如何检测股票交付占比序列最后一个数值是否异常偏高？

针对你给出的两组10日交付占比数据，我们可以通过统计特征结合业务规则的方式，判断最后一个值是否属于异常偏高——核心逻辑是拿最后一天的数据和前9天的正常交易数据做对比，看它是否显著超出合理波动范围。

方法一：均值+标准差法（适合近似正态分布的数据） #

这是最常用的统计异常检测思路，适合数据波动相对稳定的场景：

1. 提取前9天的数据作为正常样本，计算它们的均值和标准差
2. 设定阈值（比如均值+2倍标准差，正态分布下95%的正常数据会落在这个区间内）
3. 若最后一天的数值超过阈值，则判定为异常偏高

Python代码实现 #

def is_last_delivery_abnormal(delivery_pct):
    # 数据量不足时无法判断，直接返回False
    if len(delivery_pct) < 2:
        return False
    
    # 提取前n-1天的正常交易数据
    normal_days = delivery_pct[:-1]
    mean = sum(normal_days) / len(normal_days)
    # 计算样本标准差
    std_dev = (sum((x - mean)**2 for x in normal_days) / len(normal_days))**0.5
    
    # 设定异常判定阈值：均值+2倍标准差，可根据业务灵活调整倍数
    threshold = mean + 2 * std_dev
    # 额外加入业务规则：交付占比超过90%直接标记为异常（可选）
    return delivery_pct[-1] > threshold or delivery_pct[-1] > 90

测试验证 #

• 第一组数据：前9天均值≈60.73，标准差≈8.72，阈值≈78.17，90.2远超阈值，返回True（异常）
• 第二组数据：前9天均值≈59.65，标准差≈10.68，阈值≈81.01，74.03在合理范围内，返回False（正常）

方法二：四分位数法（IQR，鲁棒性更强） #

如果数据波动大、不符合正态分布，用四分位数法更靠谱——它不受极端值干扰，适合交易数据波动剧烈的场景：

1. 将前9天的数据排序，计算上四分位数（Q3）和下四分位数（Q1）
2. 计算四分位距IQR = Q3 - Q1
3. 设定上界阈值为Q3 + 1.5*IQR，超过这个值则判定为异常

Python代码实现 #

def is_last_delivery_abnormal_iqr(delivery_pct):
    if len(delivery_pct) < 2:
        return False
    
    normal_days = delivery_pct[:-1]
    sorted_days = sorted(normal_days)
    n = len(sorted_days)
    
    # 简单计算四分位数（也可使用numpy的percentile函数获得更精准结果）
    q1 = sorted_days[n//4]
    q3 = sorted_days[3*n//4]
    iqr = q3 - q1
    upper_bound = q3 + 1.5 * iqr
    
    return delivery_pct[-1] > upper_bound

测试验证 #

• 第一组数据：前9天排序后Q1=55.2，Q3=66.57，上界≈83.63，90.2超过上界，返回True
• 第二组数据：前9天Q1=52.06，Q3=63.6，上界≈80.91，74.03未超过，返回False

业务优化小技巧 #

• 阈值倍数可灵活调整：想放宽检测标准就用1.5倍标准差，想严格抓极端异常就用3倍标准差
• 结合行业经验加规则：比如交付占比超过90%直接标记，正常交易场景下很难达到这么高的比例
• 若数据量足够大（如超过20天），可改用滑动窗口取最近7/10天的数据计算统计值，更贴合近期交易趋势

内容的提问来源于stack exchange，提问作者RSW