一、问题场景：我在量化实盘中遇到的真实困境

我曾经负责过一套日频选股系统。

系统每天收盘后运行，首先读取历史行情，然后计算均线、动量和一些价格相关指标，最后生成第二天的候选股票池。

刚开始上线的时候，我发现一个特别让我头疼的问题：

回测里的股票排序，和每天实盘运行出来的排序偶尔会不一样。

而且不是所有股票都出现问题。

我当时第一反应是检查策略代码。

我把均线计算、排序逻辑、缺失值处理、交易日历全部检查了一遍，没有发现明显错误。

后来我把某一只发生过除权事件的股票单独拿出来，对比回测数据和实盘数据，才发现问题出在价格口径：

回测历史数据是连续处理后的价格，而实盘最新行情对应的是市场实际交易价格。

如果历史数据采用前复权，而实盘数据直接使用不复权价格，那么指标在边界处很容易出现跳变。

1. 我把“研究价格”和“交易价格”错误地混成了一个概念

这是我认为复权问题里最容易犯的错误。

在策略研究阶段，我可能需要一个连续的历史价格序列。

这些指标关注的是价格序列的相对变化。

但到了交易执行阶段，我关心的又变成：

这两个价格体系承担的职责不同。

2. 我后来把数据分成了两个层次

 使用适合计算因子的连续价格。

以前我会在 DataFrame 里直接覆盖 close 字段，后来我改成明确保留不同口径。

这样策略开发人员就不容易误用。

3. 复权方式还应该和因子类型绑定

我后来总结出一个很实用的规则：

如果一个因子依赖“价格连续变化”，我会考虑前复权。

如果一个模块需要分析“历史真实成交价格”，我会使用不复权。

如果研究需要以历史基准观察后续价格，则可以考虑后复权。

这其实比背“前复权是什么意思”更重要。

我最早的做法是自己计算复权。

当时我拿到了除权因子，然后自己写循环，对历史价格逐条调整。

这种方案在小数据量测试里没问题，但一进入生产环境，我很快发现维护成本很高。

首先是因子数据和 K 线数据需要严格对齐。

其次，不同资产市场的公司行为处理方式不能简单复制。

最后，策略研究人员很容易忘记自己使用的是哪套复权逻辑。

后来我开始倾向于把复权作为数据接口的显式参数。

QuantDash 的 K 线接口直接提供了：

其中比例复权适合收益率类计算，而差值复权更适合观察绝对价差。

这个划分让我比较容易把数据口径固定下来。

1. 我先建立一个明确的数据获取层

我不再允许策略代码自己决定数据源和复权方式，而是在数据层统一处理。

import os
import pandas as pd
from quantdash import QuantDash


def load_price_data(symbol, adjust="forward", count=250):
    """
    Python 量化数据 API 示例：
    在数据层明确指定复权方式，避免回测与实盘口径混乱。
    """
    try:
        if not os.getenv("QUANTDASH_API_KEY"):
            raise EnvironmentError(
                "未设置 QUANTDASH_API_KEY"
            )

        qd = QuantDash()

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

        if df.empty:
            raise ValueError(
                f"{symbol} 没有返回任何行情数据"
            )

        required = {
            "symbol",
            "trade_date",
            "open",
            "high",
            "low",
            "close",
            "volume",
        }

        missing = required - set(df.columns)
        if missing:
            raise ValueError(
                f"数据缺少必要字段: {sorted(missing)}"
            )

        df["trade_date"] = pd.to_datetime(df["trade_date"])
        return df.sort_values("trade_date").reset_index(drop=True)

    except Exception as exc:
        raise RuntimeError(
            f"加载 {symbol} 行情失败: {exc}"
        ) from exc


def main():
    try:
        df = load_price_data(
            symbol="600519.SH",
            adjust="forward",
            count=250,
        )

        print("数据条数:", len(df))
        print(
            df[
                [
                    "symbol",
                    "trade_date",
                    "open",
                    "high",
                    "low",
                    "close",
                    "volume",
                ]
            ].tail().to_string(index=False)
        )

    except Exception as exc:
        print(f"程序执行失败: {exc}")


if __name__ == "__main__":
    main()


因为几年之后，真正接手系统的人未必知道当初为什么这么处理，但他至少可以从接口调用里看到数据口径。

2. 我再用相同时间窗口检查不同口径

我会用同一只股票、同一个时间长度进行比较。

import os
from quantdash import QuantDash


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

        if df.empty:
            return None

        return df

    except Exception as exc:
        print(f"{symbol} {adjust} 获取失败: {exc}")
        return None


def main():
    if not os.getenv("QUANTDASH_API_KEY"):
        raise EnvironmentError(
            "请设置 QUANTDASH_API_KEY"
        )

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

    results = {}

    for adjust in ["none", "forward", "backward"]:
        df = fetch_data(qd, symbol, adjust)

        if df is not None:
            results[adjust] = df

    for adjust, df in results.items():
        first_close = float(df["close"].iloc[0])
        last_close = float(df["close"].iloc[-1])

        if first_close == 0:
            print(f"{adjust}: 无法计算收益率")
            continue

        return_rate = last_close / first_close - 1

        print(
            f"{adjust}: "
            f"起始价={first_close:.2f}, "
            f"结束价={last_close:.2f}, "
            f"区间收益={return_rate:.2%}"
        )


if __name__ == "__main__":
    main()


我不会要求三个结果必须相同。

相反，我会把它当成数据质量检查的一部分。

如果三个口径完全一致，我反而会进一步确认这段时间内是否没有发生影响价格序列的公司行为。

避坑一：回测和实盘必须定义同一个数据协议

我现在做策略上线前，都会明确写一份数据协议。

否则“同一个策略”其实可能运行在两套完全不同的数据上。

避坑二：不要直接修改原始行情

以前我经常看到类似这样的代码：

这在小脚本里看起来非常方便，但在大型量化系统里风险很高。

因为后面的程序已经无法知道 close 到底代表真实价格还是复权价格。

我更建议把不同口径的数据明确区分。

避坑三：交易模拟不要直接拿复权价格成交

如果策略使用前复权价格计算信号，这没有问题。

但如果订单撮合也直接使用前复权价格，我就把研究价格和实际交易价格混在了一起。

这会让滑点、成交价和资金曲线产生难以察觉的偏差。

我后来发现，很多所谓的“回测与实盘不一致”，并不是策略逻辑出了问题，而是数据工程层没有定义清楚口径。

前复权解决的是历史价格连续性问题，后复权提供的是另一种价格基准，不复权则保留原始市场价格。我的经验是，不应该在策略代码里临时决定这些事情，而应该在数据层统一规定。

我现在更愿意把复权方式当成量化系统的数据契约。只要这个契约明确，后续的因子、回测和实盘模块就更容易保持一致。

Q1：回测一定要使用前复权吗？

A：我不会这么规定。对于价格趋势和收益率类因子，我通常考虑比例前复权；对于交易模拟，我会保留不复权价格。关键是不同模块要有明确的数据职责。

Q2：如何排查回测和实盘数据不一致？

A：我通常从标的代码、时间区间、K 线周期、复权方式、字段定义五个方面逐项核对，而不是一开始就修改策略代码。

回测与实盘数据不一致怎么办？我从复权价格踩坑中总结了一套数据工程方法

算法

职业发展

回测与实盘信号不一致，多因K线复权口径混淆。前复权、后复权与不复权各有适用场景，应区分研究价格与交易价格。建议在数据层显式定义复权参数，避免策略代码混用。采用分层数据管理，确保因子计算与交易撮合各取所需，是保证策略稳定落地的关键。

数据一致性

数据接口

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！

回测与实盘数据不一致怎么办？我从复权价格踩坑中总结了一套数据工程方法

回测与实盘数据不一致怎么办？我从复权价格踩坑中总结了一套数据工程方法

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