【Python量化数据工程实战 #06】前复权后复权分不清？回测数据准备的最佳实践
你跑回测的时候，有没有遇到过这种诡异情况：
- 某只股票昨天收盘 150 元，今天开盘直接跳到 100 元——没跌停，但跌了 33%。
- 策略信号在除权日疯狂触发，买入卖出全乱套。
- 同一段代码，Tushare 拉的数据收益 20%，自己拉的数据收益 -5%——数据来源一样，只是没复权。
问题出在除权除息。A股每年都有分红、送转股，如果不做复权处理，K线会出现断崖式跳空，你的收益率、均线、波动率全部失真。
这篇文章不讲复杂的金融工程，只给你一个可落地的前复权计算方案：用真实分红数据，手动算出复权因子，让回测结果不再被除权日绑架。
本文你将得到什么
- 不复权、前复权、后复权的本质区别（一句话说清）
- 用 company_dividends 拉分红送股数据，手动计算前复权因子
- 一段可直接运行的代码，输出复权后的收盘价
- 回测中复权处理的 2 个铁律
一句话说清三种价格
类型 含义 适用场景
不复权 交易所原始成交价格 看真实委托、撮合逻辑
前复权 以最新价格为基准，历史价格往回调整 回测、策略研究（推荐）
后复权 以上市首日为基准，后续价格往前调整 长期收益累计、财富增长
回测必须用前复权。原因：前复权保持了最新价格的现实意义，历史价格按比例压缩，收益率计算不会受除权日干扰。
代码实战：手动计算前复权
下面演示完整的复权流程：先拉不复权行情和分红数据，再计算前复权因子。
from mairui import Client
import pandas as pd
client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
code = "600519"
1) 拉不复权日线
raw = client.stock_history(code, lt=120, dividend='n')
df = pd.DataFrame(raw)
df['t'] = pd.to_datetime(df['t'])
df = df.sort_values('t').reset_index(drop=True)
2) 拉分红送股数据
divs = client.company_dividends(code)
df_div = pd.DataFrame(divs)
df_div['sdate'] = pd.to_datetime(df_div['sdate'])
# 只取在行情区间内且已实施的分红
mask = (df_div['sdate'] >= df['t'].min()) & (df_div['line'].isin(['实施', '已实施']))
df_div = df_div[mask].sort_values('sdate')
3) 计算前复权因子（从除权日往历史回溯）
df['adj_c'] = df['c'].astype(float)
for _, row in df_div.iterrows():
sdate = row['sdate']
send = float(row['send']) if row['send'] != '-' else 0.0
give = float(row['give']) if row['give'] != '-' else 0.0
# 送转比例：10送3 = 0.3，即每股变 1.3 股
ratio = 1.0 + (give / 10.0)
# 对除权日之前的所有价格：先乘股数比，再加现金红利
mask_before = df['t'] < sdate
df.loc[mask_before, 'adj_c'] = df.loc[mask_before, 'adj_c'] * ratio + send
4) 输出对比
print(df[['t', 'c', 'adj_c']].tail(10).to_string(index=False))
核心逻辑拆解
前复权的核心就一句话：历史价格要反映"如果当初买了，现在值多少"。
假设你持有 1 股，股价 100 元：
- 公司 10 送 3：你的 1 股变成 1.3 股，每股价格变成 100 / 1.3 = 76.92 元
- 再每股派 2 元：你拿到 2 元现金，每股价格变成 76.92 元（现金不影响股价，但你的总资产增加了）
所以前复权的历史价格需要：
- 乘股数比（股变多了，每股价格变低，反过来历史价格要变高）
- 加现金红利（你拿到了现金，相当于成本降低）
回测复权的 2 个铁律
铁律 1：回测全程用前复权，但下单必须用不复权
策略信号计算（均线、突破、收益率）全部基于前复权价格，但生成交易指令时，要映射回交易所真实价格（不复权），否则你的买入价和实际撮合价对不上。
伪代码：信号计算用 adj_c，下单用 c
signal = df['adj_c'] > df['adj_ma20'] # 前复权算信号
order_price = df.loc[signal, 'c'] # 用不复权价格下单
铁律 2：复权因子一旦确定，回测期间不能变
如果你在 2024 年跑回测，用到了 2025 年才披露的分红数据，那就是未来函数——你在 2024 年不可能知道 2025 年会分红多少。
正确做法：回测到某天，只使用该日期之前已公告的分红方案。company_dividends 返回的 line 字段如果是"预案"，说明还没实施，回测中不应纳入。
小结
复权不是可有可无的数据清洗，而是回测的基础设施。记住三点：
- 回测用前复权，保持最新价格的真实意义
- 手动算复权因子 = 股数比累乘 + 现金红利累加
- 下单用不复权，模拟真实交易所撮合
掌握这套流程，你的回测结果才具备横向可比性——不会因为某只股票分红多、送转多，就凭空"跑输"其他策略。
下篇预告：数据合并完了，复权也做了，但特征还是太多、相关性太高怎么办？#07 带你用相关性去重 + RFE 递归特征消除，把 100 个特征筛到 10 个最有效的。
免责声明
本文仅供技术学习交流，不构成任何投资建议。市场有风险，决策需谨慎。
代码与文档
更多接口文档和 SDK 使用示例，可查阅官方文档：https://github.com/MaiRuiApi/mairui
浙公网安备 33010602011771号