我在量化实盘中遇到过一个很典型的问题：策略代码没有改，因子计算也没有改，但是重新下载一批历史数据后，回测结果突然发生了明显变化。

当时我的第一反应是检查数据有没有缺失。

后来我把某只股票的历史价格画出来，才发现真正的问题是

除权除息之后的价格发生了非自然跳变

这件事情让我后来在搭建量化数据管道时非常重视一个问题：

历史行情到底应该用前复权、后复权，还是不复权？

这个问题看起来简单，但不同策略的答案并不一样。

一、问题场景：我在量化实盘中遇到的真实困境

我之前做过一类比较典型的趋势策略。

最开始，我直接拿原始收盘价计算均线。

某只股票发生分红之后，价格出现了明显的向下跳变。

从真实交易的角度来看，这种变化并不一定意味着投资者真的亏损了同样比例的钱，因为除权除息会改变股票的名义价格。

但对于均线策略来说，问题就来了。

实际上，很多情况下这只是公司进行了权益分配之后产生的价格调整。

我第一次遇到这个问题的时候，花了不少时间检查策略逻辑。

策略没有错，价格序列的表达方式不适合这个计算。

这也是我后来理解前复权的起点。

我后来把问题拆成三个层面理解。

1. 不复权价格代表真实历史成交价格

它尽可能保持历史交易时点上的实际价格。

例如某股票在某一天真实成交价格是 100 元，那么历史数据里的价格就是 100 元。

这种数据对于研究实际成交价格、盘口、交易成本非常重要。

但是如果我要把很多年前的价格直接连接起来做趋势计算，就可能碰到除权造成的价格断层。

2. 前复权更适合研究“当前价格体系下的历史走势”

我在实际研究中更常使用前复权处理趋势类数据。

前复权的核心思路，可以简单理解为：

把历史价格按照后续发生的除权除息事件进行比例调整，使历史价格能够和当前价格体系保持连续。

原始价格：
100 → 80

前复权价格：
可能变成一个连续的历史价格序列


前复权价格不是当时真正成交的价格。

它是为了让历史价格序列更适合进行连续性分析而构造出来的价格。

这一区别在量化交易里非常重要。

3. 我最容易踩的坑：把“复权价格”当成“成交价格”

我后来给数据层做规范时，专门把这两个概念分开：

我就不会简单地把前复权价格当成真实成交价格。

这也是我认为前复权最重要的一条使用边界。

我最开始其实尝试过自己处理复权。

但实际工程中，我很快遇到了三个麻烦。

第一个麻烦：除权因子需要持续维护

股票发生分红、送股、配股之后，历史价格的计算结果都可能受到影响。

这意味着我的历史数据并不是“下载一次永久不变”。

第二个麻烦：不同数据源的复权定义容易混淆

同样叫“前复权”，不同数据源的字段定义、调整方式或者更新时间并不完全一致。

如果策略研究和实盘数据来自不同的数据源，最后很容易出现：

回测价格和实盘价格不是同一个价格体系。

第三个麻烦：多市场数据统一比较更麻烦

我后来开始同时处理 A 股、美股和港股数据。

如果每个市场都维护一套数据适配逻辑，代码很快就会变得复杂。

我后来在项目里使用了 QuantDash 的 Python SDK，把行情数据直接转换成 Pandas DataFrame，并利用 K 线接口提供的复权参数处理历史行情。

下面这段代码是我实际比较推荐的最小验证方式。

我首先获取同一只股票的不复权和前复权日线，然后检查价格序列。

import os
import pandas as pd
from quantdash import QuantDash


def load_data(api_key: str, symbol: str, adjust: str) -> pd.DataFrame:
    """获取指定复权方式的日线数据。"""
    qd = QuantDash(api_key=api_key)

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

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

        return df

    except Exception as exc:
        raise RuntimeError(
            f"获取 {symbol} 的 {adjust} 数据失败: {exc}"
        ) from exc


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

    if not api_key:
        raise RuntimeError(
            "请先设置环境变量 QUANTDASH_API_KEY"
        )

    symbol = "600519.SH"

    raw_df = load_data(api_key, symbol, "none")
    forward_df = load_data(api_key, symbol, "forward")

    result = pd.DataFrame({
        "trade_date": raw_df["trade_date"],
        "raw_close": raw_df["close"].values,
        "forward_close": forward_df["close"].values,
    })

    print("不复权与前复权收盘价对比：")
    print(result.tail(10).to_string(index=False))


if __name__ == "__main__":
    main()


 当成数据管道里的显式参数，而不是在策略代码里到处写。

import os
from quantdash import QuantDash


def get_forward_adjusted_data():
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError("缺少 QUANTDASH_API_KEY")

    qd = QuantDash(api_key=api_key)

    try:
        df = qd.klines.get(
            "600519.SH",
            period="1d",
            count=250,
            adjust="forward",
            to_dataframe=True,
        )

        if df.empty:
            raise ValueError("没有获取到行情数据")

        return df

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


df = get_forward_adjusted_data()

if df is not None:
    df["ma20"] = df["close"].rolling(20).mean()
    df["ma60"] = df["close"].rolling(60).mean()

    print(
        df[
            ["trade_date", "close", "ma20", "ma60"]
        ].tail(10).to_string(index=False)
    )


趋势策略、均线策略、动量策略

原因不是前复权价格更“真实”，而是它更适合保持历史价格序列的连续性。

我后来总结了三个特别实用的避坑原则。

避坑 1：趋势指标优先考虑前复权

我做过的以下策略，通常都会优先使用前复权数据：

因为这些策略更关心价格序列的相对变化。

避坑 2：交易执行不要直接使用前复权价格

前复权数据适合哪些量化策略？我用一个回测踩坑案例把它讲透

大数据

本文从量化实盘经验出发，剖析前复权、后复权与不复权数据差异，指出趋势策略宜用前复权保持序列连续，交易执行需用不复权真实价格，并给出Python代码及避坑指南，助你规避回测价格跳变陷阱。

数据管道

数据接口

数据库

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！

前复权数据适合哪些量化策略？我用一个回测踩坑案例把它讲透

前复权数据适合哪些量化策略？我用一个回测踩坑案例把它讲透

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