xtquant如何正确获取前复权行情数据？

Question

在使用xtquant获取历史行情数据时，许多开发者常遇到“如何正确获取前复权数据”的问题。尽管xtquant提供了`get_history_data`等接口，但默认返回的是未复权或后复权数据，若未显式指定复权参数，直接用于回测会导致价格失真、信号偏差。关键在于正确设置`adjust_mode`参数（如`ADJUST_PREV`），并确保调用的数据源支持前复权模式。此外，部分用户忽略合约代码的准确性及数据频率与复权处理的兼容性，导致结果异常。如何在xtdata或xtquant SDK中准确配置前复权参数并验证数据连续性，成为实际应用中的常见技术难点。

Answer 1

一、前复权数据获取的基本概念与背景

在量化交易系统中，历史行情数据的准确性直接影响回测结果的有效性。股票或期货合约在发生分红、配股、拆分等事件后，价格会出现跳空，若不进行复权处理，技术指标计算将产生偏差。xtquant 作为国内主流的量化开发工具包，提供了 get_history_data 接口用于获取历史K线数据，默认情况下返回的是未复权（ADJUST_NONE）或后复权数据。

前复权（Forward Adjustment）是指将历史价格按当前股本结构进行调整，使得当前价格保持不变，历史价格向下修正。这种方式更符合实际交易中投资者对价格走势的感知，尤其适用于回测场景。

二、核心参数解析：adjust_mode 的取值与含义

在调用 xtquant 相关接口时，必须显式设置 adjust_mode 参数以控制复权方式。以下是常见取值：

参数值	说明
ADJUST_NONE	不复权，原始价格
ADJUST_PREV	前复权，推荐用于回测
ADJUST_BACK	后复权，适合长期价值分析
ADJUST_CURRENT	动态复权，部分数据源支持

三、代码示例：正确调用 get_history_data 获取前复权数据

from xtquant.xtdata import get_history_data
import pandas as pd

# 设置合约代码（注意格式规范）
stock_code = "600519.SH"

# 定义时间范围
start_time = "20230101"
end_time = "20231231"

# 显式指定前复权模式
data = get_history_data(
    stock_code,
    period='1d',                  # 数据频率
    start_time=start_time,
    end_time=end_time,
    adjust_mode='ADJUST_PREV',    # 关键参数：前复权
    field=['time', 'open', 'high', 'low', 'close', 'volume']
)

# 转换为 DataFrame 便于分析
df = pd.DataFrame(data)
print(df.head(10))
    

四、常见问题排查清单

• ❌ 忽略 adjust_mode 参数，导致默认使用未复权数据
• ❌ 合约代码书写错误，如缺失交易所后缀（.SH/.SZ）
• ❌ 请求高频数据（如1分钟）但数据源不支持该频率下的前复权处理
• ❌ 使用旧版 xtdata SDK，未更新至支持 ADJUST_PREV 的版本
• ❌ 多标的批量请求时，部分标的无复权因子导致数据断裂
• ❌ 本地缓存污染，未清除旧数据即重新拉取
• ❌ 时间戳时区不一致，影响跨日K线拼接
• ❌ 字段未包含必要字段（如 volume），影响复权逻辑校验
• ❌ 并发请求超过限流阈值，造成部分响应为空
• ❌ 未验证复权后的价格连续性，直接投入策略计算

五、数据连续性验证方法论

获取前复权数据后，需通过以下方式验证其合理性：

1. 检查相邻K线之间的收盘价是否平滑过渡，避免出现非除权日的突变
2. 对比权威平台（如同花顺、东方财富）的前复权K线图，确认形态一致
3. 计算复权因子序列，并与交易所公告的分红送转信息匹配
4. 绘制移动平均线，观察均线是否因跳空而断裂
5. 在已知除权日附近，验证价格调整幅度是否符合理论值

六、高级技巧：构建自动化复权校验流程

为提升数据质量管控能力，可引入如下自动化流程：

def validate_forward_adjustment(df, ex_dividend_dates):
    """
    验证前复权数据在除权日前后的连续性
    :param df: 前复权K线DataFrame
    :param ex_dividend_dates: 已知除权日列表
    """
    for date in ex_dividend_dates:
        prev_day = df[df['time'] < date].tail(1)
        curr_day = df[df['time'] == date].head(1)
        if not prev_day.empty and not curr_day.empty:
            gap = curr_day['open'].values[0] - prev_day['close'].values[0]
            # 应接近于零（允许微小浮点误差）
            assert abs(gap) < 1e-5, f"Detect discontinuity at {date}: gap={gap}"
    

七、系统架构视角下的数据一致性保障

在大型量化平台中，建议采用分层设计保障复权数据一致性：

graph TD
            A[用户请求] --> B{是否指定adjust_mode?}
            B -- 否 --> C[拒绝请求并提示警告]
            B -- 是 --> D[查询元数据服务]
            D --> E[确认数据源支持该复权模式]
            E -- 不支持 --> F[返回错误码或降级方案]
            E -- 支持 --> G[调度数据提取引擎]
            G --> H[应用复权因子进行重算]
            H --> I[缓存结果并标记adjust_mode]
            I --> J[返回前复权数据]