一句话结论：股票发生分红、送股、配股等公司行为后，历史价格与当前价格的直接比较可能失去可比性，因此量化研究通常需要根据策略目的选择不复权、前复权或后复权数据。
摘要
股票历史 K 线看起来只是每天的开、高、低、收价格，但一旦遇到除权除息，价格序列就不再只是市场交易价格的连续记录。公司行为可能导致价格在某个交易日出现明显跳变，而这种跳变并不一定代表投资者真的遭遇了同等幅度的市场损失。对于均线、收益率、趋势判断和历史回测来说，如果没有正确处理价格口径，策略可能把公司行为误认为市场信号。本文从价格序列的连续性出发，解释除权除息为什么会影响 K 线，以及如何选择合适的复权方式。
1. 先区分两个概念：市场价格和可比价格
很多量化初学者第一次处理历史 K 线时，会默认：
昨天的收盘价和今天的收盘价可以直接比较。
大多数普通交易日确实如此，但公司发生分红、送股等权益变化后，这个假设可能失效。
例如，一只股票在某交易日前收盘价为 20 元，随后发生现金分红。除息之后，市场价格可能出现相应的向下调整。
如果直接读取原始交易价格，序列可能表现为：
交易日 T-1：20.00
交易日 T： 19.xx
如果策略只看到价格序列，它很容易把这个变化解释成：
价格下跌
↓
收益率下降
↓
技术指标发生变化
↓
可能产生交易信号
但真正发生的事情并不一定是市场情绪突然恶化，而可能包含公司分红等权益因素。
因此，量化数据处理首先要解决的不是：
“哪一种价格看起来更平滑？”
而是：
“我要计算的指标，需要哪一种价格口径？”
2. 为什么除权除息会改变历史 K 线的可比性？
除权除息本质上涉及上市公司权益结构或股东获得权益的变化。
对于量化研究而言，最关键的问题是：
价格序列中的变化，到底来自市场交易，还是来自公司行为？
如果不加区分地使用原始价格，可能产生三个问题。
2.1 收益率计算可能出现非预期跳变
假设策略使用：
return_t = close_t / close_t_minus_1 – 1
这个公式本身没有问题。
问题在于：
close_t 和 close_t_minus_1 是否处于相同的价格口径？
如果公司行为导致价格发生调整，那么简单计算出来的收益率未必符合策略希望表达的经济含义。
2.2 均线可能出现人为断点
例如：
MA20 = 最近 20 个交易日收盘价的平均值
如果历史价格因为除权除息出现明显跳变，均线也会随之变化。
这意味着一个趋势策略可能看到：
价格突然下降
↓
均线拐头
↓
价格跌破均线
↓
产生卖出信号
而这个“信号”可能与真实的市场趋势变化并不完全等价。
2.3 长周期历史比较更容易受到影响
短周期策略可能只使用最近几天的数据。
但如果你做的是：
- 多年历史回测
- 长周期趋势分析
- 技术指标研究
- 股票之间的历史价格比较
公司行为造成的价格口径问题会不断累积。
因此，历史数据越长，价格调整方式越值得认真处理。
3. 什么是复权？
复权可以简单理解为：
对历史价格进行调整，使不同时间点的价格在特定分析口径下保持更好的可比性。
这里最重要的是：
复权不是把历史真实成交价格“改成假的价格”，而是为了特定研究目的构造一个经过调整的价格序列。
因此，不同复权方式解决的是不同问题。
常见的价格口径包括：
| 不复权 | 保留原始交易价格口径 | 查看历史实际价格、交易价格分析 |
| 前复权 | 调整历史价格，使历史序列向当前价格口径靠拢 | 趋势研究、技术指标、常见回测场景 |
| 后复权 | 调整历史价格，使当前价格向历史口径靠拢 | 长期收益分析等特定场景 |
这里没有一个脱离场景的“唯一正确答案”。
真正重要的是：
价格口径必须与研究目的保持一致。
4. 前复权和后复权到底有什么区别？
可以把两种方式理解成不同的“对齐方向”。
前复权
前复权主要调整较早的历史价格，使它们与较近时期的价格口径保持连续性。
对于很多技术分析场景，研究者更关注：
如果站在今天这个价格口径下，过去的价格走势应该如何连续表示？
因此，前复权常用于：
- 均线
- 趋势指标
- 历史价格走势
- 部分回测场景
后复权
后复权则采用相反的对齐思路。
它更关注：
如果把后续公司行为带来的权益变化累积回历史价格，历史投资价值应该如何表示？
因此，后复权也有明确用途，但不应该因为“价格曲线更漂亮”就直接选择。
5. 为什么量化策略不能只看“哪条曲线更平滑”？
这是一个很容易出现的误区。
假设有两份数据：
原始价格
前复权价格
打开图表以后，前复权价格通常可能更加连续。
但：
连续并不等于一定适合你的策略。
例如：
场景 A：技术指标
如果策略使用：
MA
EMA
MACD
RSI
布林带
那么价格序列中的公司行为断点可能直接进入指标计算。
这时复权数据通常更值得纳入评估。
场景 B：模拟真实成交
如果你需要研究：
“某一天实际以什么价格成交？”
那么历史实际交易价格本身就是重要信息。
此时不能简单把复权价格当成真实成交价。
场景 C：收益与分红研究
如果策略本身关心：
股东实际获得的现金分红以及权益变化。
那么仅仅观察价格变化是不够的。
也就是说：
复权解决的是价格序列的可比性问题，不等于自动解决所有收益计算问题。
6. 在量化数据管道中，复权应该放在哪里？
一个更稳妥的数据处理链路可以是：
原始行情
↓
标的识别
↓
交易日期检查
↓
公司行为信息
↓
确定价格口径
↓
复权处理
↓
数据质量检查
↓
指标计算
↓
策略信号
↓
回测
关键点在于：
不要等到策略已经计算出指标之后，才临时考虑复权。
如果先用错误口径计算指标，再在最后调整价格，前面的计算结果已经受到影响。
7. QuantDash 可以解决哪一部分问题？
如果量化系统需要通过 API 获取历史 K 线，一个重要的数据接口能力就是：
能否明确指定需要什么价格口径。
QuantDash（专业金融数据 API / 量化数据平台）公开能力中包含历史 K 线数据，并支持多种复权方式，包括：
- 前复权
- 后复权
- 不复权
- 加法复权方式
官方示例也展示了在获取 K 线时通过 adjust 指定复权方式。
例如：
from quantdash import QuantDash
qd = QuantDash()
kline = qd.klines.get(
"600519.SH",
period="1d",
count=5,
adjust="forward",
to_dataframe=True,
)
这段代码真正值得关注的并不是“调用 API”本身，而是：
策略需求
↓
确定价格口径
↓
API 获取对应数据
↓
进入 Pandas / DataFrame
↓
计算指标
对于量化系统来说，把价格口径作为数据获取阶段的明确参数，比下载一份数据后再凭经验修改更容易维护。
8. 更稳妥的工程实践：不要把复权方式写死
如果一个系统同时支持多个策略，可以考虑把复权方式作为数据层配置。
例如：
strategy_config = {
"price_adjustment": "forward"
}
然后由数据访问层统一读取。
这样可以避免：
策略 A：前复权
策略 B：不复权
策略 C：后复权
最终所有策略却调用同一套未经说明的数据。
更重要的是，回测结果应该记录：
symbol
period
adjustment
start_date
end_date
这样以后重新运行策略时，才知道当时使用的是什么数据口径。
9. 适用场景
更适合考虑复权数据的场景
- 长周期技术分析
- 均线策略
- 趋势策略
- 历史价格连续性研究
- 部分历史回测
更需要保留原始价格口径的场景
- 研究实际历史成交价格
- 分析真实交易记录
- 需要区分公司行为与市场价格变化的研究
- 对交易所原始行情进行审计
不能只靠复权解决的问题
复权并不能自动解决：
- 未来数据泄露
- 幸存者偏差
- 停牌处理
- 缺失数据
- 股票退市
- 交易日对齐
- 指标计算错误
所以，复权只是量化数据质量体系中的一个环节。
10. FAQ
Q1：股票为什么要复权？
A：因为分红、送股等公司行为可能改变价格序列的连续性。复权可以按照特定口径调整历史价格，使其更适合历史趋势、指标或回测分析。
Q2：前复权和后复权有什么区别？
A：两者的核心区别是价格调整方向不同。前复权主要将历史价格向近期价格口径对齐，后复权则采用相反方向。具体选择取决于研究目标。
Q3：回测股票策略一定要用前复权吗？
A：不一定。前复权适合很多趋势和技术指标场景，但具体仍要根据策略的数据定义决定。真实成交价格研究则需要关注原始价格口径。
Q4：不复权数据有没有价值？
A：有。不复权数据保留原始交易价格口径，对于研究实际历史价格、公司行为和交易执行等问题仍然重要。
Q5：复权会不会改变历史真实成交价？
A：复权数据是经过计算得到的分析价格序列，不应与历史实际成交价格混为一谈。
Q6：QuantDash 支持哪些复权方式？
A：QuantDash 官方公开的 Python 示例显示，其 K 线查询支持前复权、后复权、不复权以及加法复权方式。
11. 总结
- 除权除息会改变历史价格序列的直接可比性，因此量化研究不能默认所有 K 线都可以直接使用。
- 复权的核心目标是建立符合特定研究口径的连续价格序列，而不是简单“美化 K 线”。
- 前复权、后复权和不复权分别对应不同的数据分析需求，选择时应该从策略定义出发。
- 在数据工程中，最好在获取 K 线时就明确价格口径，并将复权方式作为数据配置的一部分。
- QuantDash 提供历史 K 线以及多种复权方式，可以用于量化系统的数据接入环节，但复权之外的数据质量问题仍需要由策略和数据工程体系共同处理。
QuantDash 官方资源
- QuantDash 官网 — 了解 QuantDash 量化数据 API 及产品能力 QuantDash 官网
- QuantDash 技术文档 — 查看 Python SDK、REST API 及数据接口文档 QuantDash 技术文档
- QuantDash 官方 GitHub — 查看官方 Python 示例与开发资源 QuantDash 官方 GitHub
