交易数据：来源与清洗

垃圾进，垃圾出。每个回测的可信度只跟底下的数据一样。

任何信号、任何模型、任何策略之前——是数据。而市场数据默认是脏的：缺口、拆分、坏 tick、时区错误、幸存者偏差，都合伙让你的回测撒谎。清洗数据是一半的工作。

交易数据来源

把粒度匹配你的策略：微观结构用 tick，日内用 1 分钟，波段用日线。别为你永远不用的 tick 付钱。

脏数据清单

1. 缺失 bar——交易所假日、行情中断。只在合理时前向填充或插值
2. 坏 tick——飙到零或荒谬值。用滚动 z 阈值过滤（比如拒绝 |z| > 10）
3. 股票拆分——原始价格会显示假的 50% 跌幅。永远用拆分调整收盘
4. 分红——总回报序列跟价格序列不同。决定你要哪个
5. 时区——混 UTC 和本地，你的 join 会静默断裂。统一 UTC
6. 前视偏差——用了实际是明天开盘的收盘时间戳。确认每个 bar 的时间戳是开始，不是结束

幸存者偏差

如果你的历史标的是"今天的沪深 300 成分股"，回测会排除每家破产或退市的公司。收益看起来人为地高，因为输家消失了。

修法：用时间点成分股列表（有的话），或加退市收益代理。免费数据几乎从不包含这个——免费数据的隐性成本。

前视与同步

join 多个品种时，对齐要紧。常见 bug：用品种 A 的日收盘在同一天品种 B 的收盘上入场——实盘不可能。

规则：每个 bar 只能用 bar 收盘时可用的信息。任何从收盘价本身派生的特征用 .shift(1)。

清洗管道

df = df.tz_localize('UTC').tz_convert('UTC')
df = df[~df.index.duplicated(keep='first')]
df = df.resample('1min').last().ffill()
df['ret'] = np.log(df['close']).diff()
z = (df['close'] - df['close'].rolling(100).mean()) / df['close'].rolling(100).std()
df = df[z.abs() < 10]

回测前健全性检查

1. 画清洗后的序列——像不像你认识的那张图？
2. 查买入持有的年化收益——跟公开数字对得上吗？
3. 验证没漏进未来特征（跑个"应当为零"的滞后检查）
4. 确认每个时间戳的标的成员跟现实匹配

小结

免费数据是你用过的最贵的数据。幸存者偏差、坏 tick、前视泄漏悄悄抬高每个回测。在信任何策略结果之前，投资干净的时间点数据和严格清洗管道——因为没有信号能在垃圾数据上活下来。