Pandas怎么处理股票停牌？空值填充有妙招！_量化遇到停牌数据怎么处理-CSDN博客

本文链接：https://blog.csdn.net/wencaitouzi/article/details/147773821

Pandas怎么处理股票停牌？空值填充有妙招！

停牌数据处理的痛点

做量化交易的朋友都知道，股票停牌是个让人头疼的问题。你精心设计的策略跑得好好的，突然某只股票停牌了，数据流里直接给你塞个NaN，整个回测结果可能就歪了。更糟的是，不同股票的停牌时间还不一样，有的停一天，有的能停半年。

我见过不少新手直接dropna()一把梭，结果把正常交易日的数据也删了。也有的用零填充，这比删除还可怕——你想想，一支股票昨天收盘10块，今天"变成"0，明天又变回10块，这收益率计算能准吗？

为什么不能简单删除或填零

上周就有个客户跟我吐槽，他回测一个多因子模型，年化收益显示80%，兴奋得不行。结果实盘一跑，亏了20%。后来发现是停牌数据处理有问题——他把所有NaN都用前值填充，导致停牌期间的价格一直不变，策略信号严重滞后。

这就像用去年的天气预报决定今天穿什么，能不翻车吗？停牌期间市场在变化，其他股票在波动，简单沿用停牌前价格会严重低估真实风险。

专业选手的四种填充姿势

前值填充法（ffill）

这是最基础的方法：

df.fillna(method='ffill')

适合短期停牌，比如例行股东大会停牌一天。但长期停牌就会失真——一支股票停牌三个月，期间大盘跌了20%，你还用三个月前的价格，这明显不合理。

行业指数替代法

更聪明的做法是用行业指数来替代：

industry_return = get_industry_index() # 获取行业指数收益率
df['stock_price'] = df['stock_price'].fillna(df['industry_price'] * industry_return)

比如茅台停牌时，可以用白酒行业指数涨跌幅来估算。这个方法在行业同涨同跌时比较准，但个股特殊情况（如暴雷）就不适用。

市场中性填充法

对冲基金常用的方法：

beta = calculate_beta() # 计算股票beta值
market_return = get_market_return() # 获取市场收益率
df['stock_price'] = df['stock_price'].fillna(prev_price * (1 + beta * market_return))

考虑了个股与大盘的相关性。比如β=1.2的股票，在大盘涨1%时估算涨1.2%。但β值本身也会变化，长期停牌时仍需谨慎。

多因子预测法

最复杂但也最精准的方法：

model = load_factor_model() # 加载预训练的多因子模型
features = get_current_factors() # 获取当前因子暴露
df['stock_price'] = df['stock_price'].fillna(model.predict(features))

需要历史数据训练模型，考虑估值、动量、波动率等多个因子。适合专业机构，但对数据量和算力要求较高。

实战中的组合拳

我服务的几个大客户通常这样做：

停牌5天以内：前值填充
5-20天：行业指数法+市场中性法加权
20天以上：触发人工复核，必要时暂时移出股票池

def smart_fillna(df):
    stop_days = df['price'].isnull().cumsum()
    df['filled_price'] = np.select(
        [stop_days <= 5, stop_days <= 20],
        [df['price'].ffill(), 
         industry_fill(df)*0.7 + market_neutral_fill(df)*0.3],
        default=manual_review_flag
    )
    return df