第 5 课 · 数据：逐笔、K 线，以及为什么要自己管

【这课你会明白什么】

市场数据的两种形态：原始录像（逐笔）和压缩摘要（K 线）
K 线丢掉了什么信息——这个”丢”后面会变成一条考场规则
为什么这个项目坚持自己保管、自己清点数据

正文

市场的”原始录像”叫逐笔数据（也叫 tick 数据）：每一笔真实发生的成交记一条——精确到微秒的时间、成交价、手数、哪边是主动方（第 3 课），外加成交瞬间的买一/卖一价快照。我们硬盘里存着约 1.5 亿条这样的记录，共 18GB。

录像太细，日常研究用的是压缩摘要：K 线。把一段时间（比如 1 分钟）里的几百笔成交压成四个价——开盘价、最高价、最低价、收盘价（合称 OHLC），再加一个成交量（这段时间总共成交多少手）。一根 1 分钟 K 线，就是那一分钟的缩略图。

压缩必然有损。关键的一条：K 线知道这一分钟最高到过 6801.50、最低到过 6799.75，但不知道先到高点还是先到低点。听起来无所谓？想象你的单子同时挂着”涨到 6801 就落袋”和”跌到 6800 就认输”——这一分钟里两个价位都碰到了，到底先触发哪个，K 线答不上来。这个”答不上来”，在第 7 课会变成考场里一条铁的规则。

所以项目的原则是：存档用逐笔（无损），研究用 K 线（够用且快），拿不准时回到逐笔对质。

那为什么要自己管数据，而不是”在图表软件里看看就行”？三个理由，都来自真实经历：

结论要可审计。将来每一个”这个策略不行”的判决，都要能一路追溯到原始成交。所以项目立了纪律（决策 D5）：只用官方来源的数据，不用来路无法审计的第三方转卖货。
“我以为有”不等于”我确认有”。对全部 38 个数据文件做过一次彻底清点，抓出两件事：2025 年 7–9 月有一段数据空洞（就是缺了）；更险的是，一个逐笔文件的开头混进了 28,723 条不属于它的记录——不剔除，它们会悄悄污染之后的一切计算。
不把身家绑在订阅上。原始档案（一种叫 .scid 的文件格式）是公开文档化的，自己写程序就能读——不开图表软件、不花订阅费，数据永远是自己的。

对空洞的处理方式也值得记住：不造假数据填平。空洞两侧的数据被标成两个独立的数据块，任何计算都不许假装它们是连续的。宁可诚实地缺一段，不要圆滑地假装完整——这个偏执后面会一再出现。

【与我们项目的连接】

1.5 亿条、18GB、38 个文件、28,723 条混入记录——这些数字都在项目的盘点与转换报告里，而且那 28,723 条是逐条记数、写进报告后才剔除的。项目的信条：数据清洗必须留痕，”静默修复”是大忌——你永远会想知道”现在这个数和原始档案差在哪”。

【三个自测问题】

一根 K 线包含哪几个数？它丢失了什么关键信息？
数据缺了一段，为什么宁可标成”空洞”也不填平？
“我以为有的数据”和”我确认有的数据”之间，隔着什么动作？

（答案：1. 开、高、低、收四个价加成交量；丢失了”这段时间内价格先到高点还是先到低点”等内部顺序。2. 填平就是造假数据，会让后续计算建立在不存在的行情上；诚实的缺口逼着下游正视它。3. 一次逐文件的全面清点——列出覆盖范围、缺口和异常，并把清理动作留痕。）