1. 从“撞名”说起：为什么要分析股票名称相似度

做投资的人多少都有过这种体验：盯盘时看到两个名字差不多的股票，第一反应是“这俩是不是一家公司”。比如某家叫“XX智能”的公司，和另一家叫“XX智控”的公司，业务领域高度重叠，股价走势也经常同步，但翻开财报才发现，两者完全没有任何股权关系，只是行业相同、命名习惯相似而已。这种“撞名”现象在A股市场不是个例，而是持续了三十多年的普遍存在。

1990年沪深交易所相继开业以来，A股累计出现过几千只股票，每一只都有一个中文简称。这些名称不是随随便便起的，它们既反映了公司所处行业，也映射了每个时代的市场偏好。1990年代遍地是“股份”“实业”，2000年前后“科技”“信息”泛滥，2015年之后“传媒”“互金”扎堆，到了2021年以后，“新能源”“智能”“算力”又成了新宠。名字里的词汇是有年代感的，而不同年代的命名趋同，直接造成了大量相似名称的历史堆积。

我做的这个项目，核心是把1990到2025年之间A股上市公司使用过的所有股票简称抓下来，用中文文本相似度算法做两两比对，找出那些容易混淆的名称组合，再从时间、行业、变迁三个维度去拆解“撞名”现象背后的规律。这个分析框架不复杂，但做下来之后，能发现不少有意思的东西：比如同行业公司名称平均相似度远高于跨行业，比如大量公司更名之后会和另一家公司的老名字撞车，再比如某些年份上市的公司名称相似度明显高于其他年份。

这篇文章不打算只讲结论，我会把从数据获取、清洗、相似度计算到结果验证的完整流程拆开讲，把我踩过的坑也一并交代清楚。如果你也想做类似的中文短文本相似度分析，或者单纯想看看A股三十五年来的命名演变，这篇内容应该能给你一个可以直接参考的完整方案。

2. 数据准备：股票简称的历史完整度是分析的地基

2.1 数据源选择与字段设计

做相似度分析，第一件事是把“某一时期某只股票叫什么名字”这件事查清楚。A股股票简称不是一成不变的，公司可能会因为重组、借壳、主业转型、注册地变更等各种原因改名字。更有意思的是，一只股票在退市整理期、被ST或*ST期间，简称还会携带特殊前缀或后缀。如果不把时间维度纳入数据模型，相似度计算就会把同一只股票的不同时期名称当成多个实体，结果自然失真。

我用的数据源是公开市场行情数据接口，外加各交易所官网的股票简称变更公告做交叉校验。数据字段不需要太复杂，核心就四列：

很多公开数据源只提供最新简称，历史简称要单独抓。这里我建议优先用交易所披露的“证券简称变更记录”或者财经数据平台的“曾用名”字段做基础，再用行情软件的日线快照做补全。为什么？因为“曾用名”字段通常是文本列表，比如“XX股份(曾用名:XX实业、XX控股)”，解析的时候要自己切分，容易漏掉变更日期；而日线快照每一根K线都带当时的简称，按日期去重就能还原出精确的时间线。

2.2 时间线数据的清洗策略

拿到原始数据后，清洗环节有几个隐藏的坑。第一个坑是简称里带空格。交易所的正式简称有些是“XX 科技”这种带空格的，但行情软件里通常会省略空格，如果你用的是两个来源的数据合并，同一时期的简称可能对不齐。我统一把所有空格和全角字符转成半角，再做去重和排序。

第二个坑是简称变更时的“交接日”重复。某只股票在2023年5月10日发布更名公告，新简称从5月11日开始生效，但5月10日当天，日线快照里可能同时出现两种简称，或者新简称已经提前出现在某些数据源的T+1字段里。我的处理方式是：遇到同一代码、同一日期出现两个不同简称，优先采用交易所公告的生效日规则，把旧的截止日期设为新生效日的前一天，避免同一天重叠。

第三个坑是退市和暂停上市期间的简称。这类股票在退市整理期或长期停牌期间，简称会变成“XX退”“XX3”之类的特殊形式。如果你关心的是“投资者日常会看到什么名称”，这类简称也需要保留，但计算相似度时要和正常简称区分处理，避免干扰统计。

提示：建议在数据清洗后做一次全局质检——按股票代码分组，检查每只股票的简称时间线是否连续，有没有出现“上一个简称的结束日期早于下一个简称的开始日期”这种断档。断档意味着数据缺失，要么补充数据源，要么至少记录下来，在最终统计时剔除这只股票。

2.3 数据范围的界定

1990年到2025年跨度达35年，期间A股股票数量从最早的“老八股”发展到现在的数千只，累计出现的股票简称总数超过一万条。如果只算当前存量股票的历史简称，大约在几千条量级；如果把历史上已经退市的股票也全部纳入，总量会明显增长。

我建议不要省略退市股票。因为退市股票的名称恰恰是历史遗留下来的“撞名”高发区——早年上市的很多公司叫“XX股份”，后来陆续退市，但它们当年的简称和现在一些活跃股票的简称仍然高度相似。只做存量股票的话，会低估市场整体的名称混淆度。

数据范围确定后，还需要考虑是否包含B股。B股简称通常带“B”后缀，比如“XXB”，从计算机相似度的角度，加不加后缀结果会差一个字符的编辑距离。我的选择是包含B股，但在代码层面用股票代码的第三位（“900”开头是沪市B股，“200”开头是深市B股）做标记，后面对比时区分“跨A/B股相似度”和“A股内部相似度”两个维度分别统计。

3. 相似度算法的选型：短文本相似度，不能只看字面

3.1 为什么通用文本相似度方案在这里要打折扣

股票简称是一种特殊的短文本，长度集中在2到6个汉字之间，绝大多数是4个字或3个字。这种文本有两个特点：一是没有足够的上下文语境，二是词语顺序直接影响含义。

通用文本相似度方案里，TF-IDF加余弦相似度是最常见的做法。但对两三个字的股票简称，TF-IDF几乎没有区分能力——因为整个“语料库”里每个词出现的频率都很高，IDF权重拉不开差距，而且分词之后只剩一两个词，向量空间接近空转。BERT这类深度学习模型就更不用说了，虽然语义理解能力强，但对这么短的文本，它的优势发挥不出来，反而会引入“语义近义但字面不同”的误判，比如“锂电”和“电池”语义相近，但在我们分析“名称看上去像不像”这个场景里，这两个词不该被当成高相似度。

所以这里的核心度量指标不是“语义相近”，而是“字面相似”。目标很明确：找出那些让普通投资者一眼看上去会认错或混淆的名称对。

3.2 三种实用算法的组合打法

我做下来比较有效的方案，是用三种算法同时计算，然后做交叉筛选：

• 编辑距离（Levenshtein Distance）：把字符串A变成字符串B所需的增、删、改次数。对“XX科技”和“XX科持”这种单个错别字级别的差异，编辑距离能直接反映出来。归一化时除以两个字符串的最大长度，得到“归一化编辑距离”，值越小越相似。
• 字符n-gram重合度：把字符串切成长度为2或者3的连续字符段。比如“XX智能”的二元组是{XX, X智, 智能}，“XX智控”的二元组是{XX, X智, 智控}，两者的重合度立刻就能算出来。n-gram的好处是容忍部分字符不一致，适合捕捉“同一行业词+不同尾字”这种常见撞名模式。
• 最长公共子序列占比：不要求字符连续，按相对顺序找两个字符串共同包含的最长字符序列，除以较短字符串的长度得到占比。这个指标对“AB科技”和“AB智能科技”这种包含关系特别有效——前者的字符几乎全部出现在后者中，容易被编辑距离漏掉。

三种算法算完之后，我通常以归一化编辑距离为主指标，n-gram重合度与最长公共子序列占比为辅助指标，做下面这种分层筛选：

注意：阈值不是拍脑袋定的。我试过几组参数，0.25这个高度相似阈值能覆盖“四个字里改一个字”“三个字里删一个字”这些典型场景；低于0.25的，比如四个字里改两个字，虽然算法分数仍然不低，但实际肉眼看已经不容易搞混，人工复核成本会急剧上升。

3.3 为什么不直接用拼音或读音相似度

股票名称的混淆不只发生在字面层面，很多中文名称读音相近但字形完全不同，比如“兴”和“新”、“德”和“得”、“智”和“置”。理论上应该引入拼音相似度，但实际上股票简称的读音混淆远少于字形混淆，而且一旦引入拼音，会把大量无关名称误判为相似——中文里同音字太常见了，稍微长一点的名称就会出现“读音重叠但看着完全不像”的情况。

我采取的做法是：在最终展示结果里，把读音近似但字形不同的名称对单独归为一类，标注“读音近似”，作为参考信息，不进入核心的“字形相似”统计。这样既承认了“听上去也容易混”的现实，又避免把度量标准搞得太宽松。

4. 实操：从零构建股票名称相似度分析流程

4.1 数据查询与时间线合并

数据准备完毕后，第一步是查询所有历史简称。我用的是Python加Pandas，从数据库里直接拉取全量简称时间线。核心代码框架大致如下：

import pandas as pd # 加载数据 df = pd.read_csv('stock_names.csv', dtype={'stock_code': str}) df['start_date'] = pd.to_datetime(df['start_date']) df['end_date'] = pd.to_datetime(df['end_date']) # 清洗：去空格、统一大小写 df['short_name'] = df['short_name'].str.replace(' ', '').str.upper() # 剔除无效记录 df = df[df['short_name'].notna()] df = df[df['short_name'].str.len().between(2, 8)]

这段处理里有个细节容易被忽略：.str.len()计算的是字符个数，但Python中中文字符占一个长度单位，英文和数字也各占一个，所以"XX科技"的长度是4。如果混入了Unicode的扩展字符，比如生僻字，长度统计可能会异常，建议清洗后打印一下长度分布，确认大部分名称集中在3到5个字。

4.2 相似度计算与配对

接下来就是核心的相似度计算。先实现归一化编辑距离，这里我直接用现成的库函数加速：

import numpy as np from difflib import SequenceMatcher def normalized_edit_distance(s1, s2): from rapidfuzz.distance import Levenshtein max_len = max(len(s1), len(s2)) if max_len == 0: return 0.0 return Levenshtein.distance(s1, s2) / max_len def ngram_overlap(s1, s2, n=2): g1 = {s1[i:i+n] for i in range(len(s1)-n+1)} g2 = {s2[i:i+n] for i in range(len(s2)-n+1)} if not g1 or not g2: return 0.0 intersection = g1 & g2 union = g1 | g2 return len(intersection) / len(union) def lcs_ratio(s1, s2): match = SequenceMatcher(None, s1, s2).find_longest_match(0, len(s1), 0, len(s2)) shorter = min(len(s1), len(s2)) if shorter == 0: return 0.0 return match.size / shorter

计算全部两两配对时要注意复杂度。假设累计简称有N条，两两比对就是N的平方次运算。N在1万条以上时，这个量级是上亿次计算，虽然每个字符串都特别短，纯Python循环仍然可能跑好几个小时。我的做法是先做一层粗筛：用倒排索引按“包含相同二字符子串”做候选集筛选，只有存在共同二元组的名称对才进入精确计算。这一步能把计算量缩减到原来的十分之一甚至更低。

粗筛的逻辑不复杂：把每个名称拆成二元组集合，建立“二元组 -> 名称列表”的倒排索引，然后对每个名称，取它所有二元组对应的名称列表做交集候选。所有候选对再走一次三种相似度算法的精确计算，五分钟左右就能跑完全部数据处理。

4.3 相似对输出与人工复核

相似度计算完成后，我按阈值筛选出所有高相似和中相似的名称对，输出成下面这种表格：

输出之后一定要做人工复核。为什么？因为算法只能判断字面相似，判断不了“是否真的会造成混淆”。有些名称对虽然字面高度相似，但一个是家喻户晓的大盘蓝筹，一个是市值很小的创业板公司，普通投资者几乎不会搞混；反过来，有些名称对字面相似度只有中等水平，但业务领域完全重合，市场上确实存在“买错股票”的投诉案例。

复核时我采用了两轮机制：第一轮是快速通读高相似度列表，把所有明显属于同一实体的名称对剔除（比如某只股票更名前后的名称，虽然算法给高相似度，但它们本来就是同一家公司）；第二轮是抽样检查中度相似列表，确认是否有漏网的典型混淆对。

4.4 为什么要把“同一实体”单独处理

前面提到更名前后的名称对要剔除，这个环节我给它单独建了一张表。举例来说：某只股票1998年叫“XX实业”，2007年更名“XX控股”，2015年又更名“XX科技”。这三个名称在相似度矩阵里两两之间可能有很高的分数，但它们指向同一个股票代码，不是不同实体之间的混淆。处理方式是在最终统计时增加一个排除条件：如果两个名称对应的股票代码相同，则不计入“不同实体相似对”。

但这里还有一层更隐蔽的情况：借壳上市。A公司被B公司借壳后，壳代码没变，但名称从“A股份”变成了“B科技”。从代码层面看，它们仍然算“同一实体”，但从投资者视角看，市场上确实存在这么一段时间：老名称的新闻还在传播，新名称已经出现在行情列表里，买错的人和看错的人都会出现。我最后的处理是把这类虽然同代码但名称差异巨大的“跨时代名称对”单独归档，不放进主体统计，但记录在案，作为“历史沿革混淆”的专项案例。

5. 跨越35年的命名时代特征

5.1 逐年相似度分布反映市场风格

相似度计算最大的价值，不是找出单个撞名对，而是从整体分布里看出市场风格的年代变化。我把所有名称按首次出现年份分组，计算每个年份新增名称的组内平均两两相似度。结果非常直观地呈现出几个阶段：

• 1991到1996年：平均相似度高。早期上市公司以“XX股份”“XX实业”为绝对主流，名称同质化严重。
• 1997到2000年：“科技”开始升温，但“股份”仍然占很大比例，整体相似度回落但不明显。
• 2001到2008年：名称差异化程度增加，地产、医药、制造等行业词丰富起来，平均相似度明显下降。
• 2010到2015年：影视、传媒、手游等概念企业扎堆上市，“XX传媒”“XX影业”“XX游戏”形成新的同质化小集群。
• 2020到2025年：“新能源”“智能”“科技”“数字”等词高频出现，相似度迅速回升。

这个分布很有意思——它说明名称相似度不是静止的，而是跟随产业周期和上市节奏波动的。某一年如果集中上市同一行业的公司，这些公司的名称相似度就会拉高，因为它们倾向于采用同一个“行业热门词”来命名。

5.2 同一个行业词如何在不同代际间迁移

更深入的观察是“行业热门词”的时间迁移。1990年代末最能代表高科技的是“信息”，2005到2010年变成“光电”，2015年左右是“传媒”，2018到2020年是“科技”泛化，而2021年之后“智能”“算力”“数据”开始占据新上市公司命名的高频位置。“XX智能”这个名字，在2021到2025年之间新出现的频率，比之前二十年加起来还多。行业词汇的扎堆效应，导致同一时期上市的公司名称相似度系统性偏高。

还有一个值得注意的现象是旧词复用。2000年曾有一批“XX网络”的公司上市，其中不少后来经营不善退市了，名称沉寂了十几年。最近几年“网络”这个词在科创板的新公司命名中又开始出现，和旧名称形成了跨代际的字面相似。分析相似度矩阵时，这类“老退市-新上市”的名称对经常被挖出来，人工复核时觉得特别恍惚——两个年代相隔二十年的公司，名字却像兄弟。

5.3 更名行为对相似度矩阵的动态影响

股票更名不是小概率事件。历史上A股累计发生过数千次证券简称变更。每一次更名，本质上就是给市场增加了一条新的“名称痕迹”。如果一个新简称和某只存量股票的高度相似，那撞名风险会持续到下一次其中一方更名为止。

我在流程里增加了一个“有效期重叠检测”模块：对每个高相似名称对，检查两个名称各自的有效期是否有重叠区间。只有有效期重叠，投资者才可能在同一天看到两个相似名称；如果时间完全错开，比如甲名称1995年退市，乙名称2020年才出现，那它们虽然字面相似，但现实中不存在混淆场景。

这个重叠检测的结果让我重新调整了筛选标准——最终进入“实际混淆风险名单”的名称对，必须满足字面相似度高且有效期有重叠。这样统计出来的数量比纯字面相似少很多，但每一条都有真实的现实意义。

6. 项目中的常见问题与排查技巧

6.1 高频问题速查表

做这类分析时，最常遇到的问题集中在数据、算法、结果三个层面。我整理了一张速查表，后面细说：

6.2 三个我亲身踩过的坑

第一个坑是B股后缀问题。我最早跑出来的高相似名称对里，有相当大比例是同一家公司的A股简称和B股简称，比如“XX机电”和“XX机电B”。从技术上它们确实相似，但现实里这些是不该统计的重复实体。解决方式是单独做一层“同母公司A/B股去重”，识别规则是去掉后缀后前缀完全一致且股票代码同属同一家公司。

第二个坑是“名称包含”带来的误判。比如某公司叫“XX科技”，另一家叫“XX科技集团”，编辑距离虽然不低，但普通投资者看到这两个名字时，更容易把它们判断为“名称相关”，而不是“名称混淆”。我后来在输出时增加了一列标注“包含关系”，把这类名称对和“替换关系”区分统计，效果好了很多。

第三个坑是数据源的历史简称缺失。某些行情数据源只提供近五年的历史简称，更早的只显示“曾用名”汇总，导致我早期统计的相似对数量系统性偏低。后来我换了一个数据接口做交叉验证，把缺失的年份补齐，整体相似对数量比第一版多了近三成。吃一堑长一智，现在我的流程里固定包含数据完整度校验环节——对每只股票，统计简称时间线的覆盖天数，覆盖率低于95%的股票单独标记，不让它在结果统计里占据权重。

6.3 一个小技巧：用相似度矩阵做“行业术语流行度”统计

最后分享一个我后来加的扩展功能。既然名称相似度矩阵能反映出同行业命名趋同，那反过来，我可以从矩阵里提取出“哪些行业词在哪些年份流行”。方法不复杂：把所有名称切分成二元组或者三元组，统计每个n-gram在不同年份的出现次数，再除以该年新增公司数做归一化，得到一条“行业词热度曲线”。

比如“科技”这个词作为名称组件的热度，1990年代末有一个陡峭的上升，之后回落，2015年前后又有反弹，2020到2025年再次走高。这条曲线和市场对这些概念的投资热度高度相关。我对比了几个行业词的曲线，发现它们的高峰期往往滞后或者同步于对应行业板块的行情高峰期——公司命名确实存在“追热点”的特征。

这个扩展功能没有改变核心的相似度分析逻辑，但让整个项目从“找出容易混淆的名字”变成了“理解行业命名逻辑的时间演变”。做完之后，我再看那些高相似度的名称对，就不只是把它们当成数据异常，而是能看出背后行业轮动、更名潮和时代审美的痕迹。

根据我个人做数据分析和文本挖掘的经验，股票名称相似度这个项目最难的地方不在算法，而在数据深度和理解深度——你需要把每一个相似名称对放回它的时间坐标和行业坐标里，才能真正判断它有没有意义。如果你也想跑一遍类似的分析，建议从近十年的数据开始，样本量足够大、数据源相对完整、现象也足够明显，等流程跑顺了再回溯1990年代初期的老数据。这样循序渐进，比一上来就铺开全量数据要稳妥得多。