。这些字段单独看信息量有限，直接拿来做因子既不稳定也不可比。真正决定因子质量的，是能否把它们加工成具有经济含义、量纲统一、可跨股票跨日期比较的衍生变量。本节要做的，就是把原始字段“翻译”成因子计算所需的中间变量，并组织成一张结构清晰的宽表。

为什么必须先做衍生字段工程

原始字段存在三个典型问题。第一是量纲不统一：封单量以“手”或“股”计，封单额以“元”计，不同市值、不同价位的股票之间无法直接比较，一只流通盘 20 亿的小盘股封单 5000 万股和一只流通盘 200 亿的大盘股封单 5000 万股，封板强度天差地别。第二是口径不一致：开板次数是绝对计数，5 次开板对一只高波动小盘股和一只低波动大盘股的意义不同。第三是时间信息分散：首次封板时间、最后封板时间、开板时段各自独立，无法直接反映“封板持续了多久、占全天交易时间的多大比例”。衍生字段工程的核心任务，就是用比值、归一化、占比这三类手段，把不可比的原始量转化为可比的强度量。

四个核心衍生变量的构造口径

封单量占流通盘比衡量的是“买盘封单相对可交易筹码的厚度”。计算口径为：封单量 ÷ 流通股本。封单量取收盘时刻买一价上的未成交委托量（若数据源提供逐笔委托，可取最后封板后的稳定封单量）。该比值越大，说明封板资金相对流通筹码越雄厚，封板越难被撬开。示例中某股流通股本 8 亿股，收盘封单 6400 万股，则封单量占流通盘比为 8%。经验上该值低于 1% 属于弱封，3%～8% 属于中等偏强，超过 10% 需警惕是否为小盘股极端值。

封单额占成交额比衡量的是“封板资金相对当日换手活跃度的强度”。计算口径为：封单额 ÷ 当日成交额，其中封单额 = 封单量 × 涨停价。这个比值反映的是资金在封板上的“决心”相对于全天博弈规模的大小。示例中封单额 6.4 亿元、当日成交额 12 亿元，比值为 53%，说明封单规模超过全天成交额的一半，封板意愿强烈。该指标与上一个指标互补：前者看筹码结构，后者看资金博弈。

开板次数归一化解决的是绝对计数不可比的问题。常用做法有两种：一是除以当日有效交易分钟数得到“每分钟开板频次”，二是用开板次数 ÷ (开板次数 + 1) 做饱和压缩，把 0～∞ 映射到 0～1 区间。实战中更推荐前者配合封板时长使用，因为频次具有明确的时间含义。示例中某股全天开板 3 次、有效交易 240 分钟，则开板频次为 0.0125 次/分钟。

封板时长占比衡量封板的持续性。计算口径为：(最后封板时间 − 首次封板时间 − 累计开板时长) ÷ 全天有效交易时长。若数据源只提供首次和最后封板时间而不提供开板时长，可用简化口径：(最后封板时间 − 首次封板时间) ÷ 全天交易时长，并在字段说明中标注口径差异。示例中首次封板 09:45、最后封板 14:20、全天交易 240 分钟，简化占比约 77%，说明大部分时间处于封板状态。

宽表的组织方式与字段规范

衍生变量算完后，需要落到一张“一行对应一只股票一个交易日”的宽表上。宽表的主键建议用 trade_date + ts_code，保证任意一行可唯一定位。字段组织上分三层：第一层是标识与口径字段，包括交易日期、股票代码、数据口径版本号，用于后续复现和排查；第二层是本节构造的四个核心衍生变量，以及首封时间、末封时间、是否尾盘封板等辅助字段；第三层是下游因子直接消费的标准化字段。宽表的价值在于“一次加工、多处复用”——后续无论做单因子分层回测、多因子合成还是分市场状态检验，都从这张表取数，避免每个环节重复计算导致口径漂移。

字段规范上有几个容易踩坑的细节必须提前约定。其一，时间字段统一转换为“距开盘的分钟数”再参与计算，避免跨午休时段直接相减造成高估；其二，封单量若数据源在收盘集合竞价阶段有变化，需明确取“连续竞价最后一笔”还是“收盘时点快照”，并在口径版本号中记录；其三，所有比值字段保留 4 位小数，归一化字段保留 6 位小数，防止后续排序时因精度不足产生并列；其四，对流通股本为 0 或成交额为 0 的异常行，统一置为空值而非 0，避免污染因子分布。

一段可执行的加工示例

下面用 Python 伪代码展示从原始表到宽表的关键加工步骤，示例参数均为教学假设值，实际使用时替换为真实数据源字段即可。

import pandas as pd

# raw: 原始行情表，一行一股票一日
raw["封单额"] = raw["封单量"] * raw["涨停价"]
raw["封单量占流通盘比"] = raw["封单量"] / raw["流通股本"]
raw["封单额占成交额比"] = raw["封单额"] / raw["成交额"]

# 时间转分钟数（以 09:30 为 0 点，午休不计入）
def to_min(t):
    h, m = int(t[:2]), int(t[3:5])
    mins = (h * 60 + m) - (9 * 60 + 30)
    return mins - 90 if mins > 120 else mins   # 扣除午休 90 分钟

raw["首封分钟"] = raw["首次封板时间"].map(to_min)
raw["末封分钟"] = raw["最后封板时间"].map(to_min)
raw["有效交易分钟"] = 240

raw["开板次数归一化"] = raw["开板次数"] / raw["有效交易分钟"]
raw["封板时长占比"] = (
    raw["末封分钟"] - raw["首封分钟"] - raw["累计开板时长"]
) / raw["有效交易分钟"]

# 异常值处理：分母为 0 置空
for col, den in [("封单量占流通盘比", "流通股本"),
                 ("封单额占成交额比", "成交额")]:
    raw.loc[raw[den] <= 0, col] = None

wide = raw[[
    "trade_date", "ts_code", "封单量占流通盘比", "封单额占成交额比",
    "开板次数归一化", "封板时长占比", "首封分钟", "末封分钟",
    "是否尾盘封板", "涨停价", "流通市值", "口径版本号"
]].copy()

加工完成后的自检要点

宽表生成后不要急着进入因子检验，先做三项自检。第一，分布检查：封单量占流通盘比应在 0～30% 区间内呈右偏分布，若出现大量超过 50% 的值，多半是流通股本字段取错（误用了总股本）；封板时长占比应落在 0～100%，出现负值说明开板时长扣减逻辑有误。第二，缺失率检查：四个核心衍生变量的缺失率若超过 5%，需回溯原始字段的覆盖情况，尤其是首次封板时间在部分数据源中对“一字板”可能为空。第三，口径一致性检查：随机抽取 20 行手工复算，确认代码计算结果与手工计算一致，这一步能拦住绝大多数单位换算和午休扣减错误。

至此，因子计算所需的中间变量已经齐备，宽表结构也已定型。后续的因子构建、分层回测与稳定性检验，都将以这张宽表为唯一数据入口，保证从字段到结论的链路清晰可复现。