A 股回测中的复权与 Point-in-Time 偏差：为什么实盘会追不上回测

本文仅讨论行情数据处理与回测工程问题，不构成任何投资建议。文中价格数据和收益数字均为示意性示例。

回测跑完，年化收益 31.6%，最大回撤 8.3%，夏普 2.1。你信心满满上线。实盘第一周，收益跑输回测曲线 4 个百分点。排查 3 天，不是过拟合，不是未来函数——是你的回测引擎在 2024 年 12 月做历史回测时，“提前知道”了 2025 年 6 月那次 10 送 10。它用这个未来的除权因子把半年前的价格压了一半，你的均线策略在那个位置多开了 3 次仓——每一次都是实盘里不可能出现的交易。

不是前复权这个操作本身错了。是你用 事后前复权 去回测历史，把未来的公司行为注入了过去的 K 线。回测地基上的这条裂缝，在除权除息日前后悄悄张开，让你的实盘从第一天就开始偏离回测曲线。

复权不是数据预处理的可选项。它是回测的第一层地基——地基歪了，楼盖得再高也是危房。更隐蔽的是分钟线：除权当日如果不加过滤，开盘跳空会被当成趋势突破信号，高频策略在这根线上反复触发，回测虚高，实盘根本做不到。你以为是策略有效，其实是复权方式替你赚了不该赚的钱。

这类问题在统一数据接入层中更容易被定位——以 TickDB 为例，其 /v1/market/kline 与 /v1/market/ticker 共用字段体系，便于做价格基准的一致性验证。

三种复权方式，最简语言讲清楚

① 是什么

股票在除权除息日会发生价格跳空——不是市场跌了，是股本变了。复权就是把这个“人为跳空”填回去，让价格序列连续。

• 不复权：保留原始成交价。除权日你会看到一根巨大的跳空缺口——10 送 10 之后，股价从 20 块“跌”到 10 块，看起来像暴跌 50%，实际持仓市值一分没变。
• 前复权：以最新股本为基准，把历史所有价格按除权因子向后修正。最新价不变，历史价被“压缩”。
• 后复权：以上市首日股本为基准，把之后所有价格向前修正。历史首日价不变，当前价被“放大”。

同一个除权因子，方向不同，结果天差地别。

② 前复权和后复权的技术指标差异：看似很大，实则线性

很多人第一反应：前复权和后复权跑出来的均线金叉位置不一样。但这里有一个关键事实：

如果复权因子计算正确，前复权价格序列和后复权价格序列是严格成比例的。 后复权价格 = 前复权价格 × 最新复权因子（一个常数）。均线交叉、布林带突破、RSI 超买超卖——这些基于相对位置的信号在前后复权下完全一致，因为线性变换不改变相对关系。

那为什么同一只股票，前复权和后复权回测收益还能差不少？根源不在复权方向，而在用复权价格做绝对数值判断。比如你的策略写死了“股价低于 5 元不买”——前复权把历史价压到 3 块，后复权是 6 块，一个触发过滤，一个不触发。这不是复权的锅，是用错了价格基准。

真正致命的坑，在下一节。

复权真正的坑：Point-in-Time

③ 为什么事后前复权是最隐蔽的数据泄露

前复权的本质：用当前最新的股本结构，反推历史上每一天的“等效价格”。

假设今天是 2025 年 6 月 15 日，某股票刚完成 10 送 10。你现在调用行情 API 拉取它的前复权历史日线。系统会把 2024 年 12 月的价格全部除以 2，让你看到“如果当时股本也这么多，股价应该是多少”。

问题来了：2024 年 12 月的真实市场里，根本没有这次除权。 你站在 2024 年 12 月做交易决策时，不可能知道半年后会 10 送 10。但你的回测引擎知道了——它用 2025 年 6 月的复权因子，修正了 2024 年 12 月的价格。未来的信息被注入了历史信号。

这个偏差有一个正式的名字：Point-in-Time Bias（时点偏差）。 金融数据领域公认的回测杀手。它的后果不是数字差一点，而是你的策略在除权除息日前后的历史区间里，看到了一个被“修正过”的世界——这个世界在真实历史中从未存在过。

④ 坑表：复权相关的五种隐蔽错误

⑤ 怎么优化：三件事

1. 回测全部历史时，若无法获得 point-in-time 价格序列，至少要知道自己用的是事后复权数据，并在结果中标注数据偏差方向。
2. 信号计算用复权价，下单价格映射回原始市场价。 均线、布林带、RSI 这些相对指标用前复权算没问题——它们是线性不变的。但你的止损单、限价单必须写原始市场价，否则挂出去成交不了。
3. 纯日内策略、不跨除权日持仓时，直接用不复权价格做回测，并在除权日做标记排除开盘跳空时段。 持仓跨除权日则必须做复权。

一个帮你记住区别的类比：前复权和后复权的差异像 Git rebase vs merge。前复权是 rebase——把历史改写到最新基准上，历史看起来“干净”，但实际发生过的事被重写了。事后前复权就更危险——你不是 rebase 到“当前”，而是 rebase 到了一个回测时还不存在的未来 commit。

场景选择速查

没有“哪个最好”，只有“你的策略依赖哪个价格基准”。 依赖错了，回测就是一场精心设计的自我欺骗。

代码实操：验证你的复权数据有没有坑

依赖安装：

pip install requests

具体复权参数以 https://docs.tickdb.ai 官方文档为准。

验证前后复权的线性关系

import os, requests

API_KEY = os.getenv("TICKDB_API_KEY")
BASE = "https://api.tickdb.ai/v1"

def get_kline(symbol: str, interval: str = "1d", limit: int = 200):
    """
    拉取日线数据。
    显式处理 3001（限流）/ 1001（鉴权失败）/ 非0 三种错误码。
    kline 数据嵌套在 data.klines 中。
    """
    url = f"{BASE}/market/kline"
    resp = requests.get(
        url,
        headers={"X-API-Key": API_KEY},
        params={"symbol": symbol, "interval": interval, "limit": limit},
        timeout=10
    )
    data = resp.json()

    if data["code"] == 3001:                         # 限流：读 Retry-After 退避
        retry_after = resp.headers.get("Retry-After")
        wait = int(retry_after) if retry_after else 1
        import time; time.sleep(wait)
        return get_kline(symbol, interval, limit)
    if data["code"] == 1001:                         # 鉴权失败：阻断
        raise PermissionError(f"鉴权失败(1001): {data.get('message')}")
    if data["code"] != 0:                            # 非预期错误码必须显式 raise
        raise RuntimeError(f"API错误 code={data['code']}: {data}")

    return data["data"]["klines"]                   # kline 数据嵌套在 data.klines


def verify_linear_relation(klines_qfq: list, klines_hfq: list):
    """
    验证前后复权线性关系：后复权 = 前复权 × 常数。
    如果某天比例不恒定，说明复权因子有问题或数据对齐出错。
    """
    ratios = []
    for q, h in zip(klines_qfq, klines_hfq):
        if float(q["close"]) > 0:
            ratios.append(float(h["close"]) / float(q["close"]))
    if len(ratios) < 2:
        return None
    avg_ratio = sum(ratios) / len(ratios)
    max_dev = max(abs(r / avg_ratio - 1) for r in ratios)
    if max_dev > 0.001:
        print(f"⚠️ 前后复权线性关系不成立，最大偏差 {max_dev*100:.3f}%")
    else:
        print(f"✓ 前后复权线性关系成立，比例常数 ≈ {avg_ratio:.4f}，最大偏差 {max_dev*100:.4f}%")
    return avg_ratio


# 示例：真实 A 股股票代码，历史上多次送转，适合做复权验证
symbol = "600519.SH"
klines_raw = get_kline(symbol)
print(f"已拉取 {symbol} 的 {len(klines_raw)} 根日线 K 线（不复权）")
# 若你的数据源可分别提供 qfq/hfq 序列，用 verify_linear_relation(qfq_klines, hfq_klines) 校验

核心是验证前后复权的线性关系，不是调 API。 如果前后复权的比值不是一个常数，说明数据对齐有错或复权因子口径不一致——这个偏差会让你所有基于复权价格的回测结果不可复现。

回测价格到实盘价格的映射验证

回测信号用 kline 的复权 close 计算，实盘下单用 ticker 的原始 last_price 执行。验证两者的映射关系是上线前的最后一步：

def get_ticker(symbol: str):
    """
    获取实时快照。
    ticker 数据直接在 data 数组中，用 last_price 和 timestamp。
    """
    url = f"{BASE}/market/ticker"
    resp = requests.get(
        url,
        headers={"X-API-Key": API_KEY},
        params={"symbols": symbol},              # ticker 用复数 symbols
        timeout=5
    )
    data = resp.json()

    if data["code"] == 3001:
        retry_after = resp.headers.get("Retry-After")
        import time; time.sleep(int(retry_after) if retry_after else 1)
        return get_ticker(symbol)
    if data["code"] == 1001:
        raise PermissionError(f"鉴权失败(1001): {data.get('message')}")
    if data["code"] != 0:
        raise RuntimeError(f"Ticker错误 code={data['code']}: {data}")

    items = data.get("data", [])                 # ticker 数组直接在 data 下
    return items[0] if items else None


# 验证回测 close 与实盘 last_price 的映射关系
ticker_data = get_ticker(symbol)
if ticker_data:
    latest_kline = klines_raw[-1]
    print(f"回测最新 close={latest_kline['close']}, 时间={latest_kline['time']}")
    print(f"实盘 last_price={ticker_data['last_price']}, 时间戳={ticker_data['timestamp']}")
    # 若数据源提供同一时钟源，两者时间差可用来计算复权因子映射系数

核心是验证两个端点的价格差异来自复权因子而非时钟漂移，不是调通 API。 若数据源 kline 的 time 和 ticker 的 timestamp 是同一毫秒 UTC 时钟源，排除时差干扰后，两者之间的差就是复权因子——这个差值决定了你的信号价到撮合价的映射系数。

除权除息日识别思路

在实际工程中，识别除权日不能靠价格跳空幅度猜测，必须依赖公司行为日历。伪代码逻辑如下：

# 伪代码：除权日识别与分钟线信号过滤
# corporate_calendar 结构: {"2025-06-15": "10送10", "2025-04-20": "每10股派5元"}
def should_skip_signal(symbol: str, trade_date: str, trade_time: str,
                       corporate_calendar: dict, is_intraday: bool) -> bool:
    if trade_date not in corporate_calendar:
        return False
    if is_intraday and trade_time < "09:35":
        # 纯日内策略：除权日开盘后前 5 分钟跳过，避免跳空假突破
        return True
    return False

核心是依赖公司行为日历，不是猜跳空幅度。 除权日是提前公告的已知事件，策略引擎应把它当作和停牌一样的已知事件处理，而不是被动防御。

统一基座如何收敛这些问题（以 TickDB 为例）

做 A 股回测最头疼的不是策略调参，是复权数据的一致性校验。

不同数据源的复权因子口径可能不同——有的用流通市值加权，有的用总市值加权。同一只股票在两次送转后，两个源的复权价格能差出 0.8%。回测在两个源上跑了两次，收益差了 3 个百分点。你不知道哪个是对的，只能做交叉验证。

分钟线复权的问题更隐蔽。日线复权因子无法直接用在分钟线上——日内跳空是瞬间完成的，如果把它均摊到 240 根分钟线上，每根都偏了几个点。高频策略在这些“微偏”分钟线上反复触发，回测收益虚高。

实盘信号的价格基准更是一道硬坎。回测用复权价算出的止损线，到实盘里要用原始市场价挂单——这两个价格之间差的就是复权因子。如果忘了映射，止损单挂出去永远成交不了。

你的回测系统是如何保存公司行为的生效时间的？

你使用的是事后复权序列，还是 point-in-time 可复现序列？欢迎分享你的复权因子校验和信号价映射方案。

通过 TickDB API 获取实时行情数据

一个 API 接入外汇、加密货币、美股、港股、A股、贵金属和全球指数的实时行情。支持 WebSocket 低延迟推送，免费开始使用。