数据校验的习惯：每个异常都要有个解释
我的掌握程度：
先掌握这个答案
数据体检固定清单：①行数对账（交易日×股票数−合理缺失=实际行数）；②价格范围（>0、日收益不超涨跌停界）；③抽样比对（随机挑3只股票和行情软件对数，精确到分）；④截面检查（某天全市场收益分布是否异常，如均值整体偏移=对齐错误）；⑤缺失率统计（各字段NaN比例，突增=数据源故障）。原则：异常未解释=数据不可信=研究暂停。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 把行情数字变成可比较的收益
看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。
- 选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
- 没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
- 用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。
使用边界
- 不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
- 模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。
背景 · 从一个困惑说起
研究员A：拿到数据直接跑因子，结果很漂亮。研究员B：先跑了20分钟体检，发现3只股票价格全为0、某天全市场收益率整体偏移1%——修完再跑，因子失效。三个月后实盘，A的策略暴雷，B的稳定运行。
由此产生的问题
系统性的数据校验该包含哪些固定动作？为什么「每个异常都要有解释」是数据工作的职业标准？
核心概念
数据体检固定清单：①行数对账（交易日×股票数−合理缺失=实际行数）；②价格范围（>0、日收益不超涨跌停界）；③抽样比对（随机挑3只股票和行情软件对数，精确到分）；④截面检查（某天全市场收益分布是否异常，如均值整体偏移=对齐错误）；⑤缺失率统计（各字段NaN比例，突增=数据源故障）。原则：异常未解释=数据不可信=研究暂停。
为什么需要它
①错误传播：数据错1%，因子结论可能错100%（方向都可能反）；②时间成本不对称：体检20分钟 vs 实盘暴雷后排查一周；③建立「数据信任度」档案：每份数据的已知问题记录在案，团队共享——这是机构数据组的日常制度。
实际应用场景
写一个health_check(df)函数作为数据管道第一步；每次数据更新自动跑、异常邮件告警；研究报告附「数据体检摘要」（专业细节，面试加分）。
与之前知识的联系
q-065的图鉴给「异常种类」，本题给「制度化防线」。数据车间全部完工——下一题是车间的毕业典礼：完整流水线。
⚠ 常见误解
- 数据源是大厂的就不用检查：所有数据源都有口径变更、接口故障、静默错误的经历
- 抽样3只太少没意义：抽样比对的意义是「抓系统性口径错」（如复权方式变了），不是统计抽样
- 校验拖慢研究：它只在「数据更新」时跑一次；不做校验的返工才是真正的慢
🛠 本题实践任务
把health_check改造成你的版本，跑在你已下载的数据上，逐项给每个非零异常找到解释（停牌？除权？数据源问题？）。全部有解释才算过关。
💡 提示（先自己想5分钟再看）
解释的来源：对照q-065图鉴和q-013除权知识；实在解释不了的行，隔离出来单独研究。
✅ 验收标准
一份体检报告+每项异常的书面解释。「无解释不放行」从今天成为你的数据纪律。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（脏数据、清洗），再用案例、公式和代码帮助理解。此功能需要先启用服务。