交易日历与多频率对齐

weekly = close.resample("W-FRI").last()
monthly = close.resample("ME").last()

一、别用 bdate_range 生成交易日

fake = pd.bdate_range("2015-01-01", "2026-07-29")   # 周一到周五

实测对比真实交易日历(交易所口径,经 baostock 获取):

真实交易日      2811 天
bdate_range 给的 3020 天
❌ 多算(以为开市其实休市) 209 天 = 7.4% 的交易日被凭空造出来
❌ 漏算(实际开市却被跳过) 0 天

每年被凭空造出 13–20 天:

最近的几个例子:2026-02-23(春节)、2026-05-01 / 05-04 / 05-05(五一)、2026-06-19(端午)。

后果:用假日历做 reindex,长假里会插入一串"价格不变"的假交易日。它们会稀释波动率、拉平均线、让换手统计失真——和 p1.3 的停牌坑同源:假的 0 收益,一律往下压你的风险指标。

二、重采样的标签会骗人

周频 W-FRI: 592 个周期,其中 37 个标签不是交易日 (6.2%)
月频 ME:    139 个周期,其中 48 个标签不是交易日 (34.5%)

月频超过三分之一。

原因不难理解:resample 的标签用的是日历日——每月最后一个自然日、每周的周五。而 5 月 31 日可能是周日,10 月 31 日可能在长假里。

值是对的(pandas 取的是区间内最后一个有数据的日子),标签是错的。

危害在于对账:

• 你以为拿到的是 5 月 31 日的收盘,实际是 5 月 30 日的
• 和另一张按真实交易日索引的表 merge → 那一行直接消失
• 如果你 merge 前后没检查行数,丢了三分之一的数据都不会有人告诉你

修法:把标签换成区间内真实的最后一个交易日

g = close.groupby(pd.Grouper(freq="ME"))
last_day = g.apply(lambda s: s.index[-1] if len(s) else pd.NaT).dropna()
aligned = pd.Series(g.last().dropna().to_numpy(), index=pd.DatetimeIndex(last_day))

实测:修正后 139 个月度点,非交易日标签 0 个。

🔧 动手做:你的月频标签,三分之一不是交易日(5 分钟)

跑 python calendar_align.py。它把 pandas 默认的工作日/重采样标签,和真实交易日历比。

你会看到(实测):pd.bdate_range 生成的"工作日"比真实交易日多算 209 天(7.4%)(它不知道国庆春节休市);月频重采样 ME 的 139 个标签里,48 个落在非交易日(34.5%)——你以为在每月末取值,其实三分之一取在了休市日。

想明白:pandas 的日历不懂 A 股休市。用它生成的标签去对齐行情,会静默地取错日子(取到最近可用的、或 NaN)。改用"区间内最后一个真实交易日"作索引,非交易日标签立刻归零。任何按日历重采样的操作,先问:这个日历是真实交易日历吗?

三、跨市场对齐:重叠率只有 93.4%

A股与美股(标普 500)在同一段区间:

A股交易日 2811 | 美股交易日 2908 | 共同开市 2715 天
仅 A股开市 96 天(美股假期:感恩节/圣诞/独立日…)
仅美股开市 193 天(A股长假:春节/国庆/五一…)
重叠率 93.4%

近 300 个交易日,两个市场只开一边。跨市场策略必须先回答三个问题:

1. 调仓日怎么定?只在共同开市日调,还是各自日历各自跑?
2. 缺失日怎么填?直接 join 会产生 NaN;前值填充等于"拿昨天的美股当今天用"——这是 p1.2 讲过的对齐层泄漏
3. 时差怎么算?美股当日收盘发生在北京时间次日凌晨。用美股收盘信号做 A 股决策,至少要再延一天,否则就是未来函数

第三条最容易漏。很多"中美联动"策略的超额收益,拆开看全部来自这一天的时差。

📌 免责:本课为技术教学,不构成投资建议。交易日历以交易所公告为准,课文数据为 2026-07-31 实测快照。