文溪投资谈数据可信度

发布时间：2026-10-20 09:03:10 编辑： 小编 来源：

同一套选股模型，换一份数据库，回测结果可能明显不同。原因往往不在算法，而在数据的时间和边界：财务指标究竟按报告期记录，还是按实际披露日进入系统；已经退市的公司是否仍留在历史样本；复权价格、停牌状态和证券代码变更是否得到一致处理。模型不会主动追问这些细节，它只会忠实计算输入。因此，数据质量不是量化研究的准备工作，而是研究结论本身的一部分。

把数据称为AI量化的“燃料”很形象，却还不够准确。燃料只回答有没有，投资数据还要回答何时可得、如何生成、能否复现。文溪投资认为，衡量数据价值不能只看覆盖面和更新速度，还要看它是否保留了当时真实的信息环境。只有把市场曾经知道什么、研究系统何时拿到、后续怎样修订交代清楚，模型的历史成绩才有讨论意义。

市场数据先要还原当时的市场

行情数据看起来最客观，处理起来却并不简单。一只证券可能经历分红送转、停复牌、合并、更名或退市，同一代码在不同阶段也可能对应不同状态。如果研究者直接使用今天仍在交易的公司回看十年前，失败和退出的样本就会被悄悄删掉，形成幸存者偏差；如果复权方式、涨跌停约束和实际可成交数量处理不一致，纸面收益也可能被高估。

时间粒度越细，问题越具体。分钟线和Tick数据需要统一交易所时间、撮合顺序和缺失记录，还要分清报价、成交与撤单。高频场景中，几毫秒的错位就可能改变先后关系；中低频研究同样不能轻视日期。财报写的是一季度，不等于市场在3月31日已经知道结果。若数据库把报告期末当作信息可用日，模型实际上拿到了未来数据，这就是前视偏差。

基本面与另类数据更需要来源说明

基本面数据常有两套时间。一套是企业经营活动所属的会计期间，另一套是公告发布并被系统接收的时间。历史回测应以当时可获得的版本为依据，同时保留后来更正、追溯调整和口径变化。只保存最新值，容易把事后修订带回过去；只保存原始值，又可能无法解释后续研究为何变化。较稳妥的做法，是同时管理事件时间、发布时间、入库时间和版本号，让每次计算都能找到当时使用的那份数据。

新闻、产业链、地理位置和消费行为等另类数据扩大了观察面，也增加了授权、隐私和重要非公开信息风险。数据“能买到”不等于可以不加审查地使用。来源是否合法，采集对象是否知情，供应商能否说明处理方式，数据是否可能夹带未公开信息，都需要在研究前核验。美国证券交易委员会的相关风险提示曾指出，部分投资顾问没有把尽调流程覆盖到所有另类数据来源。这个问题放在任何市场都值得警惕。

更多数据还可能制造一种错觉：变量越多，发现机会的概率越高。事实上，来源越杂，字段定义、更新频率和缺失机制越不一致。社交平台热度可能反映关注，也可能来自营销和机器人账号；供应链变化可能说明订单波动，也可能只是季节性。另类数据应当补充研究问题，而不是凭新奇程度获得更高权重。它是否有效，仍需与可解释的经济关系、稳定的样本外结果和现实成本放在一起判断。

一条数据要有完整的证据链

数据治理的核心，是让一条数据从来源到结果都能被追踪。至少应记录原始出处、可用时间、清洗规则、版本变化和调用范围。研究人员修改异常值时，要说明为什么改、改了多少；供应商调整字段时，要评估哪些历史结果会受到影响；模型上线后，还要监测缺失率、分布和相关关系是否偏离训练阶段。这样做不花哨，却能在结果异常时迅速缩小排查范围。

这条证据链还承担复现功能。一次研究若只能在某位工程师的电脑上跑出结果，就很难成为组织能力。相同的数据快照、代码版本和参数配置，应当得到相同输出；无法完全复现的外部接口，也应保留请求时间、返回内容和异常日志。复现不是为了证明旧结论永远正确，而是为了判断变化来自市场、数据还是模型。没有这个坐标，迭代很容易变成凭结果修参数。

文溪投资分析 数据治理决定研究上限

文溪投资在分析AI量化时，把数据质量拆成四个可以检查的问题。第一，真实性，原始记录是否准确，异常和缺失是否得到说明；第二，时点性，信息在回测时刻是否确实可用；第三，一致性，同一字段在不同市场、行业和历史阶段是否保持可比；第四，合规性，数据获取和使用是否有清晰授权。四项要求不会直接产生收益，却能减少把错误当信号的概率。

在具体流程上，文溪投资更关注“先定用途，再选数据”。如果研究目标是解释企业盈利变化，就要优先核对会计口径和披露时点；如果目标是改善交易执行，就应检查盘口深度、成交约束和延迟；如果大模型要处理新闻与财报，则要保存原文、引用位置和生成版本。不同任务使用不同证据，不能把高频数据的速度优势，直接换算成基本面判断的准确性。

文溪投资也主张把数据异常纳入风险管理。字段突然缺失、供应商口径改变、特征分布漂移或信息来源存疑时，系统应触发降权、暂停或人工复核，而不是继续输出一个看似精确的分数。模型有答案不代表系统具备行动条件。把停止使用的标准提前写进流程，能够避免团队在结果不利时临时寻找解释，也能为恢复使用提供明确依据。

AI可以加快清洗、识别异常和整合非结构化信息，但它无法替研究者决定什么才算可靠证据。算力扩大了处理规模，算法提高了发现关系的效率，最后仍要回到一张朴素的清单：这条数据从哪里来，当时能不能看到，经过了哪些修改，换一个时期还能不能成立。文溪投资所理解的数据基石，正是把这些问题持续问下去。地基看不见，却决定一座模型能建多高，也决定它在市场变化时能否站稳。