一、问题场景：回测年化凭空多出8%的“分红收益”

去年我在回测一个“高股息+低波动”的AH股组合策略时，遇到了一件怪事。

策略选入了四只标的：贵州茅台（600519.SH）、招商银行（600036.SH）、中国移动（

）。逻辑很简单——每月调仓，选择过去一年股息率最高且波动率最低的两只股票等权持有。

我用akshare拿A股数据，用yfinance拿港股数据，各自做前复权后合并。回测结果出来，年化收益22%，最大回撤只有11%，看起来是个不错的稳健策略。

但我在核对收益来源时发现了一个异常：

2025年6月19日那天，组合单日上涨了4.3%，而当天沪深300只涨了0.7%，恒生指数涨了0.9%。

我逐只持仓排查后发现，贵州茅台那天涨了约2%，招商银行涨了约1%，两只港股加起来贡献了约1.3%。加起来也就4%出头，勉强对得上。但问题在于——

贵州茅台的“涨幅”里，有将近一半是除权日复权计算方式差异造成的虚假收益

贵州茅台在2025年6月19日实施了每10股派发现金红利约300元的分红方案。在akshare的数据中，前复权处理是将除权日之前的所有价格统一向下调整，除权日当天的价格保持不变。但在yfinance处理港股的数据时，除权日的处理方式略有不同——它会在除权日当天对价格进行“跳跃式”调整。

两个数据源对“除权日当天”的价格处理方式不同

，导致我在合并回测时，贵州茅台在除权日当天的收益率被虚增了约1.8个百分点。这个误差单独看不大，但累积到整个回测周期里，年化收益被虚报了将近8%。

为什么会出现这种问题？我花了三天时间追查，发现了三个层面的原因。

A股的除权除息日（Ex-Dividend Date）是股权登记日的下一个交易日。而港股的除净日（Ex-Date）虽然逻辑类似，但不同数据源在

具体日期的判定上可能存在一天或两天的偏差

。这是因为港股存在“T+2”交收制度，除净日的计算涉及到结算周期的差异。

同一只AH两地上市的股票，除权除息日可能完全不同

。比如某银行股在A股和H股的分红登记日可能相差数天，如果直接用日期对齐，就会在除权日前后出现价格“断层”，而两个市场的数据源对这个断层的处理方式可能不一致。

前复权的核心逻辑是：将历史价格乘以一个复权因子，使得历史价格整体下移，除权日之后的价格保持不变。

复权因子怎么算、算到哪一天截止

，不同数据源可能有细微差异。有的数据源在除权日当天就调整复权因子，有的则在除权日的下一个交易日才生效。这个差异在单市场回测中影响不大，但在跨市场合并时，

同一个交易日对不同市场的价格调整程度不同

这是最隐蔽的问题。在回测中，如果某只股票分红除权，理论上你应该把分红现金计入收益（或者假设再投资）。但很多回测框架在合并多市场数据时，

只处理了价格复权，却没有处理现金分红的再投资收益

结果就是：A股的分红被前复权“消化”掉了，而港股的分红可能被yfinance以另一种方式处理。两者的处理方式不一致，导致回测中凭空多出一笔“分红收益”——这笔钱在实盘中根本不存在。

面对这个问题，我先后尝试了三种方案。

方案一：统一使用不复权数据 + 本地计算复权因子

我的第一反应是：既然不同数据源的复权方式不一样，那我就全部用不复权数据，然后在本地统一计算复权因子。

我写了一个复权因子计算器，从各交易所官网爬取除权除息公告，然后手动计算每个交易日的复权因子。这个方案在理论上是对的，但在实践中几乎不可行——

光是维护A股5000多只股票的除权除息记录就是一场噩梦

，更别说还要同时维护港股的数据。

有人建议我：既然akshare和yfinance的复权逻辑不一致，那就只用一个数据源——比如全部用yfinance获取A股和港股数据。

但yfinance的A股数据覆盖不全，很多中小盘股没有数据。而且yfinance的A股数据延迟严重，历史数据的准确性也存疑。这个方案在测试阶段就被我否决了。

方案三：服务端统一复权 + 统一接口

后来我找到了QuantDash。它的做法让我眼前一亮：

所有市场的复权都在服务端完成，客户端只需要指定复权方式即可

无论你是A股的贵州茅台（600519.SH）还是港股的腾讯控股（

返回前复权数据。这意味着我不再需要担心“akshare的前复权和yfinance的前复权是不是一回事”这种问题。

更重要的是，QuantDash支持批量获取多只标的的K线数据，一次性拉取所有持仓标的的复权数据，天然保证了数据的时间一致性。

# 安装依赖
# pip install quantdash pandas numpy

import os
import pandas as pd
import numpy as np
from datetime import datetime
from quantdash import QuantDash

# 从环境变量读取 API Key（不要硬编码）
# export QUANTDASH_API_KEY="your-api-key-here"
qd = QuantDash()

def fetch_adjusted_data(symbols: list, start_date: str, end_date: str):
    """
    统一获取多市场前复权数据
    所有标的使用同一套复权逻辑，确保跨市场可比性
    """
    start_dt = datetime.strptime(start_date, "%Y-%m-%d")
    end_dt = datetime.strptime(end_date, "%Y-%m-%d")
    start_ts = int(start_dt.timestamp() * 1000)
    end_ts = int(end_dt.timestamp() * 1000)
    
    try:
        # 批量获取，统一使用 forward 复权
        dfs = qd.klines.batch(
            symbols=symbols,
            period="1d",
            start_time=start_ts,
            end_time=end_ts,
            adjust="forward",  # 所有市场统一前复权
            to_dataframe=True,
            show_progress=True
        )
        return dfs
    except Exception as e:
        print(f"数据获取失败: {e}")
        return {}

# 定义股票池：A股 + 港股通
SYMBOLS = [
    "600519.SH",  # 贵州茅台（A股）
    "600036.SH",  # 招商银行（A股）
    "00941.HK",   # 中国移动（港股通）
    "00939.HK",   # 建设银行（港股通）
]

dfs = fetch_adjusted_data(SYMBOLS, "2024-01-01", "2026-06-30")

4.3 验证复权一致性：检查除权日的价格跳变

获取数据后，我建议先做一次复权一致性检查——查看每只标的在除权日附近的价格是否连续。

def check_adjustment_consistency(dfs: dict, check_date: str):
    """
    检查指定日期附近各标的的复权价格是否连续
    用于验证复权逻辑是否一致
    """
    check_dt = pd.to_datetime(check_date)
    
    for sym, df in dfs.items():
        if df.empty:
            continue
        
        df_copy = df.copy()
        df_copy['trade_date'] = pd.to_datetime(df_copy['trade_date'])
        df_copy.set_index('trade_date', inplace=True)
        
        # 获取检查日期前后各5个交易日
        idx = df_copy.index.get_loc(check_dt) if check_dt in df_copy.index else None
        if idx is None:
            print(f"{sym}: {check_date} 无数据")
            continue
        
        start_idx = max(0, idx - 5)
        end_idx = min(len(df_copy), idx + 6)
        subset = df_copy.iloc[start_idx:end_idx]
        
        # 计算价格连续变化率（正常情况应该在 -5% ~ +5% 之间）
        pct_changes = subset['close'].pct_change().dropna()
        max_change = pct_changes.max()
        min_change = pct_changes.min()
        
        print(f"{sym}: 除权日前后最大单日涨幅 {max_change*100:.2f}%, "
              f"最大单日跌幅 {min_change*100:.2f}%")
        
        # 如果变化率超过10%，可能存在复权异常
        if max_change > 0.10 or min_change < -0.10:
            print(f"  ⚠️ {sym} 复权价格可能出现异常跳变！")

# 检查2025年6月19日（贵州茅台除权日）附近的复权情况
check_adjustment_consistency(dfs, "2025-06-19")

def build_adjusted_price_matrix(dfs: dict):
    """
    将所有标的的复权收盘价合并为一个DataFrame
    所有价格使用同一套复权逻辑，可直接比较
    """
    price_matrix = pd.DataFrame()
    
    for sym, df in dfs.items():
        if df.empty:
            continue
        df_copy = df.copy()
        df_copy['trade_date'] = pd.to_datetime(df_copy['trade_date'])
        df_copy.set_index('trade_date', inplace=True)
        # 使用 close 列，已经是统一复权后的价格
        price_matrix[sym] = df_copy['close']
    
    # 前向填充，处理不同市场的休市日
    # ⚠️ 只使用 ffill，绝不使用 bfill
    price_matrix = price_matrix.ffill()
    
    return price_matrix

price_matrix = build_adjusted_price_matrix(dfs)
print(f"复权价格矩阵: {price_matrix.shape}")
print(price_matrix.head())

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
多市场统一复权数据获取与验证
解决港股通与A股复权不一致问题
依赖: pip install quantdash pandas
"""

import os
import pandas as pd
import numpy as np
from datetime import datetime
from quantdash import QuantDash

# ============ 配置 ============
SYMBOLS = [
    "600519.SH",  # 贵州茅台
    "600036.SH",  # 招商银行
    "00941.HK",   # 中国移动
    "00939.HK",   # 建设银行
]
START_DATE = "2024-01-01"
END_DATE = "2026-06-30"

# ============ 1. 初始化 ============
api_key = os.getenv("QUANTDASH_API_KEY")
if not api_key:
    raise ValueError("请设置环境变量 QUANTDASH_API_KEY")
qd = QuantDash(api_key=api_key)

# ============ 2. 统一获取复权数据 ============
print("📊 正在获取多市场统一复权数据...")
start_dt = datetime.strptime(START_DATE, "%Y-%m-%d")
end_dt = datetime.strptime(END_DATE, "%Y-%m-%d")
start_ts = int(start_dt.timestamp() * 1000)
end_ts = int(end_dt.timestamp() * 1000)

try:
    dfs = qd.klines.batch(
        symbols=SYMBOLS,
        period="1d",
        start_time=start_ts,
        end_time=end_ts,
        adjust="forward",  # 统一使用前复权
        to_dataframe=True,
        show_progress=True
    )
except Exception as e:
    print(f"❌ 数据获取失败: {e}")
    exit(1)

print("\n📋 数据概览:")
for sym, df in dfs.items():
    if not df.empty:
        name = df['name'].iloc[0] if 'name' in df.columns else sym
        print(f"  {sym} ({name}): {len(df)} 条")

# ============ 3. 构建复权价格矩阵 ============
print("\n🔄 构建统一复权价格矩阵...")
price_matrix = pd.DataFrame()
for sym, df in dfs.items():
    if df.empty:
        continue
    df_copy = df.copy()
    df_copy['trade_date'] = pd.to_datetime(df_copy['trade_date'])
    df_copy.set_index('trade_date', inplace=True)
    price_matrix[sym] = df_copy['close']

# 前向填充，处理休市日
price_matrix = price_matrix.ffill()
print(f"✅ 价格矩阵: {len(price_matrix)} 个交易日, {len(price_matrix.columns)} 只标的")
print(price_matrix.tail())

# ============ 4. 验证复权一致性 ============
print("\n🔍 验证复权一致性...")
# 检查各标的的日收益率是否在合理范围内
returns = price_matrix.pct_change().dropna()
for col in returns.columns:
    max_ret = returns[col].max()
    min_ret = returns[col].min()
    print(f"  {col}: 最大日涨幅 {max_ret*100:.2f}%, 最大日跌幅 {min_ret*100:.2f}%")
    if max_ret > 0.10 or min_ret < -0.10:
        print(f"    ⚠️ 注意: 该标的单日收益率超过10%，可能存在复权异常")

# ============ 5. 简单策略验证 ============
print("\n📈 等权重组合回测...")
weights = np.ones(len(price_matrix.columns)) / len(price_matrix.columns)
portfolio_returns = returns.dot(weights)
cumulative = (1 + portfolio_returns).cumprod()

print(f"  累计收益: {(cumulative.iloc[-1] - 1) * 100:.2f}%")
print(f"  年化收益: {((cumulative.iloc[-1]) ** (252 / len(cumulative)) - 1) * 100:.2f}%")
print(f"  最大回撤: {((cumulative / cumulative.cummax() - 1).min() * 100):.2f}%")

print("\n✅ 验证完成！所有标的使用统一复权逻辑。")

改用统一复权方案后，我重新跑了那个“高股息+低波动”策略的回测——

。那个凭空多出来的8%收益，本质上就是复权不一致造成的“数据幻觉”。

以下是三条实盘级的避坑建议：

避坑1：在除权日附近手动核对价格连续性

每次遇到标的除权除息，我都会用 

 函数检查一下复权价格的连续性。如果发现某只标的在除权日前后出现了超过10%的价格跳变，

，需要排查数据源或复权方式。

避坑2：港股分红要单独处理现金再投资

。如果你的策略包含“分红再投资”逻辑，需要在回测框架中单独处理——记录每次分红的现金金额，并在下一个调仓日按比例买入相应标的。我一般会在回测框架中维护一个“现金池”，专门处理分红再投资。

避坑3：不同复权方式适用于不同策略

。如果策略涉及价格突破（比如突破前高买入），用 

 可能会改变突破点的位置，这时候需要用不复权数据自己做判断。

这次踩坑让我明白了一个道理：

在量化回测中，“看起来对的数据”往往比“明显错的数据”更危险

明显错的数据——比如某天价格是负数、某天缺失——程序会报错，你会及时发现。但复权不一致导致的价格偏差，

程序不会报错，回测结果看起来也很合理

，只有在实盘亏损后你才会意识到问题。

QuantDash 帮我解决的是“复权逻辑统一”的问题。但“分红再投资”和“复权方式选择”这些策略层面的决策，仍然需要开发者自己根据策略逻辑来判断。工具解决的是数据一致性的工程问题，策略层面的问题永远需要人来思考。

如果你也在做跨境多资产回测，我的建议是：

先花时间把复权逻辑搞清楚，再谈策略优化

。复权错了，策略再好也是空中楼阁。

Q1: 港股通的股息率和A股的股息率可以直接比较吗？

A: 不能直接比较。港股通标的的股息是以港币计价，而A股是以人民币计价。如果要比较两者的股息率，需要先将港币股息按当日汇率折算成人民币，再除以人民币计价的价格。另外，港股通投资者还需要考虑红利税的影响——港股通的红利税通常比A股高，这部分成本在回测中也要扣除。

Q2: 如果我只用前复权做回测，还需要处理分红吗？

A: 需要。前复权只调整了历史价格，

没有处理现金分红的再投资收益

。如果你的策略是“买入并持有”，前复权后的价格收益率已经包含了分红的影响（因为除权日价格下调，但前复权把历史价格也下调了，所以持有收益率不变）。但如果你的策略是定期调仓，

每次调仓时的现金分红需要单独处理

——否则你会漏掉分红带来的现金收益。

Q3: QuantDash 的复权数据会包含拆股吗？

A: 是的。QuantDash 的复权处理同时包含

两种场景。无论是现金分红还是股票拆细，服务端都会统一计算复权因子，确保历史价格的一致性。你只需要在请求时指定 

，不需要关心底层具体发生了哪种除权事件。

策略选入了四只标的：贵州茅台（600519.SH）、招商银行（600036.SH）、中国移动（00941.HK）和建设银行（00939.HK）。逻辑很简单——每月调仓，选择过去一年股息率最高且波动率最低的两只股票等权持有。

港股通与A股数据合并回测时，复权不一致怎么办？——一次因“除权日错位”导致的回测失真纪实

编程语言

数据库

港股通与A股合并回测中，复权基准不一致会虚增收益，本文从真实案例剖析除权日错位与复权因子差异，提出服务端统一复权方案，附完整代码验证价格连续性，助你规避数据陷阱，提升策略可信度。

数据一致性

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！

港股通与A股数据合并回测时，复权不一致怎么办？——一次因“除权日错位”导致的回测失真纪实

港股通与A股数据合并回测时，复权不一致怎么办？——一次因“除权日错位”导致的回测失真纪实

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