第27章：数据口径与信息时间

前面七章的因子看起来各不相同——价值看便宜、质量看回报、动量看涨跌、事件看公告——但落到工程上，它们做的是同一件事：在"某只股票 × 某个交易日"这个格子里填一个数。

这一章不讲新因子。它讲那张表本身：这些数字是从哪里来的，它们属于哪一天，以及你最早能在哪一天合法地使用它们。这是第六部分"因子研究方法"的第一章，也是后面三章的地基——第28章的预处理、第29章的单因子检验、第30章的伪因子识别，怀疑的对象全都是这张表。

为什么必须现在讲。第26章末尾留下了一个没有解决的问题：从数据库里查到的"历史"，是经过后续修订的版本，不是当时市场看到的版本。那只是数据口径问题中的一种。你还会遇到：同一张表里既有交易日又有自然日，一只股票改过简称也改过代码，一次分红把整段历史价格重算了一遍，一个财务指标在一半公司上是空的——而这些问题没有一个会让程序崩溃，它们只会让回测变好看。

本章回答三个问题：每条数据应该贴哪一个"可用日期"；应该保存"当时看到的那一版"还是"今天修订后的版本"；以及同一只股票怎样在整条时间轴上保持身份和价格的连续。 本章讲的是做因子研究时脚下的地板，它对个股和 ETF 同样成立，ETF 多出来的那几类字段放在倒数第二节。

每一条数据都要贴一个"可用日期"

数据表上一定有一列日期。问题在于，这一列日期表示的到底是什么——是数据描述的时期，还是数据进入市场的时刻？把前者当成后者，就是最典型的一种前视偏差：拿当时还看不到的信息去做当时的决策。

自然日、工作日、交易日是三把不同的尺子

现象。 你在配置里写下"财务数据滞后 90 天"。这个 90 是 90 个自然日、90 个工作日，还是 90 个交易日？答案差得很远：90 个自然日大约只相当于 60 个交易日，因为一年里只有约三分之二是开市日。

A 股的数据里同时存在三种时间单位，它们各自出现在不同的场合：

• 自然日：日历上撕掉的页数。年报和一季报的披露截止日 4 月 30 日、半年报 8 月 31 日、三季报 10 月 31 日，都是自然日。
• 工作日：自然日去掉周末和法定节假日，但加上调休上班的周末。那些日子你要上班，股市却不开门——所以工作日和交易日并不相等。
• 交易日：交易所真正开市的日子。2024 年上交所全年有 242 个交易日，近年沪深两市大致在 240—245 天之间，大约是一年的三分之二。

说法	用的尺子	典型例子	用在哪
"4 月 30 日前"	自然日	年报与一季报的披露截止日	披露时限
"季度结束后 15 个工作日内"	工作日	公募基金季报的披露时限	披露时限
"过去 20 个交易日"	交易日	动量因子的形成期、解禁前的压力窗口	信号窗口与持有期

为什么要分成三栏看：因为互相换算时的误差是有方向的，而且不会被程序发现。 把"季度结束后 15 个工作日"当成 15 个自然日，你会提前一周多就用上这份数据——这正是前视偏差；反过来，把"过去 20 个交易日"实现成"过去 20 天"，窗口从大约 28 个自然日缩到 20 个，动量因子捕捉的其实是另一段时间。

落到决策： 时间参数写进配置文件时必须带上单位，lag: 90 这种写法本身就是 bug 的温床。同时，交易日历必须是数据集的一部分，它每年由国务院的节假日安排和交易所的休市通知决定，不能靠"周一到周五"推算。

拿不到公告日时，用法定截止日而不是固定滞后

现象。 很多数据源只给了报告期（2024-12-31），没有给你公告日。于是常见的补救办法是"往后推 3 个月"或者"推 90 天"。这个做法看起来保守，实际误差是双向的。

先说它在多数情况下离真相不远。 A 股的年报披露极为集中：2024 年度报告中有 82% 落在 4 月，其中 4 月最后一周（4 月 25—30 日）就占了 43.6%，最高的一天（4 月 29 日）单日披露了 773 家。所以"报告期 + 4 个月"对绝大多数公司都是安全上界，对相当一部分公司也不算离谱。

但它同时在两个方向上出错。

• 对早披露的公司太保守。 2024 年度报告里有 17.8% 在 3 月就披露完毕，另有二十几家在 1—2 月就交卷。这些公司的信息，用"报告期 + 4 个月"去取，就白等了大约一到三个月。
• 对晚披露的公司不够保守。 有 8%—9% 的公司会延后披露。更麻烦的是延期不是随机的：业绩差的公司拖得更晚。 有券商统计，2022 年报中业绩低于预期、把披露拖到 4 月最后一周的比例是 36.3%，高于业绩改善公司的 30.4%。

能不能用一个更"科学"的固定天数？ 不能。公告日与报告期之间的间隔，在早披露公司和晚披露公司之间可以差三个月以上，任何单一滞后天数都只是在两个方向的误差之间选一个位置。

落到决策，按优先级排：

1. 有公告日字段 → 直接用公告日，并顺延到下一个交易日（下一小节）；
2. 只有报告期 → 用法定截止日：年报与一季报取 4 月 30 日，半年报取 8 月 31 日，三季报取 10 月 31 日。截止日是监管强制的上界，用它你最多损失信息，不会用上未来信息；
3. 用报告期本身 → 绝对不可以。那是数据"属于"哪段时期的标记，不是信息可以获取的时刻。

一个容易被忽略的规则细节： 一季度报告的披露时间不得早于上一年度年报的披露时间。所以 4 月底"年报和一季报一起发布"不是巧合，而是规则允许范围内的最早时点——你在一季报里看到的年度数据，和它同时在年报里出现。

边界。 法定截止日也不是万能。① 规则本身改过，用今天的截止日回看十年以前的数据，会制造出跨年份的口径断裂；② 确实有公司延期，极端情况下会被停牌——未按期披露年报或半年报的，股票自期限届满次一交易日起停牌，停牌不超过两个月，这段停牌在你的收益序列里是空洞；③ 用截止日会把好公司和差公司的信息同时推迟，抹掉的恰好是"早报喜、晚报忧"这部分真实差异。

公告日和你能用上它，中间还隔着入库日

现象。 你在 4 月 30 日看到公告，但你的数据表 5 月 3 日才更新完。回测在 5 月 1 日就买进去了。

财务数据的完整链条上有三个时刻，第26章从事件因子的角度区分过它们，这里补上落地的那一段：

• 公告时间：公司把信息发到市场上的时刻，精确到分钟；
• 入库时间：这条记录进入你的数据库的时刻。第三方数据商通常晚于公告，你自己的抓取任务还可能因为失败重跑而再晚一步；
• 你的取数时刻：你跑回测的那一刻。前两个是数据的属性，这一个是你自己的习惯——而它决定了你看到的是哪一版（下一节）。

把规则写成一个式子，其中 $t_{\text{announce}}$ 是公告时刻、$t_{\text{ingest}}$ 是入库时刻、$N(\cdot )$ 表示"顺延到不早于该时刻的第一个可成交时点"（若本身处在交易时段内，就是当天）：

$$t_{\text{usable}}=N(max(t_{\text{announce}},t_{\text{ingest}}))$$

取两者的较晚值，是因为公告了但你还没拿到，等于没拿到。落到决策： 财务与事件记录的表结构里至少留两列——announce_time 存 $t_{\text{announce}}$，ingest_time 存 $t_{\text{ingest}}$——所有信号的可用日都从它们推出，不允许人工填写。

顺延这一条不能省。 盘后和节假日发布的公告要顺延到下一个交易日（第26章的规则），而这件事发生的频率比想象中高：2024 年度报告里有 22.1% 是在周末披露的，也就是每五份年报就有一份的"公告日"根本不是交易日。

保存"当时看到的那一版"，而不是今天修订后的版本

上一节解决的是"哪一天能用"，前提是那条记录一直没变。但记录本身会变——而且是往你知道结局的方向变。这一节先看它怎么变，再看表结构需要多什么才能挡住它。

数据库里的历史会被追溯调整悄悄改写

现象。 你今天从数据表里查某公司 2024 年的归母净利润，拿到一个数；但如果回到 2025 年 4 月，市场当时看到的是另一个数。

为什么会不一样。 上市公司被认定会计处理有差错时，要走追溯重述——视同差错从未发生过，把以前年度的报表重新编一遍。这类更正并不罕见：有一类统计显示，2022 年以来的会计差错更正公告涉及两百多家公司，其中约三分之一最终收到监管措施。幅度也不小——有公司被证监局现场检查后，一次性把上一年度的归母净利润调减了 84.91%；另一家公司在 2024 年 4 月的更正公告里调减了 2020 年归母净利润约 3.06 亿元，占更正前金额的 26%。

关键在于多数数据库的处理方式是"覆盖"。 更正后的值写回同一个格子，旧值不再保留。于是你今天查到的 2024 年净利润，答案里已经包含了"这家公司后来被查出问题"这一信息。用它去做 2024 年的决策，等于提前知道了两年后的检查结果。

偏差的方向尤其值得警惕。 会计差错更正整体偏向利润被调减——被纠正的是虚增，少数才是调增。也就是说，用修订后的数据做回测，你会在历史时点上"成功避开"一批后来出事的公司，而当时它们的报表看起来一切正常。修订不是随机噪声，它是带着符号的噪声。

每条记录要带两个时间戳，而不是一个

上面说的是问题：修订会盖掉历史。要让它盖不掉，表结构上只需要多做一件事——别再假设"一个报告期只有一个数"。

定义。 能回答"某一天市场看到的是什么"的数据，叫 point-in-time（时点还原） 数据。它的做法不复杂：给每条记录两个时间戳，而不是一个。

• 有效期（valid time）：这个数字描述的是哪一段时期，也就是报告期。写"2024 年度"。
• 知悉期（knowledge time）：这一版数字是什么时候被公开、或是进入你的数据库的。写公告时间或入库时间。

有了两个时间戳，取数就变成一次按知悉期筛选的操作：要看 2025 年 6 月 10 日那天市场能看到什么，就在有效期等于目标报告期、且知悉期不晚于该日的所有记录里，取知悉期最晚的那一条。 这个操作在数据工程里叫 as-of 连接，是因子研究里最重要的一次连接——它的作用是把"现在知道什么"换成"当时知道什么"。

一个直观的结果是：同一个报告期会有好几条记录，它们按知悉期排队，每条只在自己被下一条取代之前"生效"。

读图：横轴是时间（示意），四根颜色不同的横条首尾相接，是同一个报告期（2024 年度）在数据库里留下的四条记录，每根条从它被公告的那天开始生效，到下一条记录出现为止。最左边是业绩预告，只有区间；接着是业绩快报，给了具体数字但未经审计；中间最长的一段是年报，审计口径，这一版"生效"了将近一年；最右边是次年的追溯调整公告，把年报里的数字改掉了。紫色虚线是某个回测日：它落在哪一根条上，那天能用的就是那一条——这里落在年报上。图要说明的是：修订不是覆盖，而是追加一条新版本；区别在于你的数据库有没有把旧版本保留下来。

拿不到时点还原数据时，至少要承认偏差的方向

先说现实。 真正的 point-in-time 数据需要数据商专门维护，历史覆盖通常比普通数据短，价格更高；很多公开数据源根本不提供。所以在没有它的时候，你要做的是退守，而不是假装问题不存在。

三条退守办法，按可信度从高到低：

1. 换指标。 最容易出问题的是那些一旦出错就要大改的科目——收入确认、成本归集、减值计提、商誉。做长期回测时优先选择变动小、口径稳定的指标，等于绕开了修订最密集的区域；
2. 把修订本身变成信号，而不是负担。 更正公告的知悉日是明确的、当时可见的，所以"这家公司在某个时点发布了会计差错更正"可以当作事件使用（第26章）——它比"用修订后的历史数字做因子"要诚实得多；
3. 用修订值，但承认方向。 如果你只有覆盖型数据，就在结论里写清：由于用的是修订后数据，含风险公司的历史表现在回测中被系统性低估，因此因子在财务风险维度上的有效性会被高估。这句话不解决偏差，但它让读者知道自己看的是哪个版本的世界。

边界：修订后的值也不是"正确值"。 它只是又一个版本，只不过你误以为它是终点。真正的差别不在"哪个数对"，而在"哪一天能看到哪一个数"。

让同一只股票在整条时间轴上保持连续

时间对齐解决的是"哪一天能用"，版本对齐解决的是"用哪一版"。还有第三个问题：表里的这一行，从头到尾真的都是同一只股票吗？

股票简称会变，证券代码也可能变

现象。 你按股票简称匹配历史数据，某公司被实施风险警示以后简称前面多了"ST"，然后你的价格序列在那一天断掉了；再过一年它更名了，序列又断一次。

• 简称是不稳定的。 风险警示加"ST"或"*ST"、公司更名、进入退市整理期时加"退"字，都会改简称。按简称做匹配键，等于在时间轴上给自己埋雷。
• 代码也不是永远不变。 重组后变更代码的公司并不少见。

落到决策： 用证券代码 + 交易所做当日标识，另外维护一张"代码—名称—生效区间"的映射表，而不是一张"当前代码—当前名称"的快照表——后者会把今天的名称套到十年前。如果还要做跨期的公司级连接（比如同一家公司先在 A 股上市、后来发行 H 股），就需要数据商提供的永久证券标识，也就是一个不随代码变更而改变的 ID，因为代码和名称都不承担这个职责。

退市不是一天，而是一段流程

现象。 一只股票从决定退市到彻底离开你的视野，中间要走好几个阶段，每一阶段的交易规则和代码都不同。

• 退市整理期：交易所作出终止上市决定后，股票通常先进入为期 15 个交易日的整理期，名称带"退"字标识，仍在原来那个交易所交易；
• 摘牌：整理期结束，股票终止上市、摘牌；
• 转入退市板块：摘牌后转入全国股转系统管理的"两网公司及退市公司板块"挂牌转让，通常在摘牌后 45 个转让日内开始。代码换成 400 开头——某公司退市前是 002618，退市后是 400133；另一家退市前是 002750，退市后是 400270。那里每周只转让 1 次、3 次或 5 次（按公司财务与披露情况区分），涨跌幅 5%，还需要另行办理确权并开通权限。

对数据的影响有两层。 第一层，同一家公司在时间轴上先后有两个完全不同的代码，按代码连接会把它的结局丢掉；第二层，退市板块的行情大多数免费数据源根本没有采集，所以数据表里这条序列是突然结束的。

处理方式： 在退市日给序列一个明确的终止标记和终止原因（退市、被合并、主动摘牌），并在回测里把退市之前那段真实成交的价格当作可实现的退出价。这是幸存者偏差最喜欢藏身的地方（第18章、第30章）：如果样本里只剩今天还在交易的公司，那些一路跌到退市的公司就凭空消失了，而它们恰恰是亏损的主要来源。

另一个同类问题在序列的开头。 上市首日没有前收盘价，那一天的涨跌幅基准是发行价而不是上一交易日的收盘价；上市初期的次新股，波动率和换手率都显著高于常态。所以股票池的过滤规则里通常有一条"上市满若干个月"（第32章）——它是为了去掉一段和后面不可比的数据，不是在判断公司好坏。

前复权价格会变，后复权价格不会

现象。 你今天拉出一只股票 2020—2024 年的前复权价格，和半年前拉出来的同一段，数字不一样。而用后复权拉，两次完全一致。

两种复权各自锚在哪里（第3章已给出除权参考价的算法，这里只关心序列的稳定性）。 先说清要用到的那个工具：把每一次除权换算成一个乘数，叫复权因子；从上市到现在把所有的乘到一起，叫累计复权因子。

• 前复权以最新价格为基准，向前调整历史价格，使最新价等于实际成交价；
• 后复权以上市首日的价格为基准，向后调整。

两者的关系很干净。记 $P_t^F$ 为前复权价、$P_t^B$ 为后复权价：

$$P_t^B=c\cdot P_t^F$$

其中 $c$ 是一个与日期 $t$ 无关、但与你取数那天有关的常数（等于取数日所对应的累计复权因子）。这个式子说明两件事：第一，两者的收益率序列完全相同，因为常数 $c$ 在相除时被约掉——所以复盘历史涨跌用哪一种都行；第二，价格水平不同，而且 $c$ 随取数日变化——所以前复权序列不是时点稳定的。

读图：两幅图画的都是同一段 2020—2024 年的历史价格（示意），区别在于分段取数。左图是前复权：以最新价为基准，只要之后又发生一次分红或送转，最新价一变，整段历史都要重算，所以 2024 年取和 2025 年取得到两条不同的线。右图是后复权：以上市首日为基准，已经发生过的历史不再变动，两次取数得到的线完全重合。图要说明的是：前复权的基准在未来，后复权的基准在过去；只有后者是"当时看到的那个数字"。

这会带来什么实际错误。 单纯算收益率不会出错。出问题的是把价格水平本身当输入的场合：

• 用"股价低于 10 元"筛选股票、用绝对价格做分组、把股价和某个金额直接比较——这些做法在前复权序列上，读到的价格里已经含了未来的除权信息；
• 更隐蔽的一种：不同时点取出的两条前复权序列不能互相比较。你三个月前算好的因子值和今天重算的因子值，价格基准不同，混在一起就是两种尺度。

落到决策： 存储原始成交价和复权因子，需要价格水平时用后复权价现算，只在向人展示时用前复权。把复权因子单独存下来，是这一节唯一必须记住的动作——它让"当时看到的价格"永远可以重建。

缺失、异常和重复不能按同一套规则清洗

上两节管的是"对不对齐"，这一节管的是"格子里那个数本身"。这三种问题看起来都像"数据不干净"，但成因完全不同——用一句"把空值填 0、把极端值去掉、把重复行删掉"统一处理，是比问题本身更常见的错误来源。

缺失值要先分清是哪一种缺失

现象。 一家净资产为负的公司，PB 算不出来。你的清洗脚本把这一格填成 0，于是它在排序里成了全市场"最便宜的价值股"，被送进组合。

同一列里的空值，至少有三种完全不同的含义：

• 不适用：这个概念在这家公司身上不成立。净资产为负的公司没有有意义的 BP，亏损公司的 PE 是无意义的比值。它需要的不是填补，而是被排除在这个因子的分母之外。
• 未披露：数据存在，这家公司没说。比如没有业绩预告的季度、未单独列示的科目。缺失本身可能就是信息（第26章：不发预告可能是业绩平稳，也可能是该发不发），所以不能一律当噪声丢掉。
• 抓取失败或口径不匹配：两边都没错，但字段没对上，例如同一指标一个取的是母公司口径、另一个取的是合并口径。

处理顺序是：先判断属于哪一种，再决定排除、填值、还是保留成一个显式的"缺失标记"。 第二类和第三类的区别尤其重要——前者代表公司的选择，后者代表你的工程问题，而这两种缺失在数值上一模一样。

异常值先判断是错误，还是事实

现象。 某只股票某天的收益是 0，它可能是停牌，也可能只是不涨不跌；某只股票的换手率突然变成平时的 20 倍，可能是流通股本刚变过，也可能是真的一天换了手；某家公司的净利率是行业平均的十倍，可能是一次性资产处置，也可能是数据错了。它们在数值上都是"极端值"，但性质完全不同。

现象	是错误还是事实	该怎么处理
停牌日的收益	事件本身没有价格，收益是未定义的	显式标记为停牌，不要填 0；填 0 会系统性低估波动率（第25章）
一字涨停、跌停	事实	保留。它真实地表示"这个价格买不到"，是该被约束的（第3章、第24章）
换手率、Amihud 突然爆表	多数是构造问题	分母（流通股本、成交额）过小造成的，应在指标构造层面处理，而不是删掉极端点
财务比率出现几倍于同业的数值	需要先解释	先查是口径不同、分母为负，还是真的一次性损益（第9章），解释不了再当异常

一条原则：先能解释，再决定动不动。 一个说不清来源的极端值，删掉它只是把问题藏起来——而它很可能正是你要找的那家公司。真正的极值处理（把极端值压到某个分位数上、再做标准化）属于预处理，放在第28章。

重复记录通常来自"同一件事的多个版本"

现象。 某只股票在某一天出现了两行记录。你以为只是导入重复了，删掉一行之后却发现，两行的数字并不一样。

重复数据有三种常见来源：同一个报告期的多条记录（初始值、快报、更正值）；同一只股票同一天的多条行情（不同数据源或不同市场）；同一张表被重复导入两次。

判断的唯一依据是主键。 财务数据的主键是"证券 + 报告期 + 知悉期"，行情数据的主键是"证券 + 交易日 + 来源"。主键里少了知悉期，重复数据就没法区分，你只能在"去重后丢掉真实的历史版本"和"不去重导致同一天出现两行"之间选一个——而这两件事都会让回测出错，只是错法不同。

ETF 的数据多一层"产品自己"

个股和 ETF 的数据表结构不同，这不是细节，而是会直接改变结论的差别。

少了一整类字段。 ETF 没有公司公告、没有业绩预告、没有增持减持，也没有通常意义上的三张报表（第2章、第26章）。所以价值、质量、成长这些公司特征因子不能直接算在 ETF 上，必须穿透到成分股、按权重合成，再单独评价基金工具本身。

多了几类必须区分开的序列：

• 净值与交易价格是两条序列，还有第三条盘中参考净值（IOPV）。净值是基金按持仓算出来的，价格是二级市场成交出来的，两者的差就是折溢价（第18章）。用哪一条算收益，会直接影响夏普比率和跟踪误差；
• 份额与规模：份额变动带来申赎现金流，和价格涨跌无关。把份额增长当成"资金看好"之前，先分清是申购还是净值上涨；
• 分红与复权：ETF 分红同样要复权，而且基金净值序列与指数序列的复权口径必须一致，否则跟踪误差会被算出一个不存在的水位；
• 成分与持仓的时间差：指数成分名单的公告日和生效日之间有一段提前量（第18章），ETF 的实际持仓还要考虑复制方式和现金留存。

最常见的三个口径错误： 用季末的成分名单回测当季（名单在季末还没公布，第18章）；用不复权净值计算长期收益（漏掉分红）；把上市不满一年的 ETF 放进长期比较（样本期短，首日基数还异常）。

放回研究流程：把这份清单放在因子检验之前

上面几节是分开讲的，但真正麻烦的地方在于：这些问题会互相掩盖。用了报告期当可用日，和用了修订后的数据，症状是一样的——回测都变得更好看。

所以把它落成一张过一遍就能用的表，位置在因子检验之前，而不是发现问题之后：

检查项	要问的问题	出错时的典型症状
时间单位	这个滞后量是自然日、工作日还是交易日？	持有期比设定长或短；"15 个工作日"被当成 15 天
可用日	用的是报告期、公告日还是入库日？	1 月就用上了年报数据；回测收益好得离谱
顺延	盘后和周末的公告顺延到下一个交易日了吗？	用公告日当天的收盘价买入了盘后发布的公告
版本	这条数字是初值，还是被追溯调整后的值？	因子在历史上"恰好"避开了后来出事的公司
身份	用代码还是名称匹配？改过名、改过码吗？	一只股票的历史序列在戴上 ST 帽子那天断掉
退市	退市和摘牌的样本还在表里吗？	回测收益异常地好，因为亏损的公司已经不在样本里了
价格口径	用原始价、前复权还是后复权？	用前复权价做价格阈值筛选，结果随取数时间改变
缺失	空值是"不适用"、"没披露"还是"没抓到"？	填 0 之后，负净资产公司变成了"最便宜的价值股"

这张表的价值在于它检查的都是"不报错的错"。 一个会崩溃的 bug 是好事，你当天就会修；一个把夏普比率从 0.5 悄悄改成 1.5 的 bug 才是灾难，因为它给你的是"我想看到的结果"（第30章）。在因子研究里，让回测变好看的改动永远需要多一层怀疑。

本章小结

• 本章不讲新因子，讲的是所有因子共用的那张表：数字属于哪一天、用的是哪一版、这一行是不是同一只股票。
• 时间有三把尺子——自然日、工作日、交易日——参数必须带单位，交易日历必须是数据集的一部分。财报数据的可用日不是报告期：有公告日用公告日并顺延到下一交易日；没有就用法定截止日（年报与一季报 4 月 30 日、半年报 8 月 31 日、三季报 10 月 31 日），而不是"报告期 + 固定天数"——后者的误差是双向的，而且业绩差的公司拖得更晚。
• 可用日取公告时间和入库时间的较晚值。这不是小事：2024 年度报告有 22.1% 在周末披露。
• 修订不是覆盖，而是追加一条新版本。point-in-time 数据给每条记录两个时间戳：有效期（报告期）和知悉期（公告或入库）；取数时按知悉期取最晚的那一条（as-of 连接）。
• 会计差错更正并不罕见，幅度可以很大（有公司一次性把上一年归母净利润调减 84.91%），而且方向整体偏向调减利润。用覆盖型数据回测会系统性高估财务风险类因子的有效性——至少要在结论里承认这个方向。
• 股票简称会因 ST、更名、退市整理而改变，代码也可能变，退市后更是换成 400 开头的新代码。用代码加交易所做当日标识，给退市序列一个明确的终止标记——这是幸存者偏差最容易藏身的地方。
• 前复权以最新价为基准，会随之后的每一次除权重算；后复权以上市首日为基准，历史值不再变动。两者只差一个常数，收益率相同，但价格水平不同且随取数日变化——所以要存原始价和复权因子，只在展示时用前复权。
• 缺失值分"不适用""未披露""抓取失败或口径不匹配"三种，异常值要先判断是错误还是事实，重复记录靠主键区分且主键里必须包含知悉期——这三类不能用同一套规则清洗。
• ETF 的数据少了公司公告，多了净值、价格、IOPV、份额和成分名单几类必须分开的序列，还要注意成分公告日与生效日的时间差、分红复权口径，以及上市时间过短带来的样本问题。
• 所有这些问题有一个共同点：它们不会让程序崩溃，只会让回测更好看。 所以这份检查要放在因子检验之前。

下一章回到这张表上做加工：极值怎么处理、标准化用哪种、排名和分位数各适合什么场合、行业与市值中性化之后因子还表不表达原来的逻辑。数据本身干净了，才有资格谈"因子的含义有没有被预处理改掉"。