From 32e2092b8f2dd94d8d07c638b3aabceb4c47d514 Mon Sep 17 00:00:00 2001 From: Guofu Li Date: Thu, 8 Sep 2022 10:30:48 +0800 Subject: [PATCH] Update README.md, add descriptions for data verification. --- README.md | 45 ++++++++++++++++++++++++++++++++++++++++++++- 1 file changed, 44 insertions(+), 1 deletion(-) diff --git a/README.md b/README.md index eb6f162..476ab93 100644 --- a/README.md +++ b/README.md @@ -75,7 +75,50 @@ - 跨年同比指标计算（分母为去年基数取绝对值，函数会同时返回当年值和去年基数，以便进一步调整） -## 海通高频数据录入说明 +## 一分钟K线数据校验 + +### 海通数据vs 旭诺MongoDB数据质量对比 + +MongoDB的数据问题比较严重，主要有以下几个大问题： +1. MongoDB的日内分钟数据加上了9:25集合竞价的数据，同时剔除了14:57-14:59尾盘集合竞价的数据，所以MongoDB的标准日内分钟是239分钟，但实际上日内分钟不同股票、不同交易日内都有不同程度的分钟丢失，导致股票日内记录数通常小于239，集中在开盘前几分钟（这个问题比较严重，开盘往往对因子计算影响较大），尾盘收盘时刻和日内离散的时刻，采样结果显示，20220121当天4609个股票，仅99只股票有15:00收盘时刻的数据； +2. 早年的数据，甚至有整个交易日所有股票无数据的情况，例如2018、2019年，近年来少一些； +3. 有些股票的时间序列上有部分字段的数据缺失，例如只有开盘和收盘价，没有最高最低，或者有价格数据但无成交数据。 + +### 海通分钟数据和旭诺MongoDB映射表 + +| 海通字段 | MongoDB字段 | 映射规则（旭诺→海通） | +| -------------- | ---------- | ------------ | +| m\_nDate | nActionDay | Int型→date型 | +| m\_nTime | nTime | Int型→time型 | +| m\_nOpen | nOpen | nOpen/10000 | +| m\_nHigh | nHigh | nHigh/10000 | +| m\_nLow | nLow | nLow/10000 | +| m\_nClose | nClose | nClose/10000 | +| code | szXnCode | copy | +| m\_iVolume | iVolume | copy | +| m\_iTurover | iTurnover | copy | +| m\_nMatchItems | | | + +另外还要注意以下几点： +1. 海通数据是前置的，旭诺数据是后置的，即前者14:56的数据反映的是14:56-14:57的成交情况，后者反映的是14:55-14:56的成交情况，所以在映射时要错位映射。 +2. 1的逻辑也导致了海通数据没有11:30和15:00两个时间戳，而旭诺数据有，且旭诺数据将14:56-15:00的数据都包括在了15:00这个时间戳内。不过旭诺数据依然有9:30的时间戳，反映开盘行情。 + +### 海通数据vs天软数据 + +以天软数据为基准，海通数据主要有三点问题： + +1. 历史上一大段时间缺失了001872 001914 689009三只股票，其中 + - 001872在20181226之前无数据，因为20181226更换了股票代码，之前的股票代码为000022； + - 001914在20191216之前无数据，因为20191216更换了股票代码，之前的股票代码为000043； + - 689009在20210402-20210528期间无数据，股票这期间并未更换股票代码或停牌等其他重大事件 + - 对于前两种情况，海通的处理逻辑是，变更前和变更后的代码分开记录变更前后的数据，而天软的处理逻辑是，保留变更前的记录，同时copy一份到变更后，并用变更后的股票代码继续记录变更后的数据，所以导致变更之前的时间戳上天软有变更后代码的数据，但海通没有。对于第三种情况，则属于__数据缺失__。 +2. 海通数据多了很多停牌、未上市或者已退市，但并未做剔除处理的数据，最多的时候单日多出来190只股票。这些未剔除的数据都是当天停牌的，显示为高开低收全天一样，且成交量、成交额、成交笔数全为0（唯一例外是20151123的600568.SH在9:30有成交数据，但当天实际上是停牌的）。由于海通对于停牌等情况的基本处理逻辑是剔除当天行情，整个行情理论上不包含停牌期的时间戳和数据，且在天软里面也完全没有退市、停牌、未上市期间的行情数据，所以这些多出来的股票数据属于__异常__。 +3. 海通的数据相比于天软，剔除了北交所的股票，但多出来了510300.SH, 510050.SH, 510500.SH, 159915.SZ, 159949.SZ 5个etf。 + - 不过目前这三个问题影响不算很大，对于（1），可以在后续处理时将两个股票代码的行情进行拼接，并统一用变更后代码赋值code列，即可保证和天软数据一致；对于（2），由于天软daily是准确的，可以通过天软daily数据进行过滤，或者对日内vol求和进行判断，和为0的属于异常点，计算因子时不予考虑；对于（3），在数据处理时加上股票代码的正则表达式过滤。 + + + +## Appendix: 海通高频数据录入说明: - Python语言从数据库中读取字节流程序并解码还原示例程序在ReadTickFromDB.py中。 - 该函数需要pymssql、gzip、google.protobuf（可用pip install protobuf安装）三个外部依赖库需要在运行程序。