量化小讲堂 ：量化投资中如何处理复权、除权问题

引言：

本系列帖子“量化小讲堂”，通过实际案例教初学者使用python、pandas进行金融数据处理，希望能对大家有帮助。

【必读文章】:《10年400倍策略分享-附视频逐行讲解代码》

（http://bbs.pinggu.org/thread-5558776-1-1.html）

【所有系列文章汇总】:（http://bbs.pinggu.org/thread-3950124-1-1.html）

微信：coinquant，有问题欢迎交流。

文中用到的A股数据可在www.yucezhe.com下载，这里可以下载到所有股票、从上市日起的交易数据、财务数据、分钟数据、分笔数据、逐笔数据等。

【量化小讲堂 - Python、Pandas系列】量化投资中如何处理复权、除权问题

最近惊讶的发现很多同学对如何在量化投资的实战中如何处理复权、除权等问题，其实不是非常了解，耽误很多事情，所以本文专门来详细的讲一下这个问题。

【复权计算方法】

股票会时不时的发生现金分红、送股等一系列股本变动，这会造成股价的非正常变化，导致我们不能直接通过股价来计算股票的涨跌幅。例如一个股票是10元，当他10送10的时候，它的价格会变成5元，但是我们并不能认为这个股票下跌了5 / 10 - 1 = 50%。

下面举一个具体的例子来说明如何计算除权价格以及复权涨跌幅：

易事特(SZ300376)在2015年6月5日的收盘价是89.00元，当天晚上每股分红0.184元，并且每10股转增4股，那么这个股票除权之后的收盘价应该是(89.00 - 0.184) * 10 / (10 + 4) = 63.44元。下一个交易日6月8日的收盘价是57.10，真实涨跌幅应该是57.10 / 63.44 - 1 = -9.993695%，而不是57.10 / 89.00 - 1 = -35.842697%。

其中真实涨跌幅57.10 / 63.44 - 1 = -9.993695%也被称为是复权涨跌幅。

【复权涨跌幅最重要】

因为以上除权问题的存在，很多研究量化的同学在寻找股票数据的时候，很在意是否能得到复权之后的价格数据。我想说的是，股票的复权价格并不是最重要的，最重要的是要得到股票复权之后的涨跌幅。

若你有了股票每天的复权涨跌幅，那么知道了股票第一天的价格，通过简单的连乘计算，自然就可以计算出之后每一天的复权价，这个叫做后复权价。

例如股票第一天的价格是10元，之后每天的复权涨跌幅是1%、-2%、3%...那么之后每天的复权价格分别是10 * (1+1%)、10 * (1+1%) * (1-2%)、10 * (1+1%) * (1-2%) * (1+3%)...

同样的，知道了股票最后一天的价格，那么自然也就可以计算出之前每一天的价格，这个叫做前复权价。行情软件中的前后复权价格，其实也是这么算出来的。

若股票数据中只给出了复权价格，这对计算收益的准确性是有很大影响的。例如给出的是前复权价格，那么很久之前的股票价格往往很小的数字，一般又都是精确到两位小数，所以会变成0.45，0.47这样类似的数字。

例如万科A(SZ000002)在2006年2月8日的前复权收盘价是0.56，2月9日的前复权收盘价是0.48，那么2月9日的收益是0.48/0.56 - 1 = -14.29%，但是实际上8号、9号的真实收盘价是5.26、5.06，真实的涨幅是-3.80%，与-14.29%相差巨大。

【同花顺、通达信等各家的复权方式不同】

查看来自不同数据源的数据的时候，会发现它们的复权价格或者复权涨跌幅会有微小的差异，这往往是由不同的复权方式导致的。

例如，复权时对于分红产生的个人所得税，各家的处理方式是不一样的。同花顺、通达信中的复权是不考虑所得税的。上文提到的易事特(SZ300376)每股分红0.184元10股转4股，不考虑所得税的除权公式是(89.00 - 0.184) * 10 / (10 + 4) 。

但是实际上，这0.184元不会全部到投资者的口袋里，而是会扣掉10%的所得税（不同投资者扣得税还不一样），所以投资者得到的分红只有0.184 * (1 - 10%)，那么更加准确的分红方式应该是：(89.00 - 0.184 * (1 - 10%)) * 10 / (10 + 4) 。一些专业的数据库，例如wind、国泰安，就是这么复权的。

【其他】

对于分钟或者更小级别的数据，我个人认为是没有必要进行复权的，直接用原始数据就可以了。复权之后反而会对数据准确性造成非常大的影响。

不要过分追求准确性。复权其实挺复杂的，之前的例子只提到了分红、转增，其实还有增发、配股、可转债等非常复杂的情况。所以哪怕非常贵的、非常专业的数据库，我都曾发现过它们复权计算中的错误。一开始这让我挺头疼的，但后来也释然了，不再去追究这些细小的误差。

对于文章的内容有疑问、或者《量化小讲堂》相关的问题，欢迎大家留言、私信与我进行沟通。