我在量化项目里见过一种很容易误判的问题：

K 线明明每天都有，为什么收益率计算出来却像“缺了一段数据”？

我后来发现，数据有没有记录和价格是否连续，其实是两个完全不同的问题。

一、问题场景：我在量化实盘中遇到的真实困境

有一次我在排查一个中频策略的回测结果。

回测过程中，我看到某只股票在一个公司行为发生前后出现了非常明显的价格跳变。

第一眼看起来，就像中间的数据出了问题。

但是收益率计算仍然出现异常。

“有数据”不代表“价格口径一致”。

这也是我后来处理股票历史数据缺失问题时非常看重的一点。

1. 原始价格和复权价格不是同一个时间序列

股票发生分红、送股、拆分等公司行为以后，历史价格可能出现明显变化。

如果我直接拿不复权价格计算长期收益，某些公司行为会直接进入收益率序列。

从数值上看，价格突然从 105 变成 50。

如果我不知道中间发生了什么，就可能把它当成异常行情。

但如果这是公司行为造成的价格调整，那么“50”并不意味着股票真的凭空跌了 52%。

所以我现在做量化回测时，会明确区分：

原始价格是数据事实，复权价格是分析口径。

2. 前复权、后复权解决的问题并不完全一样

“反正都是复权，选哪个都一样。”

官方文档明确区分了比例复权和差值复权。比例复权使用乘法因子，更适合收益率计算；差值复权使用加减法，更适合观察绝对价差。

所以我现在不会把“复权”简单当成一个布尔参数。

我以前处理这类问题主要有三种思路。

问题是，公司行为数据本身就需要维护。

因子计算正确，但和原始行情时间点没有对齐。

方案二：直接使用已经复权的数据

如果我不知道数据是怎么复权的，那么不同研究员导出的历史数据可能根本不能直接比较。

于是我开始要求数据管道明确保存：

方案三：原始数据 + 明确复权口径

研究阶段如果主要关注收益率，我会使用比例复权。

如果需要观察绝对价格变化，则会根据具体分析需求选择其他口径。

如果需要检查数据质量，我还会把不复权数据拿出来做对照。

SDK 同时提供 K 线数据和除权因子查询能力，这一点比较适合做这种交叉验证。

首先，我会把同一标的用不同复权方式分别取出来。

import os
import sys

from quantdash import QuantDash


def get_kline(qd, symbol: str, adjust: str):
    try:
        return qd.klines.get(
            symbol,
            period="1d",
            count=60,
            adjust=adjust,
            to_dataframe=True,
        )
    except Exception as exc:
        raise RuntimeError(
            f"{symbol} 获取 {adjust} 数据失败: {exc}"
        ) from exc


def main() -> int:
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        print("请设置 QUANTDASH_API_KEY 环境变量。")
        return 1

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

    try:
        raw = get_kline(qd, symbol, "none")
        forward = get_kline(qd, symbol, "forward")
        backward = get_kline(qd, symbol, "backward")
    except Exception as exc:
        print(exc)
        return 1

    for name, df in [
        ("不复权", raw),
        ("前复权", forward),
        ("后复权", backward),
    ]:
        if df.empty:
            print(f"{name}: 没有返回数据")
            continue

        print(f"\n{name}")
        print(
            df[
                [
                    "trade_date",
                    "open",
                    "high",
                    "low",
                    "close",
                    "volume",
                ]
            ].tail(10).to_string(index=False)
        )

    return 0


if __name__ == "__main__":
    sys.exit(main())


这里我最关心的不是哪一列数字更“漂亮”，而是：

同一个交易日，在不同复权口径下是否符合预期。

如果发现价格序列出现异常，我会继续检查除权因子。

import os
import sys

from quantdash import QuantDash


def main() -> int:
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        print("请设置 QUANTDASH_API_KEY 环境变量。")
        return 1

    qd = QuantDash(api_key=api_key)

    try:
        df = qd.klines.ex_factors(
            ["600519.SH"],
            to_dataframe=True,
        )
    except Exception as exc:
        print(f"除权因子请求失败: {exc}")
        return 1

    if df.empty:
        print("没有获取到除权因子数据。")
        return 0

    required = {
        "symbol",
        "trade_date",
        "ex_factor",
    }

    missing = required - set(df.columns)

    if missing:
        print(f"返回数据缺少字段: {sorted(missing)}")
        return 1

    print(
        df[
            [
                "symbol",
                "trade_date",
                "ex_factor",
            ]
        ].tail(10).to_string(index=False)
    )

    return 0


if __name__ == "__main__":
    sys.exit(main())


官方 SDK 提供除权因子查询接口，因此我在遇到价格断层时，不会只看 K 线本身，而会进一步检查公司行为相关数据。

我还会用 Pandas 对不同口径做收益率对比。

import os
import sys

import pandas as pd
from quantdash import QuantDash


def load_data(qd, symbol: str, adjust: str) -> pd.DataFrame:
    df = qd.klines.get(
        symbol,
        period="1d",
        count=120,
        adjust=adjust,
        to_dataframe=True,
    )

    if df is None or df.empty:
        raise ValueError(
            f"{symbol} 的 {adjust} 数据为空。"
        )

    data = df.copy()
    data["trade_date"] = pd.to_datetime(data["trade_date"])
    data = data.sort_values("trade_date")

    data["return"] = data["close"].pct_change()

    return data


def main() -> int:
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        print("请设置 QUANTDASH_API_KEY 环境变量。")
        return 1

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

    try:
        raw = load_data(qd, symbol, "none")
        forward = load_data(qd, symbol, "forward")
    except Exception as exc:
        print(f"数据处理失败: {exc}")
        return 1

    result = pd.DataFrame(
        {
            "trade_date": raw["trade_date"],
            "raw_return": raw["return"],
            "forward_return": forward["return"],
        }
    )

    print(result.tail(20).to_string(index=False))

    return 0


if __name__ == "__main__":
    sys.exit(main())


这个检查非常简单，但在我看来很重要。

因为策略最终使用的往往不是价格本身，而是：

这些指标都会受到价格口径影响。

经过几轮数据排查以后，我总结出三个原则。

避坑一：不要看到价格跳变就认定数据缺失

避坑二：回测必须固定复权口径

我以前见过一种非常隐蔽的问题：

研究员用前复权数据计算因子。

股票历史数据为什么会出现缺失？别急着补数据，我先检查是不是复权口径出了问题

编程语言

数据库

量化回测中价格跳变常被误判为数据缺失，实为除权除息或复权口径不一致所致。本文以Python实战演示如何用QuantDash检查前复权、后复权及不复权数据与除权因子，区分原始价格与分析口径，避免收益率计算错误，并提供复权选型与避坑指南。

数据管道

数据处理

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！

股票历史数据为什么会出现缺失？别急着补数据，我先检查是不是复权口径出了问题

股票历史数据为什么会出现缺失？别急着补数据，我先检查是不是复权口径出了问题

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