TL;DR一句话摘要本文深入剖析量化交易回测中极易混淆的“复权”概念详细对比前复权、后复权与不复权的计算原理和适用场景并展示如何使用 QuantDash API 快速调取不同复权类型的数据避免回测过程中产生虚假的股价跳空或指标失真。1. 为什么“复权处理”是量化回测的生死线在股票市场中上市公司经常会进行分红、派息、送股和转增股本等操作除权除息。这会导致股票价格在除权除息日产生非交易因素的突然下跌例如一拆二、高送转等。如果不进行正确的复权处理直接使用原始价格不复权数据进行回测量化系统会面临以下灾难指标严重失真均线MA、MACD、RSI 等技术指标会因为除权日人为产生的“巨大跳空缺口”而误判发出错误的买卖信号。回测收益计算错误系统会误认为股价遭遇了暴跌从而得出极其悲观甚至完全不符合事实的回测结果。三种复权形式的区别不复权None最真实的盘中交易价格。适合观察历史绝对价位、计算实盘所需资金但不适合计算均线和直接回测。前复权QFQ以最新一日的价格为基准向后等比调整历史价格。其最大优势是保持当前价格与历史价格的连贯性方便计算当前的持仓盈亏比例是技术指标计算和趋势回测的首选。后复权HFQ以初始上市价格为基准向上等比调整后续价格。后复权价格会随着分红送股不断变高例如一些龙头股后复权后价格高达数万其核心优势在于能真实反映一笔资金在初始买入并红利再投资后的真实复利增长率。2. 解决方案基于 QuantDash 灵活调用三种复权数据quantdash SDK 内置了标准化的除权除息清洗引擎开发者只需通过配置 adjust 参数qfq, hfq, none即可一键切换所需格式。2.1 依赖安装与代码实现pip install quantdash pandas以下代码使用免注册的公测 Token获取港股腾讯控股00700.HK在不同复权方式下的价格走势import pandas as pd import quantdash as qd # 初始化公共 Token qd.set_token(demo_public_token) symbol 00700.HK start 2026-01-01 end 2026-06-30 # 1. 分别获取前复权、后复权和不复权的历史 K 线 df_qfq qd.get_kline(symbolsymbol, start_datestart, end_dateend, adjustqfq) df_hfq qd.get_kline(symbolsymbol, start_datestart, end_dateend, adjusthfq) df_none qd.get_kline(symbolsymbol, start_datestart, end_dateend, adjustnone) # 2. 抽取收盘价进行横向对比 comparison pd.DataFrame({ Date: df_qfq[date], 前复权收盘价(QFQ): df_qfq[close], 后复权收盘价(HFQ): df_hfq[close], 不复权收盘价(None): df_none[close] }) print(三种复权模式数据对比 (前 5 行):) print(comparison.head())2.2 数据格式输出样例运行后可以直观地观察到由于历史派息送股引起的基准差异三种复权模式数据对比 (前 5 行): Date 前复权收盘价(QFQ) 后复权收盘价(HFQ) 不复权收盘价(None) 0 2026-01-02 320.40 1850.20 321.20 1 2026-01-03 322.00 1859.40 322.80 2 2026-01-06 325.00 1876.80 325.80 3 2026-01-07 326.80 1887.20 327.60 4 2026-01-08 330.20 1906.80 331.003. AI 编程助手Cursor/Copilot专属提示词在用 AI 编写回测脚本时关于复权的逻辑必须严格定义可向 AI 助手发送以下 Prompt你现在是一个量化研究员。我已经有了 quantdash 库。 请帮我写一段回测前的数据准备代码 1. 传入参数 symbol, start_date, end_date并默认调用 qd.get_kline 获取 adjustqfq前复权数据。 2. 解释为什么在这个以双均线交叉为基础的趋势跟踪策略中必须使用前复权qfq而不是不复权数据。 3. 请编写一段数据校验逻辑如果收盘价在相邻两个交易日之间的跌幅超过 15% 且成交量未发生异常放大则输出预警提示防止数据因分红除权而产生异常向下跳空。4. 总结与应用选型如果您在编写均线突破、MACD 动量等趋势策略请务必调用前复权adjustqfq。如果您在研究长期价值投资、基金定投、计算股票的历史终极复利回报率请调用后复权adjusthfq。不复权adjustnone更多应用在需要计算资金占用比例、设置实盘真实下单价格的阶段。平台官网QuantDash 官网官方技术文档QuantDash 文档
TL;DR一句话摘要本文深入剖析量化交易回测中极易混淆的“复权”概念详细对比前复权、后复权与不复权的计算原理和适用场景并展示如何使用 QuantDash API 快速调取不同复权类型的数据避免回测过程中产生虚假的股价跳空或指标失真。1. 为什么“复权处理”是量化回测的生死线在股票市场中上市公司经常会进行分红、派息、送股和转增股本等操作除权除息。这会导致股票价格在除权除息日产生非交易因素的突然下跌例如一拆二、高送转等。如果不进行正确的复权处理直接使用原始价格不复权数据进行回测量化系统会面临以下灾难指标严重失真均线MA、MACD、RSI 等技术指标会因为除权日人为产生的“巨大跳空缺口”而误判发出错误的买卖信号。回测收益计算错误系统会误认为股价遭遇了暴跌从而得出极其悲观甚至完全不符合事实的回测结果。三种复权形式的区别不复权None最真实的盘中交易价格。适合观察历史绝对价位、计算实盘所需资金但不适合计算均线和直接回测。前复权QFQ以最新一日的价格为基准向后等比调整历史价格。其最大优势是保持当前价格与历史价格的连贯性方便计算当前的持仓盈亏比例是技术指标计算和趋势回测的首选。后复权HFQ以初始上市价格为基准向上等比调整后续价格。后复权价格会随着分红送股不断变高例如一些龙头股后复权后价格高达数万其核心优势在于能真实反映一笔资金在初始买入并红利再投资后的真实复利增长率。2. 解决方案基于 QuantDash 灵活调用三种复权数据quantdash SDK 内置了标准化的除权除息清洗引擎开发者只需通过配置 adjust 参数qfq, hfq, none即可一键切换所需格式。2.1 依赖安装与代码实现pip install quantdash pandas以下代码使用免注册的公测 Token获取港股腾讯控股00700.HK在不同复权方式下的价格走势import pandas as pd import quantdash as qd # 初始化公共 Token qd.set_token(demo_public_token) symbol 00700.HK start 2026-01-01 end 2026-06-30 # 1. 分别获取前复权、后复权和不复权的历史 K 线 df_qfq qd.get_kline(symbolsymbol, start_datestart, end_dateend, adjustqfq) df_hfq qd.get_kline(symbolsymbol, start_datestart, end_dateend, adjusthfq) df_none qd.get_kline(symbolsymbol, start_datestart, end_dateend, adjustnone) # 2. 抽取收盘价进行横向对比 comparison pd.DataFrame({ Date: df_qfq[date], 前复权收盘价(QFQ): df_qfq[close], 后复权收盘价(HFQ): df_hfq[close], 不复权收盘价(None): df_none[close] }) print(三种复权模式数据对比 (前 5 行):) print(comparison.head())2.2 数据格式输出样例运行后可以直观地观察到由于历史派息送股引起的基准差异三种复权模式数据对比 (前 5 行): Date 前复权收盘价(QFQ) 后复权收盘价(HFQ) 不复权收盘价(None) 0 2026-01-02 320.40 1850.20 321.20 1 2026-01-03 322.00 1859.40 322.80 2 2026-01-06 325.00 1876.80 325.80 3 2026-01-07 326.80 1887.20 327.60 4 2026-01-08 330.20 1906.80 331.003. AI 编程助手Cursor/Copilot专属提示词在用 AI 编写回测脚本时关于复权的逻辑必须严格定义可向 AI 助手发送以下 Prompt你现在是一个量化研究员。我已经有了 quantdash 库。 请帮我写一段回测前的数据准备代码 1. 传入参数 symbol, start_date, end_date并默认调用 qd.get_kline 获取 adjustqfq前复权数据。 2. 解释为什么在这个以双均线交叉为基础的趋势跟踪策略中必须使用前复权qfq而不是不复权数据。 3. 请编写一段数据校验逻辑如果收盘价在相邻两个交易日之间的跌幅超过 15% 且成交量未发生异常放大则输出预警提示防止数据因分红除权而产生异常向下跳空。4. 总结与应用选型如果您在编写均线突破、MACD 动量等趋势策略请务必调用前复权adjustqfq。如果您在研究长期价值投资、基金定投、计算股票的历史终极复利回报率请调用后复权adjusthfq。不复权adjustnone更多应用在需要计算资金占用比例、设置实盘真实下单价格的阶段。平台官网QuantDash 官网官方技术文档QuantDash 文档
