3. 迁移轨迹的数据基础
成交量迁移轨迹测算的可靠性，首先取决于数据底座是否扎实。所谓“多源成交量数据”，通常来自三类渠道：一是交易所或交易平台公开的日频/分钟频成交数据；二是第三方数据服务商（如行情终端、数据API）整理的聚合成交量；三是企业自有业务系统（订单库、支付流水、门店POS）沉淀的交易记录。三类数据在口径、频率、时区和统计维度上往往并不一致，直接拼接会引入系统性偏差。因此本节的核心任务是：把不同来源的成交量数据整理成同一口径、同一时间轴、同一粒度的可比序列，为后续轨迹拟合提供干净输入。
一、采集：先明确“成交量”的口径定义
采集之前必须先固定口径，否则后续对齐无从谈起。成交量至少有四种常见口径：成交笔数、成交金额、成交份额（如股数、手数）、成交用户数。跨行业迁移测算中，最常用的是“成交金额”与“成交笔数”两类，前者反映资金规模，后者反映活跃度。采集时应为每条记录保留以下最小字段集：
- 来源标识：平台/渠道编码，用于追溯与加权；
- 时间戳：统一到带时区的标准时间（建议统一为UTC+8并注明）；
- 统计粒度：日、小时、分钟或逐笔；
- 维度键：品种/品类/门店/区域等业务维度；
- 成交量值与计量单位：金额（元）、笔数（笔）、份额（股/手）；
- 采集批次与版本：便于回溯修订。
采集方式上，接口拉取适合结构化行情数据，需处理分页与限流；文件导入适合历史归档；日志解析适合自有系统。无论哪种方式，都应把“原始层”与“清洗层”分开存储，原始数据只增不改，保证可复现。
二、对齐：时间轴、频率与维度的三重统一
对齐是多源数据融合中最容易出错的环节，需同时处理三个维度：
时间对齐。不同来源可能使用不同时区或交易日历。例如A平台按自然日统计，B平台按交易日统计，节假日会出现“有量无日”或“有日无量”。处理方法是建立统一日历表，把非交易日标记为缺失而非零值，避免把“休市”误判为“成交归零”。对于分钟级数据聚合到日频，应按时间戳落入统一日界后再求和，而不是简单取平均。
频率对齐。高频向低频聚合用求和（成交量具有可加性），低频向高频拆分则不可随意插值——成交量不是连续平滑信号，线性插值会制造虚假波动。若确需拆分，应使用历史同期分布比例作为权重进行分摊，并明确标注为“估算值”。
维度对齐。不同来源的品类编码、区域划分可能不同，需建立映射表（如“品类A→一级类目01”），映射关系应版本化管理。对于无法映射的记录，进入“待归集池”人工复核，而不是直接丢弃。
三、清洗：用规则而不是“感觉”处理脏数据
清洗阶段应把规则显式化、可配置化，常见规则包括：
缺失处理。区分“结构性缺失”（休市、停牌、未开业）与“技术性缺失”（接口失败、文件缺行）。前者保留为空并打标记，后者应回补采集。切忌对成交量缺失统一补零，因为零值会严重扭曲后续的增长率与迁移强度计算。
异常识别。成交量具有明显的量级差异，建议用“分位数+业务阈值”双条件判断：例如某维度日成交量超过近90日P99的5倍，或出现负值，即标记为异常。异常值不直接删除，而是进入复核队列，确认是真实放量还是数据错误。
重复与版本。同一来源同一维度同一时间可能出现多条记录（如修订重发），应按“采集批次时间”保留最新版本，并记录被覆盖记录，保证可审计。
单位与口径换算。金额统一到元，份额统一到股或手，笔数统一为笔。若某来源只提供“成交额”而另一来源只提供“成交量”，不可直接相加，应分别建列，后续按分析目的选用。
四、一个可执行的对齐清洗示例
假设我们要测算某品类在两个平台间的成交量迁移，采集到平台A的日频成交额（万元）与平台B的分钟频成交笔数。处理步骤如下：
- 建立统一日历表，标记交易日与休市日；
- 平台B分钟数据按时间戳落入统一日界后求和，得到日频笔数；
- 平台A金额乘以10000换算为元，平台B笔数保持为笔，分列存储；
- 对两列分别计算近90日P99，标记超阈值记录；
- 输出宽表：日期、品类、平台、成交额（元）、成交笔数（笔）、质量标记。
完成后的宽表即可作为迁移轨迹测算的输入。需要强调的是，对齐与清洗不是一次性工作，而应固化为可重复执行的流水线：每次新增数据都按同一套规则处理，规则变更需记录版本。只有这样，后续测算出的迁移轨迹才具备可比性与可复现性。