基线阈值怎么定？数据清洗里藏着多少您不知道的坑
第13页 · 预计12页
上一章结束时，我已经将五维度框架抛给对方，并给出了基线筛选结果（钢铁、有色、银行等传统周期股）。对方看后没有立即接受，而是提出了一个看似微小却关键的要求：“老师，就按您说的标准，再加上‘超跌排名靠前’。”
这句话包含两个隐含信息：第一，对方接受了我提出的五个维度作为基础框架，没有质疑维度本身的合理性；第二，对方想要追加一个额外的排序条件——“超跌排名靠前”，意味着在满足基础条件的前提下，按照年内回撤幅度从大到小排序，选取回撤最大的10只。
这个要求并不复杂，但暴露出一个常见问题：“按您说的标准”中的“标准”其实并未被量化。我需要做出一个专业判断——是用行业惯例填补阈值空白，还是返回去追问具体数字？
很多量化从业者遇到这种情况，会习惯性地追问“您想要回撤多少？”“ROE要多少合适？”，但这样反而会让本来就没有明确标准的用户更加困惑。我的经验是，先给出一个经过市场验证的基线，让用户在基线的基础上调整，远比从零开始讨论效率高得多。
我选择了前者。理由如下：在缺乏明确偏好的情况下，给出一份可讨论的参照系，其信息价值高于不给出任何结果。行业通用的“优质股”阈值（ROE>15%、PE<20倍）已经被大量学术研究和实践验证为区分“平庸”与“优秀”的有效分界线。阈值本质上是一种可迭代的参数，而非教条。后续可以根据对方反馈迅速调整。
具体设定的每个阈值，背后都有扎实的量化依据，不是随手写的数字：
| 维度 | 条件 | 说明 |
|---|---|---|
| 净资产收益率(ROE) | >15% | 高于A股平均水平，筛选盈利能力稳定的公司 |
| 净利润三年复合增长率 | >0% | 排除持续下滑企业，但不要求高增长（避免过滤掉稳健型） |
| 滚动市盈率(PE TTM) | <20倍 | 低于市场均值，避免高估值泡沫 |
| 总市值 | >100亿元 | 剔除流动性差的小市值股票（日均成交额常低于300万元） |
| 年内高点回撤 | >30%（用于排序） | 技术性超跌的常见阈值，与“熊市底部区域”经验值吻合 |
| 风险标记 | 非ST/*ST | 过滤退市风险、财务造假等极端案例 |
净资产收益率ROE大于15%：A股全市场长期ROE中位数大约在8%到10%之间，15%以上的公司大致处于全部上市公司的前30%分位，能够稳定维持这个水平的公司，通常具备稳定的盈利能力和一定的竞争壁垒，不会轻易陷入行业价格战。这个阈值也是国内机构选股时常用的盈利底线，具备广泛的市场共识基础。
净利润三年复合增长率大于0：这个条件相对宽松，目的只是排除连续三年净利润下滑的衰退型企业，不对增长速度做过高要求。这样可以把那些盈利稳定但增速不高的稳健型公司保留下来，避免筛选结果过度偏向高波动的成长股。
滚动市盈率PE小于20倍：万得全A指数的长期PE中枢大约在17到18倍之间，20倍作为上界，略高于市场均值，既不会因为太严格而选出太少标的，也不会因为太宽松而纳入估值泡沫严重的股票。对于价值型选股来说，20倍PE是公认的合理估值上沿。
总市值大于100亿元：设置这个门槛主要是为了排除流动性过差的小市值股票。通常总市值低于100亿的个股，日均成交额经常低于3000万元，买卖滑点大，大一点的资金进出就会影响股价，不适合作为策略标的。100亿以上的公司流动性基本有保障，也大多已经度过了最脆弱的初创期，爆雷风险相对更低。
年内高点回撤大于30%：这是技术性超跌的常见阈值，与“熊市底部区域”的经验值吻合。一般来说，个股从高点回撤30%，通常已经消化了大部分利空情绪，进入了价值区间，反弹的概率和空间都会明显提升。这个阈值也是很多逆向投资者的通用抄底线。
风险标记为非ST、非*ST：过滤退市风险、财务造假等极端案例。这是所有选股策略的前置条件，不用多解释。
如果想要测试不同阈值下的选股效果，或者查看全市场各个因子的分位分布，可以登录a-sig.com壹信因子查询平台，所有阈值都可以自由调整，实时返回筛选结果和历史回测表现。
在调用数据接口时，会遇到三类常见问题，需要预处理。这些细节在最终输出的表格中完全不可见，但任何一个环节出错，都会导致结果偏差。量化工作中，80%的时间花在数据准备上，只有20%用于建模和筛选。很多新手以为量化就是写公式选股票，最后才发现数据质量才是决定策略成败的基础。
季报披露时间不统一：部分公司在4月底才披露一季报，而另一部分可能已披露中报。为确保可比性，需要统一使用最新报告期数据，并标注报告期截止日。这里最容易犯的错误就是“未来函数”——比如用4月30日的全部财报数据，去回测4月20日的选股，相当于在当时使用了还没披露的信息，回测收益会严重虚高，实盘根本无法复现。
ROE计算口径也有差异：有摊薄ROE和加权ROE，有单季度的也有滚动12个月的。我统一使用TTM（滚动12个月）ROE，以平滑季节性波动，避免单季度业绩波动导致的指标失真。
PE为负的公司（亏损）应当剔除，因为负PE没有比较意义。PE大于100倍的公司，除非有明确的高增长逻辑，否则在基线筛选中一并排除。这些极端值往往是微利公司（每股收益趋近于零）或泡沫股，会导致PE失真，拉低整体筛选结果的可靠性。
我见过很多新手第一次选股，选出来的PE第一名是几千倍，就是因为没有剔除微利股，这样的筛选结果完全没有参考价值。
“年内高点”需要明确：是指自然年度（1月1日至今）的最高收盘价，还是过去252个交易日的最高价？我选择后者（过去一年），更符合技术分析习惯，且避免年初效应。如果用自然年度，每年1月1日所有股票的回撤都归零，会导致年初的筛选结果完全失真。
如果个股在年内有过除权除息，需要复权处理。使用前复权价格计算回撤，否则回撤幅度会被严重高估。举个最常见的例子：某只股票执行10送10的分红方案，股价从20元跌到10元，如果不复权直接算回撤，会得出-50%的结论，看似深度超跌，但实际复权后的回撤可能只有-10%。误把除权当成超跌，是新手最常见的错误之一，我见过不下十个人栽在这个细节上。
不同接口返回的市值单位可能不同（万元、亿元、元），需要统一转换为亿元。回撤幅度可能是小数（0.3）也可能是百分数（30），需要标准化。
不要小看这些单位问题，我曾经遇到过因为两个数据源一个用万元一个用亿元，导致算出来的市值差了一万倍，筛选结果完全错误的情况。细节决定成败，量化工作尤其如此。
这些数据清洗的细节处理，在intoquant.com提供的代写源码服务中都会默认内置，包括数据对齐、极值处理、复权校准等全套逻辑，不用自己逐个踩坑调试。
执行筛选后，得到上一章末尾的10只股票表格。为了让对方更直观地理解这批股票的特征，我同时提供了两个统计摘要：行业分布统计和关键指标的分布区间。
我没有直接丢给对方10行股票代码就完事，而是先给整体画像，原因很简单：人对信息的接收是先整体后局部的。如果先看个股，很容易陷入对某只股票的主观好恶，忽略整体特征。先看行业分布和指标区间，就能快速建立对这批股票的整体认知——这是一批估值低廉、盈利稳健、但近期跌幅较大的传统周期性公司。
| 行业 | 股票数量 | 平均回撤 | 平均ROE | 平均PE |
|---|---|---|---|---|
| 钢铁 | 3 | -35.4% | 17.2% | 9.7 |
| 有色金属 | 2 | -32.2% | 19.6% | 13.4 |
| 银行 | 1 | -30.8% | 15.3% | 5.1 |
| 房地产 | 1 | -41.2% | 15.9% | 7.4 |
| 建筑 | 1 | -32.4% | 16.2% | 5.8 |
| 建材 | 1 | -38.9% | 17.8% | 9.6 |
从行业分布能很清楚地看到，钢铁、有色、建材这些周期行业占了绝大多数，没有科技股，没有成长股，完全是价值风格的标的。
关键指标的分布区间也有明确的特征：
回撤幅度集中在30%到41%之间，标准差约3.8%，波动较小，说明这批股票的超跌程度比较均匀，没有某只股票回撤特别深或者特别浅的情况。
ROE全部高于15%门槛，最高为紫金矿业的22.3%，最低的宝钢股份也有15.1%，整体盈利质量很高。
PE从5.1倍到15.6倍不等，最低的是成都银行，最高的是山金国际，全部低于20倍的阈值，估值水平整体偏低。
这些统计不是为了炫技，而是让对方快速把握这批股票的整体画像，不用一个个去算去查。
如果需要批量生成不同市场、不同策略的筛选统计报告，也可以通过intoquant.com定制自动化报表脚本，每日自动输出完整的筛选结果与统计分析，节省大量手工整理时间。
从量化条件看，这份名单无懈可击。但从交易者的直觉看，它可能“不够性感”。
这里存在一个核心矛盾：量化筛选追求规则的一致性和可复现性，而交易者的偏好往往包含审美判断——对行业、故事、想象空间的偏好。
例如，钢铁和水泥行业虽然ROE高、PE低，但市场给予它们的长期估值一直偏低，因为行业处于成熟期甚至衰退期，缺乏增长预期。而成长股投资者宁愿买80倍PE的AI芯片公司，也不愿买8倍PE的钢铁股。这不是谁对谁错的问题，而是投资框架的差异——价值投资者赚业绩修复的钱，成长投资者赚产业扩张的钱。
我选择不主动“优化”这份名单，而是将它作为一个锚点。原因在于：如果对方不满意，他的反馈将是最有价值的修正信号——他会告诉我，他更在意成长性、产业趋势还是其他什么维度。而如果他满意，说明他的策略偏好就是深度价值+逆向投资。
这就像机器学习中的主动学习：先用初始模型给出预测，然后根据用户对预测结果的反馈，不断调整模型权重。迭代的成本远低于一次性构建完美模型的成本。
做量化这么多年我最深的感受是：好的策略从来不是设计出来的，而是迭代出来的。
对方看到这份名单后的第一句话，将成为整个策略迭代的转折点。但那是第三章的内容。
在本章结束时，我需要做的是：准备好接收反馈，并预判可能的调整方向。
根据我的经验，对方最可能的反应有四种：
第一种是接受，那么策略方向就定格在深度价值+超跌反转，后续可以做更长期的回测，优化参数细节。
第二种是认为“太传统”，需要增加成长因子、产业趋势标签，把选股方向转向新兴行业。
第三种是认为“还不够超跌”，提高回撤阈值至40%以上，或加入超跌动量指标，追求更深的安全边际。
第四种是询问资金面，需要接入主力资金流向数据，验证股票是否有机构资金关注。
而根据A股个人投资者的普遍偏好，以及对方一开始就强调“超跌排名靠前”的逆向风格，我预判他大概率会偏向第二种，也就是不满意传统行业，想要更有想象空间的标的。当然，也有可能他会追加资金面的要求，毕竟“有没有资金买”是所有交易者都关心的问题。
不复权的价格会导致回撤计算严重失真。例如，某股10送10后价格减半，不复权回撤显示-50%，但实际复权回撤可能只有-10%。误把除权当成超跌，是新手最常见的错误之一。
这里补充一下前复权和后复权的区别：前复权是以当前价格为基准，把历史价格按除权比例调整，适合计算历史回撤和收益率；后复权是以发行价为基准，适合计算累计收益。选股和回测场景下，统一使用前复权价格是行业标准。
def safe_retrace(price_series, current_price):
"""计算年内回撤，处理空值和除权"""
if price_series.empty:
return None
# 使用前复权价格（已在数据获取时处理）
high_252 = price_series.rolling(252).max()
if high_252.iloc[-1] == 0:
return None
retrace = (current_price - high_252.iloc[-1]) / high_252.iloc[-1]
return retrace
写代码的时候一定要做异常处理，比如价格序列为空、最高价为0这些边界情况，否则程序很容易因为某只股票数据缺失就崩溃。量化系统的稳定性，90%取决于异常处理做得够不够。
上市不足252个交易日的次新股：不要硬套252日高点，用实际交易日数计算高点，或者直接剔除上市不满一年的次新股，因为次新股没有足够的历史数据，超跌逻辑不适用。
近期有重大资产重组的股票：建议人工复核，因为价格连续性被破坏，之前的高点没有参考意义。
ST摘帽的股票：摘帽前后的估值逻辑完全不同，不能直接用过去一年的价格算回撤。
这些边界情况的处理逻辑，在a-sig.com的因子计算引擎中都已经内置，所有指标都会自动处理除权、次新股、重组等特殊情况，输出的结果直接可用，不用自己做数据清洗。
下一章将揭示，对方的真实反馈是第二种——“老师，我觉得太传统了”。这个反馈将引导我们进入A股的未来产业赛道：AI算力、半导体、新能源。
本章内容节选自原创量化书籍《因子会说谎》，更多数据清洗与因子计算的实操细节，可登录intoquant.com查阅完整内容。
⚠️ 风险提示：本书内容仅为量化研究与知识分享，不构成任何投资建议。套利交易存在基差、费率、流动性、平台与极端行情等风险，历史表现不代表未来收益。投资有风险，入市需谨慎，请自主决策、量力而行。
💡 键盘 ←/→ 翻章 · T 键切换目录