4. 数据准备与行业分类标准

波动率调整后的行业强度排名，本质上是一个“先算行业收益、再除以行业风险、最后横向排序”的过程。而这一链条的起点，是干净、口径一致、时间对齐的行业指数数据。如果行业分类体系混用、成分股调整未处理、停牌或退市造成的缺失值被简单填零，那么后续无论用多精细的波动率模型，排名结果都会失真。本节聚焦三件事：行业指数数据从哪里取、怎么清洗；申万、中信、GICS 三套分类体系如何选择与映射；缺失值与异常值如何识别和处理。

一、行业指数数据的获取与字段结构

行业强度排名的常用数据源包括：Wind、Choice、同花顺 iFinD 等金融终端，中证指数公司与申万宏源研究所官网，以及聚宽、Tushare、AkShare 等开源数据接口。无论来源如何，最终需要落到一张“日期 × 行业”的面板表上。最小可用字段通常包括：交易日期、行业代码、行业名称、所属分类体系、收盘点位、日涨跌幅、成分股数量、成交额。若要做波动率调整，还需要至少 60 个交易日以上的日收益率序列，因此取数区间应比排名观察窗口向前多取一段“预热期”。

以申万一级行业为例，假设我们研究 2023 年全年、按月调仓的行业强度排名，则实际取数区间应设为 2022 年 10 月初至 2023 年 12 月底，前三个月用于计算滚动波动率，不参与排名。取数时建议一次性拉取全部 31 个申万一级行业的日收盘点位，形成宽表，避免逐行业循环取数造成日期错位。

# 示例：用 AkShare 获取申万一级行业日行情（示例代码，接口字段以实际版本为准）
import akshare as ak
import pandas as pd

# 行业列表
sw_list = ak.sw_index_first_info()
codes = sw_list["行业代码"].str[:6].tolist()

frames = []
for code in codes:
    df = ak.index_hist_sw(symbol=code, period="day")
    df["行业代码"] = code
    frames.append(df)

panel = pd.concat(frames, ignore_index=True)
panel["日期"] = pd.to_datetime(panel["日期"])
panel = panel.pivot(index="日期", columns="行业代码", values="收盘")
panel = panel.sort_index().loc["2022-10-01":"2023-12-31"]
print(panel.shape)   # 期望形如 (约300, 31)

二、三套分类体系的选择与映射

申万、中信、GICS 是国内行业研究中最常见的三套体系，它们的划分逻辑并不相同。申万分类贴近 A 股本土产业结构，一级行业数量约 31 个，历史上经过 2014、2021 两次较大修订，成分调整较频繁；中信分类同样面向 A 股，一级行业约 30 个，行业边界与申万存在差异，例如对“电力设备及新能源”“有色金属”的归并方式不同；GICS 由标普与 MSCI 维护，全球通用，一级行业 11 个，颗粒度更粗，适合跨市场比较，但对 A 股细分产业的刻画不如申万细腻。

选择标准应服务于研究目的：若排名只在 A 股内部进行、需要较细的产业区分，优先申万一级；若需要与中信研报、卖方行业配置观点对齐，则用中信；若要做 A 股与港股、美股的行业横向对比，必须统一到 GICS。关键原则是全样本期内只用一套体系，不能前半段用申万、后半段换中信，否则行业收益序列会出现口径断裂。

当研究需要跨体系对照时，应建立映射表而非直接拼接。映射表至少包含：源体系代码、源行业名称、目标体系代码、目标行业名称、映射方式（一对一、一对多、多对一）、生效起止日期。一对多情形（如申万某行业对应 GICS 两个行业）需要按成分股市值加权拆分，不能简单取平均。

三、缺失值的识别与处理

行业指数层面的缺失，通常来自三种原因：一是交易日历不一致，例如港股与 A 股节假日不同，跨市场数据合并时出现空值；二是行业指数发布滞后或接口偶发失败；三是行业分类调整导致旧代码停用、新代码从某日起才有数据。处理方式必须区分原因，不能一律前向填充。

对于交易日历不一致造成的缺失，正确做法是先对齐到研究基准日历（如 A 股交易日历），再对非交易日做前向填充，因为非交易日指数点位本就不变。对于接口偶发失败，应重新拉取或与相邻交易日比对，确认是数据缺失而非真实停牌。对于分类调整造成的代码切换，应在映射表中记录切换日期，切换前用旧代码、切换后用新代码，并在切换日检查收益率是否出现异常跳变。若某行业在观察窗口内缺失率超过 5%，建议直接剔除该行业并记录原因，而不是强行插值。

四、异常值的判定与修正

行业指数是成分股加权结果，单日涨跌幅通常比个股平缓。以申万一级行业为例，正常交易日涨跌幅多在 ±3% 以内，极端行情下可能达到 ±8% 至 ±10%。因此可设定两条检查规则：其一，单日涨跌幅绝对值超过 11% 时标记为可疑，需回查当日是否有重大成分调整、指数编制规则变更或数据源错误；其二，连续多日点位完全不变（除节假日外）超过 5 个交易日，需确认是否为接口停更。

确认是数据错误后，修正方式优先采用“重新取数覆盖”，其次用相邻交易日线性插值，并在数据日志中记录修正日期、原值、新值和修正依据。若确认是真实的极端行情（如政策冲击导致的行业单日大跌），则应保留原值，仅在波动率计算时考虑使用稳健估计（如对收益率做 1% 缩尾），而不是删除该日数据。

五、一份可直接执行的数据准备检查清单

把上述要点固化为检查清单，可以在每次更新数据时快速过一遍，避免口径问题流入排名环节。

完成以上步骤后，得到的应是一张行索引为交易日、列索引为行业代码、数值为收盘点位的干净宽表，且每个行业都有足够长度的连续收益率序列。此时再计算日收益率 r_t = P_t / P_{t-1} - 1，并进入滚动波动率与强度得分的计算，口径才是可靠的。数据准备看似琐碎，但它决定了后续排名是“反映行业真实强弱”，还是“反映数据缺陷”。