JoinQuant聚宽数据处理：基于复权因子计算前复权价格指南

在量化交易中，处理股票的除权除息是非常重要的一环。如果您已经通过 jqdatasdk 下载了未复权（真实）的行情数据以及对应的复权因子（factor），可以通过简单的数学公式计算出基于任意特定基准日的前复权价格。

1. 计算公式

前复权的核心思想是保持基准日（通常是最近的一个交易日）的价格不变，将历史价格按比例向下调整。

计算公式如下：

目标日的前复权价格 = 目标日的不复权价格 × (目标日的复权因子 / 基准日的复权因子)

• 目标日：您想要计算复权价格的历史某一天。
• 基准日：您选定的作为复权基准的日期（该日的前复权价格等于其不复权价格）。

2. Python 代码实现

假设您已经将数据下载并存储在一个 Pandas DataFrame 中，包含 close（未复权收盘价）和 factor（复权因子）两列，且索引为日期（DatetimeIndex）。

以下是具体的代码示例：

import pandas as pd
import numpy as np

# 假设 df 是您通过 jqdatasdk 下载的数据
# 示例数据结构：
#             close  factor
# 2023-01-01   10.0    1.0
# 2023-05-01    5.0    2.0  (假设发生了10送10的拆股)
# 2023-10-01    6.0    2.0

# 1. 设定基准日 (例如设定为数据中的最后一天)
benchmark_date = df.index[-1] 
# 或者指定特定日期： benchmark_date = pd.to_datetime('2023-10-01')

# 2. 获取基准日的复权因子
benchmark_factor = df.loc[benchmark_date, 'factor']

# 3. 计算前复权价格
# 公式：前复权价格 = 未复权价格 * (当日复权因子 / 基准日复权因子)
df['pre_close'] = df['close'] * (df['factor'] / benchmark_factor)

# 如果您需要计算开盘价、最高价、最低价的前复权，同理：
# df['pre_open'] = df['open'] * (df['factor'] / benchmark_factor)
# df['pre_high'] = df['high'] * (df['factor'] / benchmark_factor)
# df['pre_low'] = df['low'] * (df['factor'] / benchmark_factor)

print(df)

3. 注意事项

1. 复权因子的含义：JoinQuant 提供的 factor 通常是累计后复权因子。这意味着随着时间的推移，发生分红送转时，factor 的值会变大。利用上述公式中的比例关系 (当日factor / 基准日factor)，可以完美地将后复权因子转化为前复权所需的调整比例。
2. 成交量的复权：如果您还需要计算复权后的成交量（volume），公式是反过来的。因为价格降低了，为了保持成交额不变，成交量需要相应放大：
   前复权成交量 = 未复权成交量 × (基准日复权因子 / 目标日复权因子)
3. 动态复权：在 JoinQuant 官网回测时，通常建议使用 set_option('use_real_price', True) 开启真实价格模式，系统会在底层自动处理复权逻辑。但在本地使用 jqdatasdk 进行研究时，掌握手动复权的方法是非常有必要的。