一、问题场景：我在量化实盘中遇到的真实困境

去年我在做一只A股高分红策略的回测时，遇到了一件让我至今记忆犹新的事。

策略逻辑很简单：选过去三年股息率持续高于3%的股票，在年报公布后买入持有三个月。回测跑完，年化收益31.6%，最大回撤8.3%，夏普比率2.1——看起来是一个非常稳健的防御型策略。

结果实盘跑了第一个月，收益比回测曲线低了将近4个百分点。当时我的第一反应是“滑点太大”或者“手续费没算对”，但逐笔交易核对后发现，滑点和手续费加起来也就0.3%左右，根本不足以解释4个百分点的差距。

更诡异的是，有一只持仓股票在除权除息日当天，回测系统显示价格从80元平滑过渡到40元，策略判断“跌幅过大”触发了加仓信号。而实盘账户里，这只股票的价格确实从80元变成了40元——但我持有的股数翻了一倍，总市值根本没变。

回测系统以为我在暴跌中抄了底，实盘账户只是经历了一次除权。

 我的策略在回测中“赚”的钱，是复权方式替它赚的，不是策略本身赚的。

排查了三天，问题根源终于浮出水面：

我在回测中用了不复权的原始价格。

要理解这个问题，得先搞清楚除权除息到底发生了什么。

A股上市公司经常会进行分红、送股或转增股本。一只100元的股票如果执行“10送10”，除权当天股价会瞬间变成50元。这不是市场跌了，是股本变了——你的持仓数量翻了一倍，但每股价格折半，总市值不变。

但回测引擎不懂这个道理。如果给它喂的是不复权的原始价格，它看到的就是一根从100元到50元的断崖式阴线。在策略的数理逻辑里，这会被误判为股价遭遇了毁灭性暴跌：

。如果你用的是“事后前复权”数据——即用2025年6月的除权因子去修正2024年的历史价格——那么回测引擎在回测2024年的交易时，实际上“提前知道”了2025年才会发生的公司行为。这是比不复权更致命的错误：回测收益完全被虚高，但实盘里这些交易根本不可能发生。

在解决这个问题之前，我先梳理一下三种复权方式的本质差异：

 ：保留原始成交价。除权日你会看到巨大的价格跳空。

：实盘下单时匹配交易所真实挂单价格。

 ：以最新股本为基准，把历史所有价格按除权因子向后修正。最新价不变，历史价被“压缩”。

：回测收益率计算、技术指标计算。

 ：以上市首日股本为基准，把之后所有价格向前修正。历史首日价不变，当前价被“放大”。

关键认知是：如果复权因子计算正确，前复权价格序列和后复权价格序列

。均线交叉、RSI、布林带这些基于相对位置的信号，在前后复权下完全一致——因为线性变换不改变相对关系。

那为什么有人坚持用后复权？因为如果你在策略里写了“股价低于5元就买入”这种

，前复权和后复权会给出完全不同的信号。

这是策略设计问题，不是复权方式的问题。

我后来用 QuantDash 重构了数据层，核心就一行代码的区别：

# 依赖安装：pip install quantdash
# Python 3.9+，推荐 3.10 或更高版本

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

# 通过环境变量读取 API Key，不要硬编码
api_key = os.getenv("QUANTDASH_API_KEY", "your-api-key-here")
qd = QuantDash(api_key=api_key)

def get_adjusted_klines(symbol: str, period: str = "1d", count: int = 100, adjust: str = "forward"):
    """
    获取复权后的K线数据
    
    adjust 可选值：
    - 'forward': 前复权-比例（默认，推荐用于回测）
    - 'backward': 后复权-比例
    - 'forward_additive': 前复权-差值
    - 'backward_additive': 后复权-差值
    - 'none': 不复权（适合实盘下单）
    """
    try:
        df = qd.klines.get(
            symbol=symbol,
            period=period,
            count=count,
            adjust=adjust,
            to_dataframe=True
        )
        if df.empty:
            print(f"警告：未获取到 {symbol} 的数据，请检查 API Key 是否有效")
            return None
        return df
    except Exception as e:
        print(f"请求失败: {e}")
        return None

# 示例：获取贵州茅台前复权日K线
df = get_adjusted_klines("600519.SH", period="1d", count=10, adjust="forward")
if df is not None:
    print("--- 前复权 K 线数据（适合回测） ---")
    print(df[["symbol", "name", "trade_date", "open", "high", "low", "close", "volume"]].to_string(index=False))

# 示例：获取不复权数据（适合实盘价格参考）
df_raw = get_adjusted_klines("600519.SH", period="1d", count=10, adjust="none")
if df_raw is not None:
    print("\n--- 不复权 K 线数据（适合实盘价格参考） ---")
    print(df_raw[["symbol", "name", "trade_date", "open", "high", "low", "close", "volume"]].to_string(index=False))

# 验证复权效果：对比前复权与不复权在除权日前后的差异
# 可以指定时间范围获取特定区间的数据
start = int(datetime.datetime(2024, 5, 1).timestamp() * 1000)
end = int(datetime.datetime(2024, 7, 1).timestamp() * 1000)

df_forward = qd.klines.get(
    "600519.SH", 
    period="1d", 
    start_time=start, 
    end_time=end, 
    adjust="forward",
    to_dataframe=True
)
df_none = qd.klines.get(
    "600519.SH", 
    period="1d", 
    start_time=start, 
    end_time=end, 
    adjust="none",
    to_dataframe=True
)

if df_forward is not None and df_none is not None:
    print("\n--- 复权与不复权对比（除权日附近） ---")
    # 合并对比
    compare_df = pd.DataFrame({
        "trade_date": df_forward["trade_date"],
        "forward_close": df_forward["close"],
        "raw_close": df_none["close"]
    })
    print(compare_df.to_string(index=False))

切换到前复权数据后，我的回测收益率从31.6%降到了22.4%——这才是策略的真实水平。实盘跑了三个月，偏差控制在1.2%以内，基本可以接受。

以下是我总结的3条工程避坑建议：

避坑1：回测用前复权，实盘用不复权，两者不能混用

回测计算收益率必须用前复权，实盘信号生成和订单执行必须用原始价。混用的结果是回测完全失真。我当时的错误就是回测用了不复权，导致回测收益被高估。

避坑2：注意复权数据的“未来函数”问题

如果你在回测历史时用的前复权数据，是用

一次性计算出来的，那就等于让回测引擎“提前知道”了未来的除权事件。正确的做法是使用

，或者使用服务器端实时计算的复权数据。QuantDash 的服务器端复权引擎正是解决了这个问题。

避坑3：分钟线的除权日跳空更致命

日线级别的除权缺口已经够麻烦了，分钟线更隐蔽。除权当日如果不过滤，开盘跳空会被趋势策略当成突破信号，高频策略可能在这根线上反复触发，回测虚高，实盘根本做不到。处理分钟线时同样要确保复权参数设置正确。

复盘这次踩坑，我最大的体会是：

复权不是数据预处理的可选项，它是回测的第一层地基

。地基歪了，楼盖得再高也是危房。

很多量化新手一上来就研究复杂的策略逻辑、调参优化，却忽略了最基础的数据质量问题。同一个策略，用前复权回测赚20%，用不复权回测可能亏10%——不是策略逻辑不同，是数据口径不同。

我现在在用的 QuantDash，最大的价值不是它提供了多少数据，而是它把复权这个最基础也最容易出错的问题，用服务器端原生复权引擎给标准化了。我只需要改一个 

 参数，就能在回测和实盘之间无缝切换。这让我可以把精力放在策略本身，而不是跟数据较劲。

Q1: 前复权和后复权，回测应该用哪个？

A: 计算收益率和技术指标（如MACD、RSI）时，前复权和后复权效果等价——因为两者是线性关系。但如果你在策略中写了“股价低于X元买入”这种绝对数值判断，两者结果会不同。我个人的习惯是回测用前复权（

），因为最新价不变，便于与实盘当前价格对照。

Q2: 回测用前复权，实盘下单用不复权，价格对不上怎么办？

A: 这是正常的。回测的目的是评估策略的历史表现，用的是“调整后”的价格序列；实盘下单匹配的是交易所的实时挂单价格，用的是原始价。关键在于

要一致——如果回测中均线是基于前复权价格计算的，实盘中也要用前复权价格计算信号，但

Q3: 免费数据源的复权数据可靠吗？

A: 我踩过这个坑。AkShare、Tushare、Yahoo Finance 等免费方案普遍存在数据更新滞后（除权日后3-5天才完成复权）、历史复权数据有断点、不同市场复权逻辑不统一等问题。对于严肃的回测，建议使用专业数据源或 QuantDash 这类提供服务器端原生复权的工具。

除权除息日一个参数没设对，回测年化30%实盘却亏钱——我的复权踩坑实录

云计算

量化回测中不复权价格会在除权除息日产生价格跳空，导致收益虚高或虚低。前复权、后复权与不复权存在本质差异，前复权适合回测收益率计算，不复权适合实盘下单。通过QuantDash的adjust参数可一键切换复权模式，规避未来函数与分钟线跳空陷阱，确保回测结果真实可靠。

腾讯云大数据特惠0.2折起


oceanus

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！

除权除息日一个参数没设对，回测年化30%实盘却亏钱——我的复权踩坑实录

除权除息日一个参数没设对，回测年化30%实盘却亏钱——我的复权踩坑实录

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