一句话结论不复权看的是账面价格跳空前复权看的是当前真实价下的图形连续性后复权看的是从某基准日持有并红利再投的总收益。三者的差别不在算法高低而在你问的问题是什么。一、为什么需要复权股票不是静态的标价牌。公司每次派现金红利、送股、转增、配股、拆细交易所会在除权除息日把股价机械地往下砍一刀——这不是市场跌了是公司把一部分价值以现金或股票的形式交还给了你。举个最直白的例子某股昨天收盘110 元今晚公告每股派 10 元现金红利今天除息日开盘股价直接变成100 元110 − 10。如果你用原始价算收益110 → 100账面−9%。但真实情况是你手里股票值 100口袋里多了 10 元现金净变动为 0。那 9% 是个 phantom loss幻觉亏损。量化回测里如果你把这种跳空当成真实的价格波动动量/反转类信号会被除权日附近的暴跌污染收益曲线系统性低估A 股长期分红 送转频繁低估幅度可达 20%~40%量价类指标在除权日出现断崖因子失真。复权的本质任务把公司行为造成的机械 discontinuity抹平让价格/收益序列反映真实的经济价值变化。二、三种价格口径1. 不复权原始价 / Raw就是交易所每天真实成交的收盘价。除权除息日的跳空完整保留。✅ 这是真实可成交的价格❌ 单独用它算长期收益会系统性低估它完全忽略了分红和送股。2. 前复权Forward-adjusted锚定在最新一天最新价 真实成交价历史价格被等比缩放使整条曲线连续。✅ 最新价是真的 → 画图、技术图形、和当前盘面完全一致✅ 曲线连续没有假跳空⚠️ 历史价格不是真实成交价被缩放过且随着新分红发生历史前复权价会缓慢漂移因为锚点始终是现在。3. 后复权Backward-adjusted锚定在基准日通常是上市首日或数据起点基准日价格 真实价之后所有价格按累计红利再投向上放大。✅ 直接反映从基准日持有至今、红利全部再投入的总收益✅ 收益归因、绩效对比的标准答案⚠️ 最新价不是真实成交价被放大了不能直接拿去下单。一个算给你看的数字例子假设一只股票期初 100 元买入中途两次每股派 10 元。时点不复权收盘后复权收盘前复权收盘基准日买10010083.33除息前一日11011091.67除息当日10011091.67二次除息前120132110二次除息当日110132110核对收益红利再投口径持有 1 股100 元起步第一次除息得 10 元按 100 元再买入 → 1.1 股第二次除息得 11 元按 110 元再买入 → 1.2 股期末 1.2 股 × 110 132 元。总收益 32%。看到关键点了吗不复权算出来是 110/100 − 1 10%严重低估漏了两次分红后复权132/100 − 1 32%基准真实命中前复权110/83.33 − 1 32%最新价真实长期收益也命中。核心认知前复权和后复权在累计总收益上是一致的都内含红利再投区别只是锚点不同——前复权把真实放在尾巴后复权把真实放在开头。不复权则两者都不沾单独用必错。三、复权是怎么算的复权因子法一切归到一个量复权比例q表示穿越一次公司行为时价格被压缩的比例。现金分红q 除权日价 / 除权前收盘价 (P前 − D) / P前1 拆 n每股变 n 股q 1 / n送股同理按送转比例并入。有了逐日q复权价就是原始价 × 累计复权因子importpandasaspdimportnumpyasnpdefadd_adjusted_prices(df,price_colclose,prev_close_colprev_close,ex_close_colex_close): df 需按日期升序含 - close 不复权收盘价 - prev_close 除权前一日收盘仅事件日有值 - ex_close 除权日价格仅事件日有值 返回带 hf_close(后复权) / qf_close(前复权) 的 DataFrame。 dfdf.sort_values(date).reset_index(dropTrue)nlen(df)# 1) 逐日复权比例 q事件日 ex/prev其余 1qnp.ones(n)maskdf[prev_close_col].notna()df[ex_close_col].notna()q[mask.values](df.loc[mask,ex_close_col]/df.loc[mask,prev_close_col]).values# 2) 后复权因子首日为 1向后按 1/q 累积放大hfnp.ones(n)foriinrange(1,n):hf[i]hf[i-1]*(1.0/q[i])# 3) 前复权因子以后复权因子归一化到末日1末日即真实价qfhf/hf[-1]df[hf_factor]hf df[qf_factor]qf df[hf_close]df[price_col]*hf# 后复权价df[qf_close]df[price_col]*qf# 前复权价returndf实战提醒上面是教学版。真实市场还有配股有认购价、增发、可转债转股、吸收合并等复杂事件手工因子极易算错。生产环境一律优先使用数据商交易所/券商/Wind/通联/聚源等提供的官方复权因子只把它们当校验参考。另外别忘了一件常被忽略的事成交量也要复权。拆细后每股成交量会断崖跨期比较时要按拆细比例反向缩放成交量否则所有量价指标在除权日当场失效。四、场景化选择到底该用哪种数据记住总原则回测和画图用复权价下单和算分红用不复权绩效归因用后复权。场景推荐数据原因策略回测信号 收益前复权或后复权二选一、全程一致需要连续序列避免虚假跳空技术指标 / K 线画图前复权末日是真实价图形与盘面一致收益 / 绩效归因后复权反映红利再投总收益基准清晰实盘下单 / 成交仿真不复权真实可成交价手续费与滑点算得准除权除息事件研究不复权 后复权对照一边看真实跳空一边算真实总收益横截面因子 / 选股前复权收盘价统一口径跨标的可比且贴近当前价股息率 / 分红收益率不复权分红金额与股价都是真实值指数 / 基准对比后复权或官方全收益指数与全收益指数对标才公平最容易踩的反模式回测用前复权、下单用不复权 → 价格口径不一致回测里的成交价根本成交不了滑点和真实成交价全错位。五、六个常见坑混用口径同一回测里前复权和不复权掺着用收益失真、信号错位。用不复权算长期收益A 股分红 高送转环境下低估 20%~40% 是常态。回测用前复权、实盘用不复权价格基准对不上成交价与滑点全错。量没复权拆细后成交量断崖量价指标直接失效。复权因子来源不一不同数据源的因子定义不同跨源拼接的回测不可比。生存偏差survivorship bias只留上市至今的票、丢了退市股前视偏差会美化一切策略。六、落地清单直接照做回测统一用一种复权价写进代码常量禁止混用成交仿真和实盘信号分离信号用复权价生成成交价用不复权绩效报告用后复权或全收益指数对外披露成交量单独做复权处理优先调用数据商官方复权因子自己只做校验数据入库时同时存不复权 复权因子用的时候再现场换算避免锚点漂移污染历史。结语复权不是一个高深模型而是一个口径纪律问题。它考验的不是你算得准不准而是你清不清楚自己到底在问什么问题——是问图形连不连续、当前能不能成交、还是问长期总收益。把这三种问题对应的数据分清楚你的回测报告就先赢了一半。⚠️ 免责声明本文为技术科普所有示例均为示意数据不构成任何投资建议。复权因子与历史事件处理请以你所使用数据商的官方口径为准。
