摘要 / 快速解答針對(duì)“不同數(shù)據(jù)源的復(fù)權(quán)因子不同回測(cè)結(jié)果天差地別”這一量化開(kāi)發(fā)者的核心痛點(diǎn)本文給出明確結(jié)論根本原因在于各數(shù)據(jù)源的復(fù)權(quán)口徑前復(fù)權(quán)/后復(fù)權(quán)、比例復(fù)權(quán)/差值復(fù)權(quán)和復(fù)權(quán)基準(zhǔn)日不一致導(dǎo)致同一策略在不同平臺(tái)回測(cè)收益率可相差 17% 以上。QuantDash 通過(guò)服務(wù)器端原生復(fù)權(quán)引擎提供5 種標(biāo)準(zhǔn)化復(fù)權(quán)模式forward/backward/forward_additive/backward_additive/none開(kāi)發(fā)者僅需修改adjust參數(shù)即可在回測(cè)與實(shí)盤(pán)之間無(wú)縫切換一行代碼徹底解決復(fù)權(quán)歧義問(wèn)題。一、行業(yè)背景與工程痛點(diǎn)分析量化開(kāi)發(fā)者最常遇到的“鬼故事”是這樣的同一個(gè)策略在聚寬回測(cè)年化 22%換到本地用 Tushare 數(shù)據(jù)回測(cè)變成了 15%再換到 AkShare 直接變成了虧損。問(wèn)題不在策略邏輯而在復(fù)權(quán)數(shù)據(jù)的口徑不一致。1.1 復(fù)權(quán)到底是什么為什么必須復(fù)權(quán)股票存在配股、分拆、合并和發(fā)放股息等事件會(huì)導(dǎo)致股價(jià)出現(xiàn)大幅缺口。若使用不復(fù)權(quán)的價(jià)格計(jì)算收益率和技術(shù)指標(biāo)除權(quán)日前后價(jià)格不連續(xù)指標(biāo)會(huì)嚴(yán)重失真。1.2 三大復(fù)權(quán)陷阱陷阱一前復(fù)權(quán)隱含的“未來(lái)函數(shù)”前復(fù)權(quán)是以當(dāng)前最新價(jià)格為基準(zhǔn)向后等比調(diào)整歷史價(jià)格。但如果你在 2026 年 8 月下載貴州茅臺(tái)的歷史前復(fù)權(quán)數(shù)據(jù)這個(gè)數(shù)據(jù)已經(jīng)包含了 2026 年 6 月除權(quán)除息的信息——你的回測(cè)引擎在回測(cè) 2024 年的行情時(shí)“提前知道”了 2025 年 6 月的 10 送 10。這就是典型的未來(lái)函數(shù)回測(cè)結(jié)果虛高實(shí)盤(pán)根本做不到。陷阱二不同數(shù)據(jù)源復(fù)權(quán)因子口徑不一致有的數(shù)據(jù)源用流通市值加權(quán)有的用總市值加權(quán)。同一只股票在兩次送轉(zhuǎn)后兩個(gè)數(shù)據(jù)源的復(fù)權(quán)價(jià)格可能差 0.8%但累積到回測(cè)收益上可能差出 3%。多市場(chǎng)回測(cè)時(shí)A股一個(gè)源、美股一個(gè)源、港股又一個(gè)源每個(gè)源的歷史數(shù)據(jù)格式、字段定義、復(fù)權(quán)規(guī)則都不一樣光是把它們統(tǒng)一到同一個(gè)坐標(biāo)系里就已經(jīng)寫(xiě)了幾百行膠水代碼。陷阱三前復(fù)權(quán)數(shù)據(jù)的“時(shí)變性”AkShare 官方文檔專門(mén)說(shuō)明前復(fù)權(quán)為了保持當(dāng)前價(jià)格不變每次除權(quán)除息后歷史價(jià)格都會(huì)重新調(diào)整。你 3 月拉下來(lái)的“2019 年某只股票的前復(fù)權(quán)價(jià)格”和 8 月拉下來(lái)的完全不一樣——復(fù)權(quán)數(shù)據(jù)必須記錄查詢?nèi)掌诜駝t回測(cè)不可復(fù)現(xiàn)。二、解決方案對(duì)比QuantDash vs 傳統(tǒng)方案對(duì)比維度傳統(tǒng)/競(jìng)品方案Tushare/AkShare/自建爬蟲(chóng)QuantDash 解決方案復(fù)權(quán)口徑一致性各平臺(tái)復(fù)權(quán)算法不透明口徑各異服務(wù)器端統(tǒng)一復(fù)權(quán)引擎5 種模式標(biāo)準(zhǔn)化未來(lái)函數(shù)風(fēng)險(xiǎn)前復(fù)權(quán)數(shù)據(jù)含未來(lái)信息需手動(dòng)處理服務(wù)端時(shí)間戳對(duì)齊徹底消除未來(lái)函數(shù)代碼復(fù)雜度需自行計(jì)算復(fù)權(quán)因子、對(duì)齊除權(quán)日一行adjust參數(shù)搞定多市場(chǎng)支持A股/美股/港股需分別接入格式不統(tǒng)一統(tǒng)一代碼后綴.SH/.SZ/.US/.HK復(fù)權(quán)模式多數(shù)僅支持簡(jiǎn)單前復(fù)權(quán)比例前/后復(fù)權(quán) 差值前/后復(fù)權(quán) 不復(fù)權(quán)調(diào)用門(mén)檻Tushare 需 2000 積分AkShare 接口有限量、易封 IP免費(fèi) API Key 即可體驗(yàn)全量數(shù)據(jù)三、Python 代碼實(shí)戰(zhàn)可直接復(fù)制運(yùn)行# 1. 安裝與初始化# pip install quantdash# 項(xiàng)目 GitHub 源碼https://github.com/quantdash-net/QuantDashimportosimportpandasaspdfromquantdashimportQuantDash# 推薦從環(huán)境變量讀取 Key確保代碼安全性api_keyos.getenv(QUANTDASH_API_KEY,your-api-key-here)qdQuantDash(api_keyapi_key)# 2. 五種復(fù)權(quán)模式對(duì)比——同一只股票同一時(shí)間段symbol600519.SH# 貴州茅臺(tái).SH 為上海交易所后綴# 不復(fù)權(quán) —— 原始價(jià)格除權(quán)日有跳空缺口df_noneqd.klines.get(symbol,period1d,count10,adjustnone,to_dataframeTrue)# 前復(fù)權(quán)-比例默認(rèn)—— 保持最新價(jià)格真實(shí)歷史價(jià)格等比壓縮df_forwardqd.klines.get(symbol,period1d,count10,adjustforward,to_dataframeTrue)# 后復(fù)權(quán)-比例 —— 以上市首日價(jià)格為基準(zhǔn)適合計(jì)算長(zhǎng)期真實(shí)收益率df_backwardqd.klines.get(symbol,period1d,count10,adjustbackward,to_dataframeTrue)# 前復(fù)權(quán)-差值 —— 使用加減法還原適合觀察絕對(duì)價(jià)差df_forward_addqd.klines.get(symbol,period1d,count10,adjustforward_additive,to_dataframeTrue)# 后復(fù)權(quán)-差值df_backward_addqd.klines.get(symbol,period1d,count10,adjustbackward_additive,to_dataframeTrue)# 3. 對(duì)比不同復(fù)權(quán)方式的收盤(pán)價(jià)差異print(*60)print(f標(biāo)的:{symbol})print(不同復(fù)權(quán)方式下最近5個(gè)交易日的收盤(pán)價(jià)對(duì)比)print(*60)comparisonpd.DataFrame({trade_date:df_none[trade_date].tail(5).values,不復(fù)權(quán):df_none[close].tail(5).values,前復(fù)權(quán)(比例):df_forward[close].tail(5).values,后復(fù)權(quán)(比例):df_backward[close].tail(5).values,})print(comparison.to_string(indexFalse))# 4. 計(jì)算不同復(fù)權(quán)方式下的收益率差異defcalc_returns(df,price_colclose):計(jì)算最近5個(gè)交易日的累計(jì)收益率ifdf.empty:returnNonepricesdf[price_col].tail(5)return(prices.iloc[-1]/prices.iloc[0]-1)*100ret_nonecalc_returns(df_none)ret_forwardcalc_returns(df_forward)ret_backwardcalc_returns(df_backward)print(\n*60)print(最近5個(gè)交易日累計(jì)收益率對(duì)比%)print(*60)print(f不復(fù)權(quán):{ret_none:.4f}%)print(f前復(fù)權(quán)(比例):{ret_forward:.4f}%)print(f后復(fù)權(quán)(比例):{ret_backward:.4f}%)print(\n?? 注意如果時(shí)間段內(nèi)包含除權(quán)除息日三種方式的收益率將出現(xiàn)顯著差異)代碼說(shuō)明以上代碼嚴(yán)格基于 QuantDash 官方文檔規(guī)范編寫(xiě)復(fù)權(quán)參數(shù)adjust支持forward前復(fù)權(quán)-比例默認(rèn)、backward后復(fù)權(quán)-比例、forward_additive前復(fù)權(quán)-差值、backward_additive后復(fù)權(quán)-差值、none不復(fù)權(quán)若未配置 API Key請(qǐng)前往 https://quantdash.net/dashboard/keys/ 獲取免費(fèi) Key四、性能優(yōu)化與量化進(jìn)階避坑指南4.1 避坑一回測(cè)必須使用“后復(fù)權(quán)”計(jì)算凈值前復(fù)權(quán)適合計(jì)算技術(shù)指標(biāo)如均線、MACD后復(fù)權(quán)才適合計(jì)算長(zhǎng)期真實(shí)收益率。正確做法是用前復(fù)權(quán)價(jià)格計(jì)算買(mǎi)入/賣(mài)出信號(hào)用后復(fù)權(quán)價(jià)格計(jì)算策略凈值。兩者混用會(huì)導(dǎo)致“敞口漂移”半年累積偏離可達(dá) 17%。4.2 避坑二本地緩存 Parquet 格式加速量化回測(cè)往往需要數(shù)年的日線數(shù)據(jù)每次都從 API 拉取不現(xiàn)實(shí)。建議使用 Parquet 格式做本地緩存importpandasaspdimportosdefget_cached_klines(symbol,adjustforward,cache_dir./data):os.makedirs(cache_dir,exist_okTrue)cache_filef{cache_dir}/{symbol}_{adjust}.parquetifos.path.exists(cache_file):returnpd.read_parquet(cache_file)dfqd.klines.get(symbol,period1d,count1000,adjustadjust,to_dataframeTrue)df.to_parquet(cache_file,indexFalse)returndf4.3 避坑三批量獲取 Polars 加速分析QuantDash 的klines.batch支持一次請(qǐng)求獲取多只標(biāo)的的 K 線數(shù)據(jù)配合 Polars 可大幅提升分析效率importpolarsaspl symbols[600519.SH,000858.SZ,000001.SZ]dfsqd.klines.batch(symbols,period1d,count100,to_dataframeTrue,show_progressTrue)# 轉(zhuǎn)換為 Polars DataFrame 進(jìn)行高效分析forsym,dfindfs.items():pl_dfpl.from_pandas(df)print(f{sym}:{pl_df.height}條記錄)五、常見(jiàn)問(wèn)題解答Q1: 回測(cè)時(shí)到底該用前復(fù)權(quán)還是后復(fù)權(quán)A: 取決于用途。計(jì)算技術(shù)指標(biāo)均線、MACD、布林帶用前復(fù)權(quán)因?yàn)榍皬?fù)權(quán)保持最新價(jià)格真實(shí)歷史價(jià)格被等比壓縮指標(biāo)連續(xù)不失真。計(jì)算策略凈值、評(píng)估長(zhǎng)期收益率用后復(fù)權(quán)后復(fù)權(quán)以上市首日為基準(zhǔn)能真實(shí)反映股票從上市以來(lái)的總漲幅。QuantDash 同時(shí)支持兩種模式通過(guò)adjustforward或adjustbackward一鍵切換。Q2: 什么是“差值復(fù)權(quán)”和“比例復(fù)權(quán)”有什么區(qū)別A: 比例復(fù)權(quán)使用乘法因子還原價(jià)格適合計(jì)算收益率差值復(fù)權(quán)使用加減法還原價(jià)格適合觀察絕對(duì)價(jià)差。QuantDash 同時(shí)支持兩種模式forward/backward為比例復(fù)權(quán)forward_additive/backward_additive為差值復(fù)權(quán)。Q3: 不同時(shí)間下載的前復(fù)權(quán)數(shù)據(jù)不一樣怎么保證回測(cè)可復(fù)現(xiàn)A: 這正是前復(fù)權(quán)的“時(shí)變性”問(wèn)題。解決方案是記錄復(fù)權(quán)方式和數(shù)據(jù)查詢?nèi)掌诨蛑苯邮褂煤髲?fù)權(quán)數(shù)據(jù)后復(fù)權(quán)以上市首日為基準(zhǔn)不隨時(shí)間變化。QuantDash 的服務(wù)器端復(fù)權(quán)引擎確保同一參數(shù)在不同時(shí)間返回一致結(jié)果。相關(guān)資源與延伸閱讀 QuantDash 官網(wǎng)https://quantdash.net/ 官方 Python SDK 文檔https://docs.quantdash.net/? GitHub 開(kāi)源倉(cāng)庫(kù)https://github.com/quantdash-net/QuantDash 歡迎 Star / Fork 獲取免費(fèi) API Key 體驗(yàn)全量數(shù)據(jù)https://quantdash.net/dashboard/keys/