计算股票波动率时，停牌日数据应设为缺失值（留空），而非用收益率0或前收盘价填充。填充法将停牌日视为无波动，会系统性地低估实际波动率，干扰风险度量与投资决策。正确处理方式是仅使用交易日数据计算，让波动率真实反映交易活跃期的价格波动。
为什么填充法会导致低估
股票波动率衡量的是价格在单位时间内的变动幅度。停牌日没有交易，价格不变，收益率自然为0。如果将这些0收益率纳入计算，相当于在数据序列中混入大量“无波动”样本，拉低了平均波动水平。这在时间序列计算中尤为明显：停牌时间越长，填充的0越多，计算出的年化波动率就越偏离真实值。例如，一只长期停牌后复牌并出现大幅波动的股票，若填充停牌日，其波动率会被稀释，掩盖真实风险。
更严重的是，填充法会扭曲波动率的统计性质。在GARCH类模型或滚动窗口计算中，填充的0收益率会破坏序列的自相关结构，导致参数估计偏差。对于高频波动率计算（如5分钟收益率），填充法还会引入虚假的“平稳”时段，进一步放大误差。
正确做法：设为缺失值
推荐将停牌日数据设为缺失值，计算时仅使用有交易的交易日。具体操作如下：
- 数据清洗：在数据源中标记停牌日为NaN或空值，计算波动率公式中跳过这些条目。
- 计算逻辑：使用交易日收益率序列，按实际交易天数（通常一年约242-252天）进行年化。例如，日波动率乘以√252，而非乘以√365。
- 软件处理：Python的
pandas、R的quantmod等库默认支持缺失值跳过；Excel中可配合STDEV.P或STDEV.S函数，配合IF条件剔除停牌行。
类比贝塔系数：计算股票贝塔时，停牌日同样需设为缺失值。贝塔依赖于收益率协方差，填充0收益率会压低协方差，导致贝塔系数向0偏移，低估股票相对于市场的系统性风险。
常见问题
如果停牌时间很长，比如超过一个月，缺失值太多怎么办？
长期停牌后复牌，建议直接使用复牌后交易数据重新计算，或结合停牌期间的市场指数收益率进行插值调整。完全依赖缺失值会损失统计意义，但填充0收益率更不可取。
对于指数基金或ETF，停牌日处理方式一样吗？
一样。ETF停牌期间其净值仍可能随成份股变化，但交易价格无变动，填充0收益率同样导致低估。应使用交易价格数据，停牌日记为缺失。
一些金融终端（如Wind、Bloomberg）默认填充停牌日，该如何修正？
多数终端提供“仅交易日”或“除权除息调整”选项，手动勾选即可。若默认填充，导出数据后需自行将停牌日收益率替换为缺失值。务必检查数据源设置，避免直接使用未经处理的序列。