1. 逐笔成交数据初识

逐笔成交（Tick Trade）是交易所撮合引擎在每一笔成交达成时推送的最细粒度行情记录。与分钟K线不同，它不经过任何时间聚合，保留了成交发生的先后顺序、成交价格、成交量和买卖方向等原始信息。做交易分析时，逐笔成交是微观结构研究、订单流分析、大单识别和高频策略回测的基础数据；而它的原始形态往往并不"干净"，这正是异常值清洗与稳健统计要解决的问题。

一条逐笔成交记录长什么样

以国内A股常见的Level-2逐笔成交为例，一条记录通常包含以下核心字段：

需要特别说明方向字段的口径：有的数据源用"B/S"表示主动买/主动卖，有的用"买/卖盘"表示成交落在买一价还是卖一价，还有的只给一个标志位。方向判断错误会直接导致后续资金流统计反向，因此拿到数据的第一件事应是抽样核对方向字段与价格、盘口的关系，而不是急着算指标。

常见来源与格式差异

逐笔成交数据的来源大致分三类：交易所官方Level-2行情（经券商或行情商转发）、第三方数据服务商（如Wind、聚源、Tushare等）、以及自建行情网关落地的原始二进制或CSV文件。格式上，常见的有CSV/Parquet批量文件、数据库表（MySQL、ClickHouse）、以及实时推送的二进制协议流。不同来源的差异主要体现在：时间精度（秒级还是毫秒级）、方向字段口径、是否含撤单记录、复权处理方式、以及是否已做集合竞价剔除。

为什么必须做异常值清洗与稳健统计

逐笔成交的"脏"体现在多个层面。第一类是重复记录：行情重连或落库重试会造成同一成交序号出现多次，直接累加会虚增成交量。第二类是价格异常：集合竞价阶段的虚拟成交、涨跌停板上的撮合、以及数据源偶发的价格错位（如小数点偏移），会产生远离当日价格中枢的离群点。第三类是数量异常：零股、超大单（如单笔百万股）在统计换手率或大单占比时若不加区分，会严重扭曲均值。第四类是时间乱序：多路行情合并时时间戳可能非单调，影响按时间窗口的聚合。

传统统计量（均值、标准差、相关系数）对离群值极其敏感——一笔错误的价格记录就能把当日均价拉偏，一个超大单就能让成交量标准差翻倍。稳健统计的思路是用中位数、分位数、截尾均值、MAD（中位数绝对偏差）等对离群值不敏感的量替代，或先做异常值识别与修正再统计。下面的图示展示了从原始逐笔流到稳健统计量的完整处理链路，以及各环节的输入输出关系：

一个可操作的最小示例

假设我们拿到某只股票某日上午的逐笔CSV，字段为：code,time,seq,price,volume,amount,direction。第一步做结构校验：检查seq是否唯一、time是否单调不减、amount是否等于price×volume（允许浮点误差）。第二步识别异常：以当日成交价的中位数为中心，用MAD计算稳健尺度，把偏离超过5倍MAD的记录标记为价格异常；把volume为0或超过当日成交量99.9分位的记录标记为数量异常；把重复seq标记为重复。第三步统计：分别计算清洗前后的成交量均值、中位数和主动买入净额，观察差异。

import pandas as pd
import numpy as np

df = pd.read_csv("tick_600519.csv")
df = df.sort_values(["time", "seq"]).reset_index(drop=True)

# 结构校验
dup = df.duplicated(subset="seq", keep=False)
amt_err = (df["amount"] - df["price"] * df["volume"]).abs() > 1e-6

# 稳健尺度：MAD
med = df["price"].median()
mad = (df["price"] - med).abs().median()
df["price_outlier"] = (df["price"] - med).abs() > 5 * 1.4826 * mad

# 数量异常：零股与极端大单
q999 = df["volume"].quantile(0.999)
df["vol_outlier"] = (df["volume"] <= 0) | (df["volume"] > q999)

# 对照统计
raw_mean = df["volume"].mean()
robust_median = df["volume"].median()
clean = df[~df["price_outlier"] & ~df["vol_outlier"]]
print("原始均值:", raw_mean, "稳健中位数:", robust_median,
      "清洗后均值:", clean["volume"].mean())

这段代码的要点不在语法，而在两个设计选择：一是用1.4826×MAD作为正态一致尺度估计，使阈值可与标准差类比；二是清洗结果以布尔标记列保存，而不是直接drop掉行，这样任何统计都能在"原始/清洗后"两套数据上复算对比。示例中的参数（5倍MAD、99.9分位）是合理假设，实际使用时应根据标的流动性和数据质量调整，并通过清洗前后统计量的偏差来验证阈值是否合适。

在交易分析中的定位

逐笔成交清洗与稳健统计处在分析链路的最前端：它向下游的订单流指标（主动买卖净额、大单占比、成交笔数分布）、微观结构研究（价差、冲击成本）和策略回测提供可信输入。它的价值不是"让数据变好看"，而是让后续每一个统计结论都建立在可解释、可复现的数据口径上。理解字段含义、识别来源差异、建立"校验—识别—标记—稳健统计"的处理习惯，是后续所有章节的方法基础。