非法除零是因子计算高频风险，需在表达式解析、DSL重载、动态上下文、SQL层及可观测性五层嵌入防护机制。

在量化引擎中，非法除零不是偶发错误，而是因子计算链路中的高频风险点。它会导致因子值失真、信号失效，甚至引发批量回测中断或实盘下单异常。关键不在于“捕获后修复”，而在于把拦截机制嵌入因子生命周期的每个关键节点。

前置校验必须下沉到因子表达式层

不能依赖引擎主循环统一 catch——那样已晚。所有涉及除法、取模的因子公式，需在解析阶段就注入零值防护逻辑：

• 对原始字段（如成交量、流通股本、PE分母）做静态分布扫描，标记历史零值频次高的字段，自动添加 guard wrapper
• 在因子 DSL（如 TA-Lib 表达式或自研公式引擎）中强制要求除法操作符重载：/ → safe_div(a, b, default=NaN)，内部第一行执行 b != 0 判定
• 使用 Pandas 的 where 或 NumPy 的 np.where 替代裸除法：result = np.where(denom == 0, np.nan, numer / denom)

动态上下文感知的零值熔断

某些除数为零是业务合理状态（如新股上市首日无成交），不能一概置 NaN。需结合行情上下文动态决策：

• 维护轻量级缓存（如 Caffeine 或 Redis），记录“股票代码+因子名→最近 5 日是否出现零分母”，命中则跳过本次校验（减少重复开销）
• 对分母字段打标：若字段语义为“计数类”（如交易天数、涨跌家数），零值即异常，直接熔断并告警；若为“比值类分母”（如市净率中的净资产），零值可能反映资不抵债，应保留并标注 special_flag
• 在因子计算 Pipeline 中插入 ContextGuard 节点，自动注入当日 market_status、is_new_stock、has_suspended 等上下文变量供判断

SQL 层与特征存储协同防御

因子常从数据库或特征平台拉取基础数据，防御要延伸至查询源头：

• 在特征 SQL 中统一使用 NULLIF(denominator, 0)，再配合 COALESCE(..., 0) 或 CASE WHEN 返回业务可接受的默认值
• 对高频调用的基础宽表（如 stock_daily_basic），在物化时预计算 safe_ratio 字段，避免每次查询都重复判零
• 特征平台 API 响应体中增加 divisor_validity 字段，标识该批次数据中分母字段的有效率，供上层引擎决定是否降级使用

可观测性驱动的持续优化

拦截不是一次配置，而是闭环反馈过程：

• 每次触发零值拦截，记录完整 trace：factor_id、stock_code、date、numer_val、denom_val、context_hash、处理动作（drop / nan / default）
• 按日聚合拦截日志，生成“高危因子 Top10”看板，推动上游数据源治理（如修复财报中错误的零净资产）
• 将零值发生率作为因子稳定性指标，纳入因子淘汰机制——连续 3 日拦截率 > 5% 的因子自动进入观察期