看到量化策略需要历史行情，就直接使用前复权。

这个习惯后来差点给我的一个研究项目带来问题。

当时策略本身没有计算错误，数据也没有缺失。

但我在模拟订单执行时突然意识到：

我拿来计算信号的价格，并不等于历史真实成交价格。

这个问题看似只是数据处理细节，但我认为它实际上决定了整个回测系统的数据架构。

一、问题场景：我在量化实盘中遇到的真实困境

最开始，我给它们使用了同一套历史行情。

但是当我把事件驱动策略和订单执行模拟放进去之后，发现价格解释出现了问题。

我当时做了一个非常简单的测试：

研究数据：
前复权 close

执行数据：
历史实际价格


然后把同一个交易日的价格放到一起比较。

一个数据集很难同时满足所有策略。

1. 不同策略实际上在回答不同的问题

第一类：我想知道“趋势怎么样”

过去 20 天涨了多少？
过去 60 天是不是持续上涨？
短期均线是否突破长期均线？


这类问题关注的是历史价格的连续变化。

所以我通常倾向于使用前复权。

第二类：我想知道“当时实际成交价是多少”

某一天开盘价是多少？
某个历史价格是否真的成交过？
某个价格区间能不能成交？


这时候我更关心真实历史价格。

因此不能简单地把前复权价格当成成交价格。

第三类：我想知道“今天市场现在多少钱”

我不会把历史复权价格当成当前市场报价。

我以前喜欢把所有数据塞进一张表。

symbol
trade_date
open
high
low
close
volume


后来我发现这种结构缺少一个非常关键的信息：

于是我现在的数据思维更接近：

行情
├── 不复权
├── 前复权
├── 后复权
├── 前复权-差值
└── 后复权-差值


在实际项目里，我会根据策略类型决定使用哪一个。

QuantDash 的 K 线接口支持多种复权方式，包括：

none
forward
backward
forward_additive
backward_additive


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。

我首先会把不同价格体系放到一起检查。

import os
import pandas as pd
from quantdash import QuantDash


def get_price_series(qd, symbol, adjust):
    """获取指定复权方式的日线数据。"""
    try:
        df = qd.klines.get(
            symbol,
            period="1d",
            count=100,
            adjust=adjust,
            to_dataframe=True,
        )

        if df.empty:
            raise ValueError(
                f"{symbol} 返回了空数据"
            )

        return df

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


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

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

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

    try:
        none_df = get_price_series(
            qd, symbol, "none"
        )

        forward_df = get_price_series(
            qd, symbol, "forward"
        )

        result = pd.DataFrame({
            "trade_date": none_df["trade_date"],
            "close_none": none_df["close"].values,
            "close_forward": forward_df["close"].values,
        })

        print(result.tail(10).to_string(index=False))

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


if __name__ == "__main__":
    main()


我会先看价格体系，而不是直接跑策略。

这是我这些年做数据工程后形成的习惯：

如果我的策略是计算过去 20 个交易日的价格变化：

import os
from quantdash import QuantDash


def calculate_momentum(symbol):
    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(
            symbol,
            period="1d",
            count=100,
            adjust="forward",
            to_dataframe=True,
        )

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

        df["momentum_20d"] = (
            df["close"] / df["close"].shift(20) - 1
        )

        return df

    except Exception as exc:
        print(f"动量计算失败: {exc}")
        return None


df = calculate_momentum("600519.SH")

if df is not None:
    print(
        df[
            ["trade_date", "close", "momentum_20d"]
        ].tail(10).to_string(index=False)
    )


这种情况下，我会优先考虑比例前复权。

2. 观察绝对价差时，我会考虑差值复权

如果我的研究目标不是收益率，而是观察绝对价格差异，那么比例复权未必是最自然的选择。

我会根据接口支持的复权方式进行对比。

import os
from quantdash import QuantDash


def compare_adjustments(symbol):
    api_key = os.getenv("QUANTDASH_API_KEY")

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

    qd = QuantDash(api_key=api_key)

    adjustments = [
        "none",
        "forward",
        "backward",
        "forward_additive",
        "backward_additive",
    ]

    results = {}

    for adjust in adjustments:
        try:
            df = qd.klines.get(
                symbol,
                period="1d",
                count=20,
                adjust=adjust,
                to_dataframe=True,
            )

            if df.empty:
                print(f"{adjust}: 数据为空")
                continue

            results[adjust] = df

        except Exception as exc:
            print(f"{adjust}: 获取失败: {exc}")

    return results


if __name__ == "__main__":
    data = compare_adjustments("600519.SH")

    for adjust, df in data.items():
        latest = df.iloc[-1]
        print(
            f"{adjust:20s} "
            f"{latest['trade_date']} "
            f"close={latest['close']}"
        )


我不会说某一种复权方式永远正确。

先确定研究问题，再选择价格体系。

3. 多股票策略要保证复权逻辑统一

当我开始做股票池策略以后，另一个坑出现了。

所以我现在更倾向于在批量数据获取阶段直接指定复权方式：

import os
from quantdash import QuantDash


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

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

    qd = QuantDash(api_key=api_key)

    symbols = [
        "600519.SH",
        "000001.SZ",
        "000858.SZ",
    ]

    try:
        dfs = qd.klines.batch(
            symbols,
            period="1d",
            count=60,
            adjust="forward",
            to_dataframe=True,
            show_progress=True,
        )

        for symbol, df in dfs.items():
            if df.empty:
                print(f"{symbol}: 数据为空")
                continue

            df["return_20d"] = (
                df["close"]
                / df["close"].shift(20)
                - 1
            )

            print(
                f"{symbol}: "
                f"最新20日收益率="
                f"{df['return_20d'].iloc[-1]:.4f}"
            )

    except Exception as exc:
        print(f"股票池处理失败: {exc}")


if __name__ == "__main__":
    load_stock_pool()


我觉得这里最关键的不是批量接口本身，而是：

整个股票池使用同一个数据定义。

避坑 1：均线、动量、趋势通常适合前复权

这不是一条绝对规则，而是我在工程实践中比较常用的判断起点。

避坑 2：不要把复权数据和实时行情直接混在一起

前复权不是万能的：我如何判断一个量化策略到底该不该用

算法

大数据

开发工具

前复权适合趋势、动量和均线类策略，但事件驱动和订单模拟需用不复权历史价。量化系统应区分研究价格和真实成交价，按策略类型选择复权方式，批量数据须统一逻辑，避免混用实时行情。

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！

前复权不是万能的：我如何判断一个量化策略到底该不该用

前复权不是万能的：我如何判断一个量化策略到底该不该用

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