回测需要用到：比例法（涨跌幅复权法），通俗的例子解释一下，同样的，用例子解释下，为什么不能用加减法复权，推荐一些能用 pytho 获取历史数据的 比例法 数据源

好的，我们来用通俗易懂的例子解释一下“比例法（涨跌幅复权法）”以及为什么不能用“加减法复权”，并为您推荐一些获取 Python 历史数据的来源。

核心概念：为什么需要复权？

在投资的世界里，股票的价格并不仅仅因为买卖而变动。上市公司的一些行为，比如分红、送股、配股，都会直接影响股价，但这些变动并不反映公司真实的价值增长或下跌。

想象一下，你持有的股票昨天收盘价是 100 元。今天公司决定每股派发 5 元现金红利，这个过程叫做“除息”。派发红利后，公司的总价值减少了，所以交易所会把股价下调 5 元，开盘价变成 95 元。

如果你直接用 95 元和昨天的 100 元来计算涨跌幅，会得出 -5% 的结论。但这显然是错的，因为你的账户里多了 5 元现金，你的总资产并没有损失。

复权（Reinvestment/Adjustment） 的目的，就是将这些非市场交易因素（如分红、送股）造成的股价“缺口”填补上，还原股票价格的真实走势，让你能够准确地计算收益率和进行策略回测。

比例法（涨跌幅复权法）：通俗例子解释

核心思想： 比例法假设你收到的所有分红或送股，都会在收到它们的那一刻，立刻以当时的股价重新买入该股票。它关注的是 “总资产的增长比例”。

例子：

假设你在 第一天 以 100 元 的价格买了 1 股“神奇公司”的股票。你的总资产是 100 元。

第二天，市场没变化，但公司宣布进行“除息”，每股派发现金红利 2 元。

• 除息后，股价会自动从 100 元下调到 98 元。
• 此时，你的持仓变成了：1 股股票（价值 98 元）+ 2 元现金。
• 你的总资产仍然是 98 + 2 = 100 元，没有变化。

第三天，市场上涨，神奇公司的股价从 98 元上涨到了 102.9 元。

• 涨幅是多少？是 (102.9 - 98) / 98 = 5%。
• 你的总资产现在价值多少？
  • 如果你没有把红利再投资：1 股股票（102.9 元）+ 2 元现金 = 104.9 元。
  • 如果我们用比例法来计算一个“复权后”的价格，我们会假设那 2 元现金在除息日（第二天）就以 98 元的价格重新买入了股票。但为了简化计算，比例法直接在昨天的价格基础上乘以今天的涨跌幅。

比例法的计算逻辑：

它认为，第二天的总资产（100元）和第一天的总资产（100元）相比，增长率是 0%。第三天的总资产相较于第二天，增长了 5%。

所以，它会这样构建一个连续的、复权后的价格序列：

• 第一天复权价： 100 元
• 第二天复权价： 由于总资产没变，它会把昨天的收盘价“修正”一下，以反映今天的真实情况。修正方法是 昨天的复权价 * (1 + 今天的真实涨跌幅)。但除息日当天，真实涨跌幅为 0（因为总资产没变），所以复权价不变，或者说会进行一个技术调整，我们直接看第三天。
• 第三天复权价： 第一天的复权价 * (1 + 0%) * (1 + 5%) 是不准确的。正确的逻辑是，它会把除息前的价格作为基准，然后进行“打折”。

我们换个更清晰的前复权角度来理解：

• 第三天的收盘价是 102.9 元。（基准）
• 第二天的收盘价是 98 元。
• 第一天的收盘价是 100 元，但因为第二天发生了除息（股价从 100 变成 98，相当于打了 98/100 = 0.98 的折扣），所以我们要把第一天的价格也按这个比例打折，来和后面的价格对齐。
  • 修正后的第一天价格 = 102.9 / (1 + 5%) / (100/98) … 这个计算很复杂。

最简单的理解方式（涨跌幅复权法）：

比例法的核心是保证任何两天的复权价格之间的涨跌幅，等于你在这段时间内（并将所有分红再投资）所获得的总收益率。

• 从第一天收盘到第三天收盘，你的真实总收益率是 (104.9 - 100) / 100 = 4.9%。(这里假设你没再投资)
• 如果分红立刻再投资，第三天你的总资产会是 100 * (1 + 5%) = 105 元（因为你所有的100元都在股票里享受了5%的增长）。
• 那么，复权价格序列算出来的涨跌幅就应该是 5%。
  • 第三天复权价 / 第一天复权价 - 1 = 5%

结论： 比例法（涨跌幅复权法）通过调整历史价格，使得任何一段时期内的价格涨跌幅都精确对应了“分红再投资”策略下的总回报率。这是进行量化回测最准确、最标准的方法。

为什么不能用“加减法复权”？

核心思想： 加减法复权试图通过简单的加法，把分红的金额直接加回到除息前的股价上。

例子（沿用上文）：

• 第一天收盘价：100 元
• 第二天除息 2 元，收盘价：98 元
• 第三天上涨 5%，收盘价：102.9 元

加减法的错误逻辑：

它会认为，第二天的 98 元是因为少了 2 元分红，所以要把这 2 元“加回去”。

• 它计算出的第二天“复权价” = 98 + 2 = 100 元。
• 它计算出的第三天“复权价” = 102.9 + 2 = 104.9 元。

现在，我们用这个“复权价”序列来计算第三天的涨跌幅：

• 涨幅 = (104.9 - 100) / 100 = 4.9%

问题出在哪里？

这个 4.9% 的涨幅是错误的！我们前面分析过，股价的实际涨幅是 (102.9 - 98) / 98 = 5%。加减法得出的 4.9% 低估了股票真实的增长能力。

为什么会低估？ 因为加减法没有考虑到“复利”效应。比例法假设你的 2 元分红也以 5% 的速度在增长，而加减法粗暴地认为这 2 元永远就是 2 元，没有参与到后续的投资增值中。随着时间的推移和分红次数的增加，这种误差会越来越大，导致你的回测结果严重失真，尤其是对于那些高分红的股票。

一句话总结： 加减法破坏了价格序列的“增长率”信息，导致收益率计算错误；比例法保留了真实的“收益率”，是回测的正确选择。

Python 获取历史数据的“比例法”数据源推荐

在实践中，我们通常不需要自己去计算复权。专业的数据提供商会直接提供已经计算好的复权价格。你只需要在调用 API 时选择正确的价格类型即可。通常，这被称为“Adjusted Price”（调整后价格）。

以下是一些广受好评且能通过 Python 获取复权后历史数据的数据源：

1. yfinance (雅虎财经)

   • 优点： 完全免费，使用简单，是个人开发者和初学者的首选。它提供的数据默认就是经过比例法复权（前复权）的。
   • 缺点： 数据可能存在清洗不干净或偶尔延迟的问题，对于非常严谨的商业策略，可能需要更专业的数据源。
   • Python 使用示例：

     import yfinance as yf
     
     # 下载台积电(2330.TW)的历史数据
     # auto_adjust=True 是关键，它会自动获取复权后的价格
     tsmc = yf.download('2330.TW', start='2023-01-01', end='2024-01-01', auto_adjust=True)
     
     # tsne.Close 列就是经过比例法(涨跌幅复权法)计算的前复权收盘价
     print(tsmc['Close'].head())
     

2. TuShare

   • 优点： 国内非常流行的财经数据接口，提供丰富的 A 股、港股、美股等数据。数据质量较高，有积分制度，但基础数据免费。提供了明确的复权因子和复权后行情接口。
   • 缺点： 需要注册获取 token，部分高级数据或高频率调用需要积分。
   • Python 使用示例（需要先注册获取 token）：

     import tushare as ts
     
     # 设置你的 token
     ts.set_token('YOUR_TOKEN_HERE')
     pro = ts.pro_api()
     
     # 获取贵州茅台(600519.SH)的日线行情，adj='qfq'代表前复权
     # 'hfq' 代表后复权，两者都属于比例法
     df = pro.daily(ts_code='600519.SH', start_date='20230101', end_date='20240101', adj='qfq')
     
     print(df.head())
     

3. baostock

   • 优点： 免费、开源的中国 A 股证券数据平台。数据比较稳定和准确，也提供了复权选项。
   • 缺点： 主要覆盖 A 股市场。
   • Python 使用示例：

     import baostock as bs
     
     # 登录系统
     lg = bs.login()
     
     # 获取历史K线数据
     # adjustflag="2" 为前复权, "1" 为后复权
     rs = bs.query_history_k_data_plus("sh.600000",
         "date,code,open,high,low,close,preclose,volume,amount,adjustflag,turn,tradestatus,pctChg,isST",
         start_date='2023-01-01', end_date='2024-01-01',
         frequency="d", adjustflag="2")
     
     data_list = []
     while (rs.error_code == '0') & rs.next():
         data_list.append(rs.get_row_data())
     
     import pandas as pd
     df = pd.DataFrame(data_list, columns=rs.fields)
     
     print(df.head())
     
     # 登出系统
     bs.logout()
     

4. 商业级数据源 (Quandl/FactSet, Refinitiv, Bloomberg)

   • 优点： 数据质量最高、覆盖面最广、更新最及时，提供专业的 API 和技术支持。
   • 缺点： 价格昂贵，主要面向金融机构和企业用户。

给初学者的建议： 从 yfinance 或 TuShare 开始。它们完全能满足学习、研究和个人项目回测的需求，并且能让你很好地理解和应用“比例法”复权数据。在调用时，请务必选择“Adjusted”或“复权”选项。