量化数据质量检查技能，提供完整性/准确性/一致性/时效性四维检查清单与修复方案，配套Python代码模板与报告生成。
说明：
# 数据质量检查技能评估
## 核心用法
本技能为量化策略项目提供系统化的数据质量检查框架，覆盖四大核心维度：**完整性**（数据量、缺失日期/股票）、**准确性**（零/负价格、异常收益率、inf值、极端值）、**一致性**（价格-成交量对齐、跨源数据比对）、**时效性**（最新日期、滞后天数）。技能内置可直接运行的Python代码片段，支持价格数据、因子数据、信号数据三类核心数据类型的检查，并提供标准化数据质量报告模板。
## 显著优点
1. **场景触发智能**：自动识别”数据质量””因子数据””信号数据”等关键词触发，降低使用门槛
2. **代码即拿即用**：提供pandas/numpy标准检查代码，无需重复造轮子
3. **问题-方案闭环**：针对4类高频问题（价格缺失、因子nan、极端值、信号过期）给出根因分析与修复建议
4. **可量化评估**：内置100分制质量评分体系，支持完整性/准确性/一致性/时效性四维量化
5. **报告模板化**：提供Markdown格式标准报告模板，便于存档与协作
## 潜在缺点与局限性
1. **数据源依赖**：代码示例假设parquet格式与特定路径结构，非标准结构需适配
2. **检查维度有限**：未覆盖数据精度、单位一致性、复权状态等细节检查
3. **修复建议偏原则性**：Winsorize、缺失值填充等操作需用户自行实现具体逻辑
4. **无自动化调度**：未提供定时检查或CI/CD集成方案，依赖手动触发
## 适合人群
– 量化研究员/策略开发者在回测前进行数据验收
– 数据工程师构建数据管道质量门禁
– 中小型量化团队缺乏专职数据QA角色的场景
## 常规风险
– **误判风险**：简单阈值（如收益率>20%）可能误伤 legitimate 极端行情，需结合业务调整
– **检查盲区**：跨源一致性检查仅列检查项而无代码实现，执行一致性依赖用户自觉性
– **时效性陷阱**：”滞后天数”计算基于系统当前时间，若服务器时区/时间不同步会导致误判
– **未覆盖数据安全**：技能专注质量检查，无数据脱敏、权限控制等安全相关内容
会员专属
