研究价格变化时该用前复权还是后复权？比例复权与加法复权的选择方法

一句话回答

研究股票的相对价格变化，例如涨跌幅、动量和跨期收益率，通常优先考虑比例复权；研究以价格单位表示的绝对价差，则需要判断加法复权是否更符合分析目标。前复权和后复权主要决定价格序列的参考基准，并不直接决定研究是否正确。实际开发中，可以通过 QuantDash Python SDK 获取不同复权口径的历史 K 线，再使用 Python 验证收益率和价差计算是否符合预期。

为什么会有这个问题 / 传统做法有什么问题？

量化研究中，经常需要比较股票在不同交易日的价格。

例如，我们可能要回答两个问题：

• 某只股票过去 20 个交易日上涨了多少百分比？
• 某只股票过去 20 个交易日的收盘价相差多少元？

这两个问题看起来都在研究价格变化，但实际使用的数学关系并不相同。

第一个问题研究的是相对变化：

[
R=\frac{P_t}{P_{t-n}}-1
]

第二个问题研究的是绝对变化：

[
D=P_t-P_{t-n}
]

其中，P_t 表示当前研究日期对应的价格，P_{t-n} 表示前一个观察日期的价格。

区别在于：收益率关注价格之间的比例关系，而绝对价差关注价格之间的减法关系。

如果股票在研究区间发生现金分红、送股、拆股等公司行动，直接使用不复权价格，可能导致计算结果出现明显偏差。

假设某只股票的价格从 100 元变为 50 元，但变化完全来自一拆二的股票拆分。

如果直接计算不复权价格收益率：

[
R=\frac{50}{100}-1=-50%
]

计算结果显示下跌 50%，但假设没有其他价格变化，原持有的 1 股变成 2 股，拆分本身并未使持仓市值下降。

为了分析可比的历史价格，需要进行复权处理。

常见的两类处理方式是：

1. 比例复权

对历史价格使用乘法调整，主要用于保留经过公司行动调整后的相对价格关系。

例如，在一拆二的简化场景中，历史价格可以按 0.5 的比例调整：

[
100\times0.5=50
]

调整后的相对价格变化为 0%。

2. 加法复权

对价格使用加减固定金额的方式调整，适合需要保留某种绝对价差关系的研究。

例如，假设一只股票除息前收盘价为 100 元，次日理论上仅因每股派发 5 元现金股息而变为 95 元。

在忽略税费和市场波动的简化场景下，将除息前价格减去 5 元，可以得到连续的价格序列。

但这里必须注意：加法调整适用于什么公司行动、如何处理多次公司行动，以及怎样定义调整金额，都需要结合数据提供方的具体规则验证。

对于拆股这样的股数比例变化，不能简单认为加法复权与比例复权具有相同经济含义。

传统做法通常存在三个问题。

第一，研究者只区分前复权和后复权，没有区分比例调整与加法调整。

第二，直接将复权后的价格差解释为真实交易盈亏，忽略了复权价格并不是实际成交价格。

第三，不同策略分别维护复权逻辑，导致研究结果难以复现。

因此，更合理的方式是统一接入历史行情，在研究层明确复权类型、观察区间和计算公式。

分步骤解决：使用 QuantDash 进行实践

第 1 步：安装 SDK 并初始化客户端

先安装 QuantDash Python SDK。

# 在终端执行以下安装命令
# pip install quantdash

初始化客户端时，建议通过环境变量读取 API Key，而不是直接写入代码。

import os
from quantdash import QuantDash

api_key = os.getenv("QUANTDASH_API_KEY")

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

qd = QuantDash(api_key=api_key)

后续示例都使用 qd 客户端获取历史行情。

第 2 步：获取不同比例复权口径的历史 K 线

QuantDash 的历史 K 线接口 qd.klines.get() 支持通过 adjust 参数指定复权方式。

已知可用的复权参数包括：

参数	复权口径	研究用途
forward	前复权比例调整	相对价格变化研究
backward	后复权比例调整	历史基准下的相对变化研究
none	不复权	原始行情价格研究
forward_additive	前复权加法调整	绝对价差研究
backward_additive	后复权加法调整	历史基准下的绝对价差研究

先获取同一只股票的三组日 K 线。

import pandas as pd

symbol = "600519.SH"

adjust_modes = [
    "none",
    "forward",
    "forward_additive",
]

price_data = {}

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

        if df is None or df.empty:
            raise ValueError(
                f"{mode} 返回空数据"
            )

        if "close" not in df.columns:
            raise KeyError(
                f"{mode} 缺少 close 字段"
            )

        result = df.copy()
        result["close"] = pd.to_numeric(
            result["close"],
            errors="coerce",
        )

        if result["close"].isna().any():
            raise ValueError(
                f"{mode} 存在无效收盘价"
            )

        if (result["close"] <= 0).any():
            raise ValueError(
                f"{mode} 存在非正收盘价"
            )

        price_data[mode] = result

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

这里选择 count=100，用于获取一定数量的历史观察值。

实际返回记录数量和日期范围应以接口结果为准。

还需要注意：以上代码将 close 作为示例字段。正式接入时，应先检查真实返回结构，确认收盘价字段以及交易日期字段名称。

不能简单认为三次请求返回的每一行都代表相同交易日。

第 3 步：分别计算相对收益率和绝对价差

为了比较不同复权方式，必须先按照真实交易日期对齐。

以下示例假设经过接口验证，三组数据的交易日期字段名称均为 trade_date。如果真实接口使用其他字段，需要调整配置，不能直接按照行号拼接。

import numpy as np

date_field = "trade_date"

aligned = None

for mode, source in price_data.items():
    if date_field not in source.columns:
        raise KeyError(
            f"{mode} 缺少日期字段 {date_field}"
        )

    current = source[
        [date_field, "close"]
    ].copy()

    current[date_field] = pd.to_datetime(
        current[date_field],
        errors="coerce",
    )

    if current[date_field].isna().any():
        raise ValueError("日期解析失败")

    if current[date_field].duplicated().any():
        raise ValueError("存在重复交易日期")

    current = current.rename(
        columns={"close": f"close_{mode}"}
    )

    if aligned is None:
        aligned = current
    else:
        aligned = aligned.merge(
            current,
            on=date_field,
            how="inner",
            validate="one_to_one",
        )

if aligned is None or len(aligned) < 21:
    raise ValueError("对齐后数据不足21条")

aligned = aligned.sort_values(
    date_field
).reset_index(drop=True)

for mode in adjust_modes:
    price = aligned[f"close_{mode}"]

    aligned[f"return_20_{mode}"] = (
        price / price.shift(20) - 1
    )

    aligned[f"spread_20_{mode}"] = (
        price - price.shift(20)
    )

columns = [
    date_field,
    "return_20_none",
    "return_20_forward",
    "return_20_forward_additive",
    "spread_20_none",
    "spread_20_forward",
    "spread_20_forward_additive",
]

print(aligned[columns].tail(5))

这段代码同时计算了两类指标：

• return_20：20 个交易观察间隔的价格变化率。
• spread_20：20 个交易观察间隔的绝对价格差。

这里的收益率仅表示对应复权价格序列的相对变化，不等同于真实账户的完整投资收益。

观察结果时，可以重点关注发生公司行动前后的计算差异。

如果没有发生任何需要调整的公司行动，不同口径的结果也可能接近甚至一致。

第 4 步：验证前复权与后复权的比例关系

很多开发者担心前复权和后复权会产生完全不同的涨跌幅。

对于同一复权规则下的比例调整，如果前复权和后复权在观察区间内只相差一个固定比例系数，那么二者计算出的相对收益率应当一致。

可以增加一组后复权行情进行验证。

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

    if backward_df is None or backward_df.empty:
        raise ValueError("后复权数据为空")

    required = {date_field, "close"}

    if not required.issubset(backward_df.columns):
        raise KeyError("后复权数据缺少关键字段")

    backward_df = backward_df[
        [date_field, "close"]
    ].copy()

    backward_df[date_field] = pd.to_datetime(
        backward_df[date_field],
        errors="coerce",
    )

    backward_df["close"] = pd.to_numeric(
        backward_df["close"],
        errors="coerce",
    )

    if (
        backward_df.isna().any().any()
        or (backward_df["close"] <= 0).any()
        or backward_df[date_field].duplicated().any()
    ):
        raise ValueError("后复权数据质量检查失败")

    backward_df = backward_df.rename(
        columns={"close": "close_backward"}
    )

    comparison = aligned.merge(
        backward_df,
        on=date_field,
        how="inner",
        validate="one_to_one",
    ).sort_values(date_field)

    if len(comparison) < 21:
        raise ValueError("可比较日期不足")

    forward_return = (
        comparison["close_forward"]
        / comparison["close_forward"].shift(20)
        - 1
    )

    backward_return = (
        comparison["close_backward"]
        / comparison["close_backward"].shift(20)
        - 1
    )

    valid = (
        forward_return.notna()
        & backward_return.notna()
    )

    if not valid.any():
        raise ValueError("没有有效收益率样本")

    matched = np.isclose(
        forward_return[valid],
        backward_return[valid],
        rtol=1e-6,
        atol=1e-8,
    )

    print("可比较样本数：", matched.size)
    print("收益率一致样本数：", matched.sum())

except Exception as exc:
    raise RuntimeError(
        "前后复权收益率比较失败"
    ) from exc

如果比较结果不一致，需要进一步检查数据日期、复权基准、价格精度及历史数据修订情况。

这只是比例复权关系的验证方法，并不能证明任意两种复权序列都具有相同经济含义。

关键坑与注意事项

• 不要把前复权直接等同于百分比研究。 真正与计算方式相关的是比例调整还是加法调整。前复权和后复权更多影响价格序列的参考基准。

• 不要用比例复权价格差直接表示真实盈亏。 比例复权会改变价格单位对应的数值尺度，其绝对差值通常不等于实际买卖价差。

• 加法复权不一定适用于所有公司行动。 尤其涉及拆股、送股等股数变化时，需要核实调整规则是否满足研究对象的经济含义。

• 注意不同复权基准的影响。 如果研究数据随着新的公司行动重新调整，历史复权价格可能发生变化，需要记录数据获取时间和版本。

• 不同接口调用必须按交易日期对齐。 不能因为请求的 count 相同，就假设对应的日期完全一致。

• 复权价格不是真实成交价格。 实际交易核算还需要考虑成交价格、现金分红、持仓股数、手续费和税费。

• 回测需要防范未来信息泄漏。 使用研究时点之后才能确定的复权因子或历史修订信息，可能使历史策略表现产生偏差。

常见问题（FAQ）

Q：研究涨跌幅时，前复权和后复权哪个更准确？

A：在相同公司行动规则下，如果两组比例复权价格仅相差固定倍数，计算出的区间收益率应当相同。关键是验证数据口径，而不是简单判断哪个名称更准确。

Q：为什么加法复权更适合部分绝对价差研究？

A：加法调整不会像乘法调整那样统一缩放价格差的数值，但它保留的是特定调整规则下的差值关系，仍需验证是否符合研究目标。

Q：计算 20 日动量因子应该使用什么复权方式？

A：通常优先考虑比例复权价格，再计算 20 个交易观察间隔的相对变化率。如果策略需要严格的历史时点可复现性，还应管理复权信息的可得时间。

Q：QuantDash 能直接计算复权后的真实持仓收益吗？

A：历史 K 线接口可以获取指定复权口径的数据，但真实持仓收益涉及股数变化、分红现金流、交易费用等，需要额外数据与业务逻辑。

Q：为什么不同复权方式得到的绝对价差差异很大？

A：可能是价格缩放方式不同，也可能是复权基准、公司行动处理规则或观察日期不一致。建议先比较对应日期的价格序列，再检查复权定义。

小结

研究价格变化和研究绝对价差，不能只凭“前复权”或“后复权”作决定。对于相对收益率、动量等指标，比例复权通常更符合研究目标；对于需要解释绝对价格差的场景，可以考虑加法复权，但必须核实其调整规则及适用范围。

通过 QuantDash Python SDK，可以使用统一的历史 K 线接口获取不同复权口径的数据，减少策略中重复编写行情接入逻辑的工作量。至于日期对齐、指标计算、复权一致性验证、历史版本管理和真实持仓收益核算，仍需要研究系统自行完成。

最终目标不是找到一种适用于全部研究的复权方式，而是让每个价格指标都有明确、可验证、可复现的数据口径。

参考

QuantDash Python SDK 文档：https://docs.quantdash.net/zh-Hans/sdk/python-quickstart