一、问题场景：我在量化实盘中遇到的真实困境

我第一次真正意识到“复权”是一个工程问题，而不只是行情软件里的一个显示选项，是在做一个中长期股票策略的时候。

当时我的策略需要计算过去一年、两年甚至五年的价格动量。最开始我直接拿原始 K 线的收盘价计算收益率，代码本身没有任何问题，但回测结果却出现了一个很奇怪的现象：

某些股票在分红、送转或者其他除权除息事件之后，价格序列会出现明显跳变。

从策略角度看，我知道这种跳变并不一定代表投资者真的在一天之内产生了同等幅度的亏损。但如果程序直接把除权后的价格和除权前的价格进行比较，动量指标就会把这种“制度性价格变化”误认为市场涨跌。

行情数据没有错，公式没有错，但数据口径错了。

后来我开始重新梳理价格数据，才发现自己真正需要回答的不是“应该选择哪个复权”，而是：

这两个问题的答案不同，复权方式自然也不同。

1. 我先把不复权价格当成“事实价格”

我后来把原始价格称为“市场发生过的价格”。

也就是说，不复权数据更接近当时市场真实成交价格的历史记录。某一天股票以某个价格交易，除权之后价格发生变化，这个变化本身就是市场制度和公司行为留下的结果。

我通常不会随意把这些价格替换成复权价格。

2. 我发现前复权实际上是在“改造历史”

前复权的核心思路，是把历史价格按照复权因子进行调整，使历史价格尽量保持在当前价格体系下的连续性。

在我做技术指标、动量因子和长期收益率分析时，这种处理非常有价值。

例如我需要判断一只股票过去 250 个交易日到底上涨了多少，我更关心的是一个连续价格序列，而不是除权事件造成的机械跳变。

QuantDash 的 K 线接口支持比例前复权，我在实际数据处理中通常会把它作为收益率计算的默认口径。

3. 我对后复权的理解则完全不同

后复权可以理解为把后面的价格调整到更早的价格基准上。

它同样能够处理除权除息造成的价格断点，但观察角度和前复权不同。

所以，前复权和后复权并不是谁“更准确”，而是使用目的不同。

第一种是直接使用原始行情，然后自己维护除权除息数据。

这种方式理论上完全可行，但真正做起来非常麻烦。我不仅需要保存 K 线，还要维护除权因子，并且保证除权事件和价格日期能够准确对应。

第二种是从不同免费数据源分别下载前复权和后复权数据。

这个方案最大的问题不是获取数据，而是不同数据源之间的数据口径很容易出现差异。尤其当我把一个数据源的行情和另一个数据源的除权数据拼在一起时，问题会变得更加隐蔽。

第三种是让数据接口直接完成复权。

后来我在项目里使用 QuantDash Python SDK，把复权逻辑直接放到数据获取层。例如：

对我来说，最大的价值并不是少写几行代码，而是让“数据口径”成为接口参数，而不是散落在策略代码里的隐式逻辑。

1. 我先把三种价格放在同一个 DataFrame 里

下面这段代码可以直接运行。运行环境需要提前安装 SDK，并设置环境变量。

import os
import pandas as pd
from quantdash import QuantDash


def get_close_series(qd, symbol, adjust):
    """获取指定复权方式的日线收盘价。"""
    try:
        df = qd.klines.get(
            symbol,
            period="1d",
            count=60,
            adjust=adjust,
            to_dataframe=True,
        )

        if df.empty:
            raise ValueError(f"{symbol} 未获取到 {adjust} 数据")

        required_columns = {"trade_date", "close"}
        missing = required_columns - set(df.columns)
        if missing:
            raise ValueError(f"缺少字段: {missing}")

        result = df[["trade_date", "close"]].copy()
        result["trade_date"] = pd.to_datetime(result["trade_date"])
        result = result.sort_values("trade_date")
        result = result.rename(columns={"close": f"close_{adjust}"})

        return result

    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 EnvironmentError(
            "请先设置环境变量 QUANTDASH_API_KEY"
        )

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

    try:
        none_df = get_close_series(qd, symbol, "none")
        forward_df = get_close_series(qd, symbol, "forward")
        backward_df = get_close_series(qd, symbol, "backward")

        df = none_df.merge(forward_df, on="trade_date", how="inner")
        df = df.merge(backward_df, on="trade_date", how="inner")

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

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


if __name__ == "__main__":
    main()


我实际做这种比较时，很少直接肉眼判断哪个价格“对”。

我的方法是先把三种序列放到一起，然后针对策略真正使用的指标进行验证。

2. 我再比较不同复权方式计算出来的区间收益率

如果目标是计算价格序列的收益率，我会特别关注比例复权。

import os
from quantdash import QuantDash


def calculate_return(qd, symbol, adjust):
    try:
        df = qd.klines.get(
            symbol,
            period="1d",
            count=250,
            adjust=adjust,
            to_dataframe=True,
        )

        if df.empty or len(df) < 2:
            raise ValueError("有效 K 线数量不足")

        first_close = float(df["close"].iloc[0])
        last_close = float(df["close"].iloc[-1])

        if first_close == 0:
            raise ZeroDivisionError("起始价格不能为 0")

        return last_close / first_close - 1

    except Exception as exc:
        print(f"{adjust} 收益率计算失败: {exc}")
        return None


def main():
    if not os.getenv("QUANTDASH_API_KEY"):
        raise EnvironmentError(
            "请设置 QUANTDASH_API_KEY 环境变量"
        )

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

    for adjust in ["none", "forward", "backward"]:
        result = calculate_return(qd, symbol, adjust)

        if result is None:
            print(f"{adjust}: 无结果")
        else:
            print(f"{adjust}: {result:.2%}")


if __name__ == "__main__":
    main()


我特别建议不要看到三个结果不同，就马上判断“数据有问题”。

恰恰相反，这种差异通常说明我们必须先定义研究口径。

我后来把复权方式选择总结成三个工程原则。

避坑一：做收益率和动量，我优先使用比例前复权

因为我的重点是价格变化的连续性。

避坑二：研究历史成交价格，我不会直接使用前复权

如果我需要模拟某一天到底以什么价格成交，前复权价格就不应该被当成真实成交价。

这也是我见过比较严重的一类回测错误：

策略研究使用复权价格，交易模拟却直接把复权价格当作成交价格。

避坑三：不要把前复权和后复权混着使用

我现在的数据工程里，会明确把复权方式写进数据处理配置，而不是让不同策略开发者自行决定。

这种规则看起来简单，却能避免大量隐蔽的数据污染。

我现在越来越倾向于把复权看成“研究口径”，而不是“行情数据格式”。

前复权、后复权和不复权没有绝对意义上的优劣。真正重要的是，我必须先明确自己研究的是收益率、趋势，还是历史真实成交价格。

我在使用 QuantDash 时，会直接通过 K 线接口的 adjust 参数选择数据口径，并尽量让这个选择固定在数据层，而不是到了策略层才临时处理。对量化系统来说，我认为“数据口径显式化”比“代码写得更复杂”重要得多。

Q1：我做股票动量策略时，应该选择哪种复权？

A：我通常优先使用比例前复权。因为我的目标是比较连续价格变化，并计算历史收益率，而不是还原某一天的实际成交价格。

Q2：后复权是不是比前复权更真实？

A：我不会这样判断。后复权和前复权只是采用了不同的价格基准。如果我的研究问题不同，两者都可能有价值。

股票前复权和后复权到底有什么区别？我用一次量化回测把它彻底讲清楚

编程语言

量化实盘中选错复权方式会导致收益率计算偏差。前复权让历史价格贴近当前体系，适合动量因子和收益率计算；后复权调整后续价格至历史基准；不复权保留真实成交价。本文对比三种价格序列的收益率差异，提供Python代码实战，并给出选择指南：因子计算用比例前复权，交易模拟用不复权价格。

数据接口

数据处理

数据流

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！

股票前复权和后复权到底有什么区别？我用一次量化回测把它彻底讲清楚

股票前复权和后复权到底有什么区别？我用一次量化回测把它彻底讲清楚

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