3. 样本数据采集与清洗规范

尾盘封板与早盘封板的对比研究，成败首先取决于样本数据的质量。如果涨停时间记录成"14:57"却无法区分是首次触及还是最终封死，如果封单量取的是收盘瞬间的快照而忽略了盘中撤单，那么后续无论用多精细的统计方法，得到的结论都可能是伪相关。本节围绕涨停时间、封单量、开板次数、成交量这四个核心字段，说明采集口径、字段定义与清洗规则，并给出可执行的异常判定与缺失处理方案。

一、字段口径必须先定义再采集

同一只股票在同一天，不同数据源给出的"封单量"可能相差数倍，原因往往不是数据错误，而是口径不同：有的取收盘时买一价位的挂单量，有的取全天封单峰值，有的取封板期间的平均值。因此在采集之前，必须为每个字段写下明确的定义，并保证全样本一致。

涨停时间建议拆成两个字段：first_limit_time（当日首次触及涨停价的时刻，精确到分钟）与final_seal_time（最后一次封死并保持到收盘的时刻）。只有后者才能支撑"尾盘封板"与"早盘封板"的划分。若一只股票全天多次触板，final_seal_time应取最后一次回封时间，而非首次触板时间。

封单量建议同时保留seal_volume_close（收盘时封单量，单位：手）与seal_amount_close（对应封单金额，单位：元），并额外记录seal_volume_max（封板期间封单峰值）。仅用封单量绝对值会受股价高低影响，跨样本比较时应转换为封单金额或封单量占流通股本比例。

开板次数定义为封板后涨停价被打开、随后又回封的次数，不含首次触板前的反复。这个定义必须在采集表中注明，否则不同人统计出的次数会不一致。

成交量需要区分全日成交量与封板后成交量。尾盘封板样本的封板时间短，封板后成交量占比低；早盘封板样本封板时间长，封板后成交量更能反映抛压。建议采集volume_total与volume_after_seal两个字段。

二、采集流程与字段落表

实际采集通常分三步：先按交易日拉取全市场涨停名单，得到股票代码与涨停价；再逐只回补分钟级行情，定位首次触板与最终封板时刻；最后从盘口快照或逐笔委托中提取封单量与开板次数。分钟级数据是定位涨停时间的基础，逐笔数据则用于校验封单量的真实性。若只有日线数据，涨停时间字段只能标记为缺失，不可用开盘价接近涨停来臆测。

三、异常值的识别与处理

异常值分为两类：逻辑矛盾和数值离群。逻辑矛盾最容易发现也最致命，例如final_seal_time早于first_limit_time，说明数据源把不同交易日的记录拼接错了；又如封单金额超过流通市值，几乎必然是单位错误（把"万元"当"元"）或复权处理不当。这类记录应当直接剔除并记录剔除原因，而不是"修正"后保留。

数值离群则需要结合业务判断。以封单量为例，可以计算封单金额占流通市值的比例，若某样本该比例超过 30%，先回查原始盘口，确认是否为集合竞价阶段的虚假挂单或数据重复累加。成交量字段要特别注意复权问题：若样本跨越除权日，未复权的成交量会出现跳变，应统一使用后复权或前复权口径，并在样本表中记录复权方式。

开板次数的异常往往来自分钟行情粒度不足。若某股票在 1 分钟内打开又回封，分钟线可能只显示一根涨停 K 线，导致开板次数被低估。此时应以逐笔成交或盘口快照为准，若无法获取，则将该字段标记为"低置信度"，在分析时单独说明。

四、缺失值的处理原则

缺失值不能简单用均值填充，因为涨停样本的缺失往往不是随机的。例如尾盘封板的股票，封板时间短，封板后成交量可能为 0 而非缺失，这两者必须区分：0 是真实值，缺失是未采集到。建议在样本表中增加volume_after_seal_flag字段，用 0/1 标记该值是真实零还是缺失。

对于涨停时间缺失的样本，不要用收盘时间代替，而应标记为unknown，在分组统计时单列一类或直接排除。对于封单量缺失，若封单金额完整，可用"封单金额 ÷ 涨停价"回算封单量，并在备注中注明"回算值"。对于缺失比例过高的字段，应评估该批次数据源是否可靠，必要时更换数据源重新采集，而不是勉强补齐。

五、可执行的样本表结构示例

下面给出一个可直接落地的样本表字段设计，采集时按此结构建表，后续分析可直接引用字段名，避免口径混乱。

trade_date        交易日
code              股票代码
first_limit_time  首次触板时刻（HH:MM，缺失填 unknown）
final_seal_time   最终封板时刻（HH:MM，缺失填 unknown）
seal_volume_close 收盘封单量（手）
seal_amount_close 收盘封单金额（元）
seal_volume_max   封单峰值（手）
open_count        开板次数（整数，低置信度加备注）
volume_total      全日成交量（手，注明复权方式）
volume_after_seal 封板后成交量（手，0 与缺失分开标记）
data_source       数据源标识
quality_flag      质量标记：ok / recalc / low_conf / drop
remark            剔除或修正原因

其中quality_flag是清洗环节的核心控制字段。建议约定：ok表示原始数据完整可信；recalc表示经过回算但逻辑自洽；low_conf表示字段置信度低但保留；drop表示已剔除。分析阶段可以按该字段筛选，例如只使用ok与recalc样本做基准统计，再用low_conf样本做稳健性检验，观察结论是否发生方向性变化。

完成上述采集与清洗后，样本才具备可比性。尾盘封板与早盘封板的差异分析，本质上是在同一口径下比较两组样本的封单强度、开板频率与成交量结构，任何一处口径不一致，都会让对比失去意义。因此在进入统计分析之前，务必先完成字段定义、异常判定与缺失标记这三项基础工作。