【深度学习量化交易4】 量化交易历史数据清洗——为后续分析扫清障碍

我是Mr.看海，我在尝试用信号处理的知识积累和思考方式做量化交易，目的是实现财务自由~

上次说到，为了便于下载股票历史数据，我开发完成了可视化的数据下载模块（下图）。

现在我们继续量化交易系统开发旅程，近期完成的部分是——数据清洗。

一、为什么要做数据清洗

在量化交易领域，历史数据的质量对交易策略的可靠性起着决定性作用。

"回测成功、实盘失败"的现象，往往可以追溯到历史数据质量的问题。

真实的市场环境充满了各种复杂情况。停牌、复牌、除权除息、市场熔断等特殊事件都会在历史数据中留下特殊痕迹。如果不对这些特殊情况进行恰当的清洗和处理，就可能误导策略的开发方向。

对于A股市场来说，这种情况尤为明显。

另外数据源的数据本身可能就存在质量不高的问题。

二、数据清洗策略

1. 缺失值处理

在量化交易中，数据缺失是一个普遍存在的问题，可能源于市场暂停交易、数据采集故障或者通信中断等原因。

缺失值处理的关键在于理解数据的业务特性，采用差异化的填充策略。

目前我采取的策略是这样的&