3. 数据准备与清洗实战

周度行业强弱复盘的第一道门槛不是模型，而是数据。很多人在复盘时发现“上周明明最强的是电子，这周怎么变成有色了”，追根溯源往往不是市场判断错了，而是数据口径不一致：行业指数用的是申万一级，成分股却来自中证行业分类；指数周线按自然周收盘，宏观事件却按发布日记录；某只成分股停牌导致权重缺失，被简单填零后拉低了整条行业曲线。本节要解决的就是把三类数据——行业指数周度行情、成分股数据、宏观事件日历——整理成一张可以逐周对齐、口径统一、异常可追溯的分析底表。

一、三类数据的获取与字段约定

行业指数周度行情是复盘的主线。以申万一级行业为例，需要获取每个行业每周的开盘、最高、最低、收盘、成交额与成交量。这里的关键是周度K线的定义：是按自然周（周一至周五）聚合，还是按交易日历的最后交易日聚合。若某周遇到节假日，周五休市，则周收盘应取该周最后一个交易日收盘价，而不是简单取周五数据导致空值。建议统一采用“交易日历驱动的周聚合”：先确定每周的起止交易日，再取区间内首日开盘、末日收盘、区间最高最低、区间成交额求和。

成分股数据用于解释行业涨跌的来源。需要至少包含：股票代码、名称、所属行业、纳入日期、剔除日期、周度涨跌幅、周度成交额、流通市值。成分股是动态调整的，若直接用当前成分股回溯历史，会产生“幸存者偏差”——已经退市或调出的股票被排除，导致历史收益被高估。正确做法是保留时点成分股：每一周使用该周实际生效的成分股名单，通过纳入日期与剔除日期做区间匹配。

宏观事件日历记录可能影响行业强弱的外部冲击，字段包括：事件日期、事件类型（如利率决议、CPI发布、PMI公布、行业政策）、影响方向（利好/利空/中性）、影响行业范围（全市场或特定行业）、事件描述。事件日历的价值在于给周度异动提供归因线索，因此日期必须精确到发布日，且要区分“数据所属期”与“发布日”——例如1月CPI数据在2月发布，应记在发布日所在周。

二、数据对齐：以交易日历为骨架

三类数据的时间粒度不同：指数是周度，成分股是日度或周度，事件是离散日期。对齐的核心是建立一张周度主表，以“行业×周”为唯一键，把成分股聚合结果和当周事件挂接上去。具体做法是：先由交易日历生成周序列（周编号、起始交易日、结束交易日），再与行业指数按周编号左连接，确保每个行业每周都有一行；成分股按周聚合成“行业×周”的涨跌家数、加权涨跌幅、成交额占比；事件日历按“事件发布日落在该周区间内”匹配到周，若一周内多事件则合并为事件列表字段。

对齐时最容易出错的是连接键的选择。若用自然周序号连接，跨年时周序号会重置；若用日期直接连接，周度与日度无法匹配。稳妥的做法是给每周分配一个连续的“周序号”整数（如从研究起点开始累加），三类数据都换算到该序号后再连接。下图展示了这一对齐结构：左侧三类原始数据经过各自的聚合规则，汇入中间的周度主表，右侧输出可供复盘使用的宽表字段。

三、缺失值处理：先判断缺失类型，再决定填充方式

缺失值在周度数据中主要有三种来源，处理方式完全不同。第一种是停牌或未上市：某成分股当周停牌，其周涨跌幅为空。这类缺失不应填零，因为停牌不等于不涨不跌，正确做法是在计算行业加权涨跌幅时将其权重剔除，并记录“有效成分股数”。第二种是指数数据缺失：某行业指数因数据源问题缺一周收盘价。若前后周均有数据，可用前后周收盘价做线性插值，但必须在质量标记中注明“插值”；若连续缺失超过两周，应标记为不可用，避免在排名中产生虚假的强弱跳变。第三种是事件日历缺失：某周没有记录任何事件，这通常是正常的“无重大事件”，应填“无”而非空值，以便与“数据未获取”区分。

一个常见的错误是用行业均值填充个股缺失。假设某行业有50只成分股，其中3只停牌，若用行业均值填充这3只，会人为地把停牌股拉回行业平均，削弱了真实成分股结构对行业收益的影响。更合理的做法是权重归一化：仅用有效成分股的流通市值重新计算权重，使权重之和为1，再计算加权涨跌幅。这样既保留了有效成分股的真实贡献，又不会因缺失引入偏差。

四、异常值修正：区分“真异常”与“数据错误”

异常值修正的前提是判断异常的性质。周度行业涨跌幅出现±15%以上，可能是真实行情（如行业重大政策出台），也可能是数据错误（如复权因子未更新、代码错配）。实操中可用两条规则交叉验证：一是横向对比，若某行业单周涨幅远超同期全市场行业涨幅分布的上四分位数加3倍四分位距，则标记待查；二是纵向对比，若某行业周涨跌幅与其成分股加权涨跌幅差异超过5个百分点，说明指数与成分股口径不一致，需检查成分股名单是否为时点名单。

对于确认的数据错误，修正方式应保留痕迹而非直接覆盖。建议在宽表中增加“原始值”与“修正值”两列，并记录修正原因。例如某行业因复权因子错误导致周涨幅显示为+38%，经核对成分股实际加权涨幅为+2.1%，则将修正值设为+2.1%，原始值保留，质量标记为“复权修正”。这样在后续复盘时，任何一周的排名变化都能追溯到数据层面的处理动作，而不是变成无法解释的黑箱。

完成上述步骤后，得到的就是一张以“行业×周”为粒度、字段齐全、缺失与异常均有标记的复盘底表。它不直接告诉你哪个行业强，但它保证了后面每一周的排名变化、每一次归因分析都建立在同一把尺子上——这正是周度行业强弱复盘能够持续做下去的基础。