一、问题场景：我在量化实盘中遇到的真实困境

我第一次认真处理复权问题，是在整理一套中长期选股策略的时候。

当时策略本身非常简单：每天收盘后计算过去一段时间的收益率、波动率和均线，然后按照条件进行选股。

最开始的回测结果看起来非常漂亮。

但我把回测数据和实盘每天保存的行情数据逐日对比时，发现了一件很奇怪的事情：

同一个股票，在某些历史日期上的收益率完全对不上。

最典型的情况是遇到了分红、送股或者其他除权除息事件。

如果直接使用交易所当天的实际成交价格，股票价格可能会突然出现明显变化。但从投资者实际持仓收益的角度来看，这种价格变化并不一定代表真正的市场损失。

我当时犯的第一个错误，是把“交易价格”和“策略研究价格”混在了一起。

我后来把问题拆成三个数据层：

量化回测真正需要的，并不一定是某一天屏幕上看到的原始价格，而是与策略目标匹配的价格序列。

1. 为什么除权后价格会突然变化

我先用一个极简例子理解这个问题。

假设某股票除权前价格是 100 元，发生某种公司行为之后，市场交易价格调整到 80 元。

那么程序会认为股票发生了 20% 的下跌。

但如果这 20 元的变化来自分红、送股等公司行为，那么这种简单的价格差并不能直接作为策略收益。

这也是为什么历史价格需要进行复权处理。

2. 我后来把“复权”理解成了一个时间序列变换

复权并不是把历史真实成交价格修改掉。

原始行情依然应该保存，因为它代表当时市场真实交易数据。

我现在做数据工程时，通常不会让“复权行情”和“原始行情”共享同一个字段。

我宁愿明确区分它们，也不愿意后面排查策略收益时才发现价格已经被悄悄修改。

3. 比例复权和差值复权不是一回事

我以前也犯过一个错误：看到“前复权”和“后复权”之后，认为它们只是调整方向不同。

比例复权通过乘法因子调整价格，更适合收益率和比例变化的计算。

差值复权则使用加减法调整价格，在观察绝对价格差异时更有意义。

在 QuantDash 的 K 线接口里，我实际使用过的复权参数包括：

我现在做策略研究时，如果主要计算收益率，通常优先使用比例复权。

如果研究的是价格绝对变化，则会额外考虑差值复权。

我最开始没有直接使用统一的数据接口。

我的第一反应是：除权因子都有了，自己乘一下不就行了吗？

真正写起来才发现没有这么简单。

首先，我需要维护完整的公司行为历史。

其次，需要保证因子的日期和行情日期准确对应。

再次，还要处理不同数据源之间的字段差异。

最后还要考虑历史数据补发和修订。

这套方案不是不能做，但维护成本非常高。

策略统一使用不复权数据，所有问题都交给策略自己解决。

一个长期趋势策略，如果跨越多个除权除息事件，简单使用原始价格计算长期收益，很容易得到与实际持有收益不一致的结果。

方案三：行情和除权因子同时保留

原始 K 线 + 除权因子 + 复权 K 线

这样策略研究层可以选择复权价格，而交易执行层仍然使用原始行情。

后来我在 Python 项目中使用 QuantDash 获取 K 线和除权因子，正好可以把这两个数据源放在同一套数据流程里。

下面是我现在比较常用的一种写法。

import os
import sys
from quantdash import QuantDash


def get_klines(symbol: str, adjust: str):
    """获取指定股票的历史日K线。"""
    try:
        qd = QuantDash()

        df = qd.klines.get(
            symbol,
            period="1d",
            count=100,
            adjust=adjust,
            to_dataframe=True
        )

        if df.empty:
            raise RuntimeError(
                f"{symbol} 没有返回数据，请检查代码、网络或 API Key"
            )

        return df

    except Exception as exc:
        print(f"获取 {symbol} 行情失败: {exc}", file=sys.stderr)
        return None


def main():
    if not os.getenv("QUANTDASH_API_KEY"):
        print("未检测到 QUANTDASH_API_KEY", file=sys.stderr)
        sys.exit(1)

    raw_df = get_klines("600519.SH", "none")
    forward_df = get_klines("600519.SH", "forward")

    if raw_df is None or forward_df is None:
        sys.exit(1)

    columns = [
        "trade_date",
        "open",
        "high",
        "low",
        "close",
        "volume"
    ]

    print("原始价格：")
    print(raw_df[columns].tail().to_string(index=False))

    print("\n前复权价格：")
    print(forward_df[columns].tail().to_string(index=False))


if __name__ == "__main__":
    main()


这段代码有一个我比较看重的地方：

原始行情和复权行情没有覆盖彼此。

我在数据管道里也是这么做的。

如果我需要排查某个历史价格为什么发生变化，会直接读取除权因子。

import os
import sys
from quantdash import QuantDash


def main():
    if not os.getenv("QUANTDASH_API_KEY"):
        print("未检测到 QUANTDASH_API_KEY", file=sys.stderr)
        sys.exit(1)

    try:
        qd = QuantDash()

        df = qd.klines.ex_factors(
            ["600519.SH"],
            to_dataframe=True
        )

        if df.empty:
            print("没有获取到除权因子数据")
            return

        columns = [
            "symbol",
            "trade_date",
            "ex_factor"
        ]

        print(df[columns].tail(10).to_string(index=False))

    except Exception as exc:
        print(f"获取除权因子失败: {exc}", file=sys.stderr)
        sys.exit(1)


if __name__ == "__main__":
    main()


我排查复权问题时，经常从“价格异常的日期”反向去查除权因子。

这个方法比盯着收益曲线猜原因有效得多。

我还会直接把几种价格序列拉出来比较。

import os
import sys
from quantdash import QuantDash


def fetch(qd, symbol, adjust):
    return qd.klines.get(
        symbol,
        period="1d",
        count=30,
        adjust=adjust,
        to_dataframe=True
    )


def main():
    if not os.getenv("QUANTDASH_API_KEY"):
        print("未检测到 QUANTDASH_API_KEY", file=sys.stderr)
        sys.exit(1)

    try:
        qd = QuantDash()
        symbol = "600519.SH"

        methods = [
            "none",
            "forward",
            "backward",
            "forward_additive",
            "backward_additive"
        ]

        for method in methods:
            df = fetch(qd, symbol, method)

            if df.empty:
                print(f"{method}: 没有数据")
                continue

            last_row = df.iloc[-1]

            print(
                f"{method:20s} "
                f"date={last_row['trade_date']} "
                f"close={last_row['close']}"
            )

    except Exception as exc:
        print(f"复权数据比较失败: {exc}", file=sys.stderr)
        sys.exit(1)


if __name__ == "__main__":
    main()


我建议第一次接入数据时就做一次这样的检查。

因为很多问题不是策略代码错了，而是

策略从一开始拿到的价格定义就不一样

经过几轮数据治理之后，我总结出了三个比较实用的经验。

避坑一：回测价格和交易价格必须分开

如果策略信号基于前复权价格计算，我不会直接拿这个价格模拟成交。

信号计算和交易执行应该有清晰的数据边界。

避坑二：不要把复权因子当成普通行情字段

我会单独存储除权因子，并保留它对应的交易日期。

因为以后出现收益率异常、指标异常时，除权因子往往就是第一排查对象。

避坑三：不要只测试没有公司行为的股票

如果只拿最近几个月的数据测试，很可能一直发现不了问题。

真正的数据质量测试应该覆盖发生过除权除息的标的。

我现在做行情数据验收时，会专门抽取这类股票做回归测试。

我现在越来越觉得，量化开发中的复权问题，本质上不是一个简单的数学问题，而是一个

原始价格回答的是“市场当时交易了多少钱”，复权价格回答的是“为了研究连续收益，我应该如何构造价格序列”。两者都正确，只是用途不同。

我目前在 Python 数据处理中，会把原始行情、除权因子和复权行情分层保存。我使用 QuantDash 获取 K 线及除权因子，更多是为了减少自己维护数据转换逻辑的工作，但最终如何选择价格口径，仍然应该由策略研究目标决定。

从除权因子到复权价格：量化开发者应该知道什么

编程语言

算法

量化回测中，除权因子与复权价格处理不当会导致收益曲线失真。本文拆解比例复权与差值复权的区别，结合Python实战演示如何通过QuantDash获取原始K线、除权因子及多模式复权数据，并强调原始价格与复权价格分层管理，解决策略信号与成交模拟的数据口径冲突。

数据治理

数据管道

数据接口

数据转换

回归测试

数据处理

数据流

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

从除权因子到复权价格：量化开发者应该知道什么

从除权因子到复权价格：量化开发者应该知道什么

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐