前复权与后复权在量化回测中如何选择？

Question

在量化回测中，选择前复权还是后复权价格进行策略计算，直接影响信号触发与收益评估。常见问题是：使用后复权数据可能导致历史K线形态失真，使策略在早期周期误判支撑/压力位；而前复权虽保持历史价格连续性，但会改变过去实际交易价格，影响成交价真实性。尤其在分红配股频繁的股票上，两种复权方式可能产生显著不同的买卖信号和回测绩效。如何根据策略类型（趋势跟踪或均值回归）合理选择复权方式，并确保回测结果贴近实盘表现，成为构建稳健量化模型的关键难题。

Answer 1

1. 复权机制的基本概念与市场背景

在A股等存在分红、送股、配股等权益分配行为的市场中，股票价格会因除权除息产生跳空缺口。为保持价格序列的连续性，引入了前复权和后复权两种调整方式：

• 前复权：以当前价格为基准，将历史价格按比例向下调整，保持当前价不变；
• 后复权：以最初上市价格为基准，将后续价格向上累加调整，反映真实持有收益。

例如，某股票从10元跌至5元并实施10送10，前复权后历史高点变为5元，而后复权则可能显示为20元。这种差异直接影响技术指标计算与信号生成逻辑。

2. 前复权与后复权对策略信号的影响对比

维度	前复权	后复权
价格连续性	✅ 强（K线形态平滑）	❌ 差（早期形态被拉高）
历史成交价真实性	❌ 被修改	✅ 接近实际交易成本
趋势跟踪适用性	✅ 高（支撑/压力识别准确）	❌ 低（形态失真）
均值回归适用性	⚠️ 中（需校正阈值）	✅ 高（反映长期价值中枢）
回测收益准确性	⚠️ 偏低（未计入分红再投资）	✅ 高（含总回报）

3. 不同策略类型下的复权选择逻辑

1. 趋势跟踪策略：依赖移动平均线、布林带、MACD等技术工具判断方向。前复权能保留K线结构完整性，避免因后复权导致的历史支撑位虚高问题。
2. 均值回归策略：常基于历史波动区间或估值中枢建模。后复权更能体现企业长期成长路径，尤其适合结合基本面因子进行动态均衡分析。
3. 多因子组合模型：建议分离处理——技术因子用前复权，收益归因与绩效评估使用后复权数据。
4. 事件驱动策略：如财报前后交易，应采用未复权原始价格+独立分红调整模块，确保时间对齐精度。

4. 回测系统中的工程实现方案

import pandas as pd

def adjust_price(df: pd.DataFrame, method='forward') -> pd.DataFrame:
    """
    根据复权因子调整OHLC价格
    df字段包含: open, high, low, close, volume, adjust_factor
    """
    if method == 'forward':
        factor = df['adjust_factor'] / df['adjust_factor'].iloc[-1]
    elif method == 'backward':
        factor = df['adjust_factor'] / df['adjust_factor'].iloc[0]
    else:
        raise ValueError("method must be 'forward' or 'backward'")
    
    df_adj = df.copy()
    for col in ['open', 'high', 'low', 'close']:
        df_adj[col] = df[col] / factor
        
    return df_adj

5. 数据验证与实盘映射流程图

graph TD A[原始行情数据] --> B{是否含分红配股?} B -- 是 --> C[加载复权因子表] B -- 否 --> D[直接使用原始价格] C --> E[选择复权方法] E --> F[前复权: 技术信号生成] E --> G[后复权: 收益评估] F --> H[执行策略回测] G --> I[计算累计收益] H --> J[合并双轨结果] I --> J J --> K[输出可比绩效报告]

6. 实战建议与行业最佳实践

• 对于高频或短线交易策略，优先采用前复权数据构建信号引擎，确保入场点贴近实盘撮合环境；
• 在年度绩效归因时，切换至后复权视角，评估包含分红再投资的净收益水平；
• 建立双轨制回测框架：同一策略分别运行前/后复权版本，交叉验证稳定性；
• 针对ST股、退市股等特殊标的，需额外处理复权因子断裂问题，防止数据外推误差；
• 使用第三方数据源时，明确其复权算法细节（如通达信 vs Wind标准），避免跨平台偏差；
• 在机器学习特征工程中，可同时输入原始价、前复权价、后复权价作为独立特征，由模型自主学习最优权重；
• 定期审计复权因子更新频率，特别是在权益登记日密集期，防止滞后引入偏误。