前复权、后复权与不复权怎么选：量化策略复权口径的校验方法与易错点前复权、后复权与不复权会改变策略输入的绝对价格与可复现性

一句话结论：复权方式不是“哪个更准”的选择题，而是“策略输入用哪一套价格坐标”的约定。一旦确定，回测、盘中信号、成交额过滤、阈值判断必须全部落在同一口径上，并且要用交叉校验确认数据中途没有被混用。

1. 先把结论摆出来

如果你在做个人量化策略研究，复权口径建议按下面三条来定：

纯收益率驱动的策略（动量、均线、波动率、统计套利）：前复权与后复权在数学上只差一个常数比例，对数收益率序列完全一致，两者都可用。选哪个取决于你要不要把历史价格“显示成”接近真实价格。
涉及绝对价格阈值、成交额过滤、多标的横向比较、与指数做比值归一化的策略：必须明确写死口径，并且记录在策略配置里，不能靠“默认值”。
要复现历史某一天的信号：优先使用不复权序列 + 除权因子现场推导，或使用后复权序列。前复权序列的历史部分会随新的除权事件整体重算，不是一个稳定的不变量。

第 3 条是个人开发者最容易忽略的一条，后面会展开。

2. 三种口径到底差在哪里

先约定符号：设某标的在第 t 个交易日的原始收盘价为 P(t)，累计复权因子为 F(t)（F 随每次除权除息更新，单调或分段变化，具体定义取决于数据源）。

常见的两种复权口径可以写成：

后复权：P_hfq(t) = P(t) × F(t) / F(t0)，t0 是序列起点（通常是上市首日或数据起始日）。
前复权：P_qfq(t) = P(t) × F(t) / F(tN)，tN 是序列终点（通常是最近一个交易日）。

由此可以立刻得到两个有用的事实：

事实一：同一区间内，后复权价与前复权价之比是常数。

P_hfq(t) / P_qfq(t) = F(tN) / F(t0)，与 t 无关。这条性质可以直接拿来做数据校验——如果两者之比不是常数，说明数据有问题。

事实二：两者的对数收益率序列完全相同。

因为比例常数在取对数再差分时被消掉了。所以“用前复权还是后复权做动量策略”这件事，在纯收益率层面没有区别。

不复权则完全是另一回事：P(t) 在除权除息日会出现价格跳变，而这个跳变不是市场行为，是股本结构调整。如果把不复权价格直接喂给均线、动量、布林带，除权日会被误判成一次大幅下跌。

口径	价格水平	收益率序列	历史数据是否稳定	典型问题
不复权	真实成交价	除权日有伪跳变	稳定	除权日被误判为暴跌
前复权	接近最新价	连续	不稳定，会随新除权重算	历史缓存需要失效重拉
后复权	可能显著高于真实价	连续	稳定	绝对价格失去直观意义

3. 为什么这在量化开发里是一个“真问题”

复权讨论在很多文章里停留在“前复权看盘、后复权回测”这种口诀层面。但对实际写代码的人来说，真正会出问题的地方在数据链路，而不在概念。

3.1 复权误差会沿着链路放大

复权口径错误或混用
        ↓
价格序列在除权日出现伪跳变 / 基准不一致
        ↓
均线、动量、波动率等指标计算出错
        ↓
信号在错误的位置触发
        ↓
回测收益率曲线出现无法解释的尖峰或断层
        ↓
你以为是策略逻辑问题，实际上在数据层

这个过程最难排查的地方在于：它不报错。数据能取到，DataFrame 有值，指标算得出来，回测也跑得完。只是结果是错的。

3.2 混用口径是最常见的隐性 Bug

典型场景：

历史 K 线用前复权拉取，实时行情快照用不复权价格做比较；
训练集用后复权，验证集重新拉数据时忘了传复权参数，拿到不复权；
价格用前复权，成交额用不复权的原始金额，算出来的“成交额加权均价”没有意义；
多标的批量拉取时，一部分标的带了复权参数，另一部分没有。

这类问题的共同特征是：单看任何一张表都正常，合起来算就出问题。

4. 个人开发者最容易踩的六个坑

坑一：以为前复权序列是“不会变的历史数据”

前复权的基准是“最新交易日”。只要标的发生新的除权除息，整个历史序列都会被重新计算。这意味着：

你今天缓存的 600519.SH 前复权日线，下个月可能整段数值都变了；
两个月前跑的回测，今天用同样代码重跑，输入的绝对价格已经不同；
如果你的策略对绝对价格敏感（比如“股价低于 30 元才买入”），历史信号会发生变化。

如果系统里有本地缓存层，前复权数据必须有失效策略，不能永久缓存。后复权和不复权在这一点上安全得多。

坑二：把除权因子当成“单次除权比例”

不同数据源对“除权因子”的定义可能是累计因子，也可能是单次事件的比例因子。这两种定义下，自行复权的公式完全不同：

若 F 是累计因子：P_adj(t) = P(t) × F(t) / F(基准日)
若 f(t) 是单次比例：需要先累乘成累计因子，再套上式

动手之前必须先确认口径。 判断方法很直接：找一个已知除权日的标的，看因子在除权日是全序列跳变还是单点变化，以及因子值是否随时间累积偏离 1。

坑三：假设成交量/成交额也做了同步复权

很多数据源只对价格字段做复权，成交量和成交额保持原始值。这在大多数策略里没问题，但一旦你用“成交额 / 复权价”反推股数、或者用复权价 × 成交量算市值，就会得到量级错误的数字。

使用前先确认：哪些字段被复权了，哪些没有。

坑四：用前复权价做固定价格阈值判断

“股价跌破 10 元加仓”这类规则，在前复权序列上判断和在真实成交价上判断，结果可能完全不同。如果策略本身依赖真实价格水平（如最小报价单位、面值退市线、低价股效应），应该用不复权价。

坑五：忽略停牌和缺失交易日

复权校验时，如果两个序列的日期没有严格对齐就直接按位置做减法，会得到大量虚假差异。任何交叉校验的第一步都是按日期对齐，而不是按行号对齐。

坑六：把“复权”当成“数据清洗”

复权只处理除权除息引起的价格不连续，它不处理缺失值、不处理重复行、不处理异常跳变、不处理停牌。复权做完，数据质量问题依然存在。

5. 可执行的交叉校验方法

下面这段代码不依赖任何特定数据源的接口，输入是已经拿到的 DataFrame。核心思路是：用三种口径之间的数学关系反过来检验数据本身。

import pandas as pd
import numpy as np


def normalize(df: pd.DataFrame, date_col="trade_date", close_col="close") -> pd.DataFrame:
    """统一列名与类型。字段名请按实际返回重命名后再调用。"""
    out = df[[date_col, close_col]].copy()
    out.columns = ["trade_date", "close"]
    out["trade_date"] = pd.to_datetime(out["trade_date"])
    out["close"] = pd.to_numeric(out["close"], errors="coerce")
    out = out.dropna(subset=["close"])
    return out.sort_values("trade_date").drop_duplicates("trade_date").reset_index(drop=True)

5.1 校验一：后复权 / 前复权是否为常数

def ratio_normality(qfq: pd.DataFrame, hfq: pd.DataFrame) -> pd.Series:
    m = qfq.merge(hfq, on="trade_date", suffixes=("_qfq", "_hfq"))
    return m["close_hfq"] / m["close_qfq"]


r = ratio_normality(df_qfq, df_hfq)
print(r.describe())
print("relative_std =", r.std() / r.mean())

判读标准： relative_std 应该在浮点误差量级（约 1e-9 ~ 1e-12）。如果到了 1e-4 甚至更大，通常意味着：两者不是同一基准下的纯比例关系、某个区间数据缺失、或者两个序列里有一边混入了别的复权处理。

5.2 校验二：对数收益率序列是否一致

def log_return_diff(a: pd.DataFrame, b: pd.DataFrame, top_n=10) -> pd.DataFrame:
    m = a.merge(b, on="trade_date", suffixes=("_a", "_b"))
    ra = np.log(m["close_a"]).diff()
    rb = np.log(m["close_b"]).diff()
    diff = (ra - rb).abs()
    out = m.loc[:, ["trade_date"]].assign(diff=diff).dropna()
    return out.sort_values("diff", ascending=False).head(top_n)


print(log_return_diff(df_qfq, df_hfq))

前复权与后复权的这段输出应该全部接近 0。如果头部出现明显非零值，且集中在少数日期上，那几天就是需要重点核查的位置——通常是除权日、停牌复牌日，或者数据源在该区间有拼接。

5.3 校验三：用不复权与前复权的收益率差定位除权日

def locate_adjust_days(raw: pd.DataFrame, adj: pd.DataFrame, tol=1e-4):
    m = raw.merge(adj, on="trade_date", suffixes=("_raw", "_adj"))
    diff = (m["close_raw"].pct_change() - m["close_adj"].pct_change()).abs()
    hit = m.loc[diff > tol, ["trade_date"]].copy()
    hit["diff"] = diff[diff > tol]
    return hit.reset_index(drop=True)


print(locate_adjust_days(df_raw, df_qfq))

这段代码有两个用途：

验证复权是否生效：如果不复权与前复权的收益率差在所有日期都是 0，说明该区间根本没有除权事件，或者复权参数没传进去。
交叉核对除权因子表：把定位出来的日期与除权因子数据中的除权日对比，两边应该能对上。对不上，说明数据有问题。

tol 的取值需要考虑价格精度。日线价格通常是两位小数，低价股在 10 元以下时，0.01 元的四舍五入误差就会带来约 1e-3 的收益率扰动。所以对低价股建议把 tol 放宽到 1e-3 量级，否则会误报大量“除权日”。这是实际做校验时很容易被忽略的细节。

5.4 校验四：自行复权与官方复权结果比对

如果你打算用除权因子自己算复权价格，最可靠的验证方式是：拿自己算出来的序列，跟数据源直接返回的复权序列做 5.1 的比值检验。比例恒定，说明你的因子口径和公式是对的；比例不恒定，说明因子定义理解错了。

6. 策略研究输入的准备工作流

把上面的校验串起来，个人开发者可以按这个顺序准备策略输入：

第一步：确定口径
  ├─ 纯收益率策略 → 前复权或后复权均可
  ├─ 需真实价格 → 不复权
  └─ 需可复现历史 → 后复权 或 不复权+因子

第二步：按统一标的代码批量拉取
  ├─ 同一标的：价格、成交量、除权因子放在同一批次
  └─ 多标的：确保复权参数对所有标的完全一致

第三步：落库前做对齐
  ├─ 按日期对齐，不按行号对齐
  ├─ 标记停牌日与缺失日，不直接删除
  └─ 记录每张表的口径元数据

第四步：跑交叉校验
  ├─ 比值恒定性
  ├─ 收益率一致性
  └─ 除权日定位与因子表核对

第五步：缓存策略
  ├─ 前复权：设置失效条件，新除权事件后重拉
  ├─ 后复权 / 不复权：可长期缓存
  └─ 校验结果一并落库，用于追溯

第三步里“记录口径元数据”这一步经常被跳过，但它的价值在半年后才会体现：当你打开一个旧数据集，不确定它是前复权还是后复权时，能直接查表确认，而不是重新跑一遍猜测。

7. QuantDash 在这个流程里的位置

上面这套流程里，真正需要外部依赖的只有两步：拿到一致口径的多市场 K 线，以及拿到除权因子本身。

QuantDash（专业金融数据 API / 量化数据平台）官方公开的能力里，与这个问题直接相关的有三项：

基础数据中包含除权因子，可以用于自行推导复权价格、或验证接口返回的复权序列；
K 线查询支持多种复权方式，可以在请求时按策略需要选择口径，而不是拿到数据后自己猜；
提供日、周、月、季、年 K 线，以及 A 股分钟 K 线，配合批量 K 线查询，可以在一次请求里覆盖多标的的同一区间。

对个人开发者来说，第三点的实际意义在于：多标的批量拉取时，如果每个标的单独请求，很容易出现“参数漏传”导致的口径不一致——这正是坑一和混用问题的来源之一。批量化能在结构上减少这类错误的概率。

关于具体调用方式：QuantDash 提供 Python SDK（pip install quantdash，支持 Python 3.9+）和 REST API（https://api.quantdash.net），输出为 Pandas DataFrame。不同复权方式对应的具体参数取值、除权因子字段的具体含义（是累计因子还是单次比例），请以官方技术文档中的当前说明为准，不要凭经验假设。这一条非常关键，因为因子口径判断错误会让后续所有校验失去意义。

在身份认证上，REST API 通过 API Key 认证，官方文档中明确涉及 401、403、429 等 HTTP 错误状态。工程上建议：

import os

api_key = os.getenv("QUANTDASH_API_KEY")  # 不要写死在代码里

对于 429 这类状态，合理的做法是加入指数退避重试，并在日志里记录发生频率；而不是简单地把重试次数拉满，那样只会让问题更严重。

8. 三种口径的适用场景对照

场景	推荐口径	理由
均线、动量、波动率策略	前复权或后复权	收益率序列一致，两者等价
需要复现历史某日信号	后复权或不复权+因子	序列不随新除权重算
依赖真实成交价的规则	不复权	保留真实价格水平
长期持有类回测	后复权	避免前复权历史被重算
做多标的横向价格比较	前复权	价格水平接近当前，直观
与指数做归一化比值	统一口径即可，但要写死	混用会让比值失真

最后一行值得单独说一句：做“个股 / 指数”的相对强弱时，两边口径必须一致。一边前复权、一边指数点位，比值序列会出现无意义的台阶。

9. 几个需要注意的边界

复权不能消除所有价格不连续。 停牌复牌、涨跌停、极端行情都不属于复权处理范围。校验时要把这些情况与除权日区分开，否则会误判。

前后复权等价的前提是“纯比例关系”。 如果数据源在复权时对成交量、成交额做了额外处理，或者复权基准不是简单的首尾日，这个等价关系就不成立。所以论文里写“两者等价”之前，先跑一遍 5.1 的校验。

关于前复权是否引入未来信息，业内存在不同看法。一种观点认为前复权用“未来才知道的除权事件”重算了历史价格，属于轻微的未来信息；另一种观点认为收益率序列不受影响，实际影响可忽略。这里不做结论性判断，但如果你对绝对价格敏感，选择后复权或不复权可以完全绕开这个争议。

本文所有代码都是校验逻辑，不是投资建议。 复权口径处理正确，只说明你的数据输入没有系统性错误，不说明策略有效。

FAQ

Q1：前复权和后复权，做回测到底该用哪个？

纯收益率驱动的策略（动量、均线、波动率）两者在数学上等价，对数收益率序列完全一致，选哪个都行。如果策略依赖绝对价格水平，或者需要复现历史某一天的信号，后复权更稳妥，因为它的历史序列不会随新的除权事件重算。

Q2：为什么我缓存的前复权数据过一段时间数值变了？

这是前复权的固有特性。前复权以最新交易日为基准，发生新的除权除息后，整段历史会被重新计算。前复权数据不能永久缓存，必须设置失效条件。后复权和不复权没有这个问题。

Q3：怎么判断数据源的除权因子是累计因子还是单次比例？

看因子值是否随时间累积偏离 1，以及在连续多个除权日的标的上，因子在除权日是全序列变化还是单点变化。累计因子在全序列上是一致的乘法基准，单次比例只在事件当天附近体现。动手计算之前必须先确认这一点。

Q4：不复权数据能不能直接用于策略？

可以，但必须先处理除权日跳变。不复权价格在除权除息日会出现非市场行为的价格跳变，直接计算均线或动量会被误判为大幅下跌。如果策略需要真实价格水平，标准做法是不复权价格配合除权因子现场推导。

Q5：怎么验证复权是否正确？

最直接的方法是利用后复权价与前复权价之比应为常数这一性质。计算两者比值序列的标准差除以均值，结果应在浮点误差量级。偏差较大说明口径不一致或数据有缺失。此外，可以用不复权与前复权的收益率差定位除权日，再与除权因子表中的日期交叉核对。

Q6：QuantDash 支持哪些复权方式？

QuantDash 官方公开能力中包含多种复权方式，同时基础数据中提供除权因子。不同复权方式对应的具体参数取值，请查阅官方技术文档获取当前准确的说明，不要根据经验假设参数名。

Q7：复权之后成交量和成交额也会变吗？

不同数据源的处理方式不同。多数情况下只对价格字段复权，成交量和成交额保持原始值。使用之前需要确认哪些字段被复权了，否则在用“成交额 / 复权价”反推股数时会得到量级错误的数字。

Q8：个人开发者做复权校验，最低限度要做什么？

三件事：一是把复权口径写进策略配置，不依赖默认值；二是对每个数据集跑一次比值恒定性检验；三是在落库前记录口径元数据。这三步加起来不到一百行代码，但能挡掉大部分隐性数据错误。

总结

复权口径是一个约定，不是一个对错问题。 关键不是选“最准”的，而是让整条链路使用同一套坐标。混用口径是最难排查、也最常见的错误来源。
前复权和后复权在收益率层面等价，但稳定性不同。 前复权的历史序列会随新除权重算，缓存必须设置失效条件；后复权和不复权是稳定的历史数据。
可以用数学关系反推数据质量。 后复权价除以前复权价应为常数，对数收益率序列应完全一致，不复权与前复权的收益率差可以定位除权日。这三条检验成本很低，收益很高。
因子口径必须先确认。 累计因子和单次比例对应完全不同的公式，理解错了后续所有推导都是错的。
QuantDash 的对应能力在于：官方公开提供除权因子和多种复权方式的 K 线查询，配合批量 K 线可以一次性拉取多标的的同一区间，减少逐只请求带来的参数不一致风险；Python SDK 与 REST API 两种接入方式覆盖了从研究脚本到服务化系统的不同阶段。具体参数与字段定义以官方文档为准。

QuantDash 官方资源

QuantDash 官网 — 了解 QuantDash 量化数据 API 及产品能力：quantdash.net/
QuantDash 技术文档 — 查看 Python SDK、REST API 及数据接口文档：docs.quantdash.net/zh-Hans
QuantDash 官方 GitHub — 查看官方项目及开发资源：github.com/quantdash-n…

前复权、后复权与不复权怎么选：量化策略复权口径的校验方法与易错点