我曾经遇到过回测逻辑和实盘代码完全一致，但结果仍然明显偏离的情况。后来我把问题拆成数据周期、时间范围、复权方式和实时行情四部分重新检查，才发现很多所谓的“策略问题”，其实首先应该从数据口径入手。

一、问题场景：我在量化实盘中遇到的真实困境

我以前做策略回测时，有一个习惯：

这个方式在研究阶段非常方便。

数据准备一次，后面的实验都可以重复。

但真正把策略放到实盘环境以后，我开始遇到另一个问题。

研究代码和交易代码虽然使用的是同一套策略逻辑，但每天产生的信号并不完全一致。

直到我把同一个股票、同一个时间范围的数据放在一起逐列检查，才发现问题出在数据口径。

其中一个非常容易忽略的因素，就是复权。

另一个问题，是研究程序使用固定时间范围，而实盘程序使用最近若干根数据。

这两个输入看起来非常接近，但并不一定完全相同。

从那以后，我在做回测和实盘一致性检查时，会先固定四件事情：

只有这四项一致，我才会继续检查策略逻辑。

1. 同一只股票，不同复权方式得到的价格并不一样

量化策略经常需要计算收益率。

收益率 = 当前价格 / 历史价格 - 1


如果历史价格经过公司行为调整，那么收益率的计算结果自然会发生变化。

因此，我现在不会在策略代码中随意决定复权方式。

我会把复权方式当成数据配置的一部分。

2. “最近 N 条”和“固定日期区间”不是完全等价的

这也是我后来比较重视的问题。

获取某个开始时间到结束时间之间的数据


如果测试需要复现，我更倾向于固定开始时间和结束时间。

因为这样每次测试的输入边界更加明确。

3. 历史 K 线和实时行情不能混为一谈

历史 K 线和实时行情承担的是不同的数据职责。

我现在设计数据接口时，会明确区分这两类数据。

我后来做了一件看起来很简单，但实际上非常有用的事情：

把策略输入写成一份明确的数据契约。

标的：600519.SH
周期：1d
复权：forward
开始时间：固定
结束时间：固定


研究程序按照这个契约取数据。

实盘程序也按照这个契约理解历史数据。

如果盘中还需要实时行情，则单独走实时行情路径。

这样做之后，排查问题会简单很多。

因为一旦回测和实盘出现差异，我可以先问：

下面是我用于固定历史数据边界的一种写法。

import datetime
import os

from quantdash import QuantDash


def to_milliseconds(
    value: datetime.datetime,
) -> int:
    """将 datetime 转换为毫秒时间戳。"""
    return int(value.timestamp() * 1000)


def main() -> None:
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError(
            "请设置 QUANTDASH_API_KEY 环境变量"
        )

    qd = QuantDash(api_key=api_key)

    start_time = to_milliseconds(
        datetime.datetime(2026, 5, 1)
    )

    end_time = to_milliseconds(
        datetime.datetime(2026, 5, 31)
    )

    try:
        df = qd.klines.get(
            "600519.SH",
            period="1d",
            start_time=start_time,
            end_time=end_time,
            adjust="forward",
            to_dataframe=True,
        )

        if df.empty:
            print("没有获取到指定时间范围的数据")
            return

        columns = [
            "trade_date",
            "open",
            "high",
            "low",
            "close",
            "volume",
        ]

        print(
            df[columns].to_string(index=False)
        )

    except Exception as exc:
        print(f"获取历史数据失败：{exc}")


if __name__ == "__main__":
    main()


这样当我重新执行实验时，输入条件不会因为“最近 N 条数据”发生变化而产生歧义。

import os

from quantdash import QuantDash


def main() -> None:
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError(
            "请设置 QUANTDASH_API_KEY 环境变量"
        )

    qd = QuantDash(api_key=api_key)

    adjustments = [
        "none",
        "forward",
        "backward",
        "forward_additive",
        "backward_additive",
    ]

    for adjust in adjustments:
        try:
            df = qd.klines.get(
                "600519.SH",
                period="1d",
                count=10,
                adjust=adjust,
                to_dataframe=True,
            )

            if df.empty:
                print(
                    f"{adjust}：没有返回数据"
                )
                continue

            print(
                f"{adjust}："
                f"{len(df)} 条数据，"
                f"最新收盘价="
                f"{df['close'].iloc[-1]}"
            )

        except Exception as exc:
            print(
                f"{adjust}：请求失败，"
                f"原因：{exc}"
            )


if __name__ == "__main__":
    main()


我做这个检查的目的，不是判断某一种复权方式“最好”。

而是避免策略代码在不同地方使用不同的数据口径。

当前 SDK 支持比例复权和差值复权等不同方式，因此在研究环境里，我会明确指定参数，而不是依赖调用者是否记得默认值。

如果策略需要盘中数据，我会单独读取实时行情。

import os

from quantdash import QuantDash


def main() -> None:
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        raise RuntimeError(
            "请设置 QUANTDASH_API_KEY 环境变量"
        )

    qd = QuantDash(api_key=api_key)

    symbols = [
        "600519.SH",
        "000001.SZ",
    ]

    try:
        df = qd.quotes.get(
            symbols=symbols,
            to_dataframe=True,
        )

        if df.empty:
            print("没有获取到实时行情")
            return

        columns = [
            "symbol",
            "last_price",
            "prev_close",
            "volume",
            "ext.name",
            "ext.change_pct",
        ]

        available_columns = [
            column
            for column in columns
            if column in df.columns
        ]

        print(
            df[available_columns]
            .to_string(index=False)
        )

    except Exception as exc:
        print(f"实时行情请求失败：{exc}")


if __name__ == "__main__":
    main()


这里我不会把实时价格直接当成历史收盘价。

这是数据模型上的两个不同概念。

经过几次类似问题之后，我现在排查“回测和实盘数据不一致”的顺序基本固定。

首先确认两边的标的是否完全一致。

同样是价格数据，不同周期对应的计算结果完全不同。

我尽量使用明确的开始时间和结束时间。

如果一边使用前复权，另一边使用不复权，那么直接比较价格或者收益率没有意义。

只有输入数据完全一致以后，我才会继续检查：

我现在越来越倾向于把回测看成一种“数据实验”。

如果实验输入不稳定，最终得到的收益率再漂亮也没有太大意义。

尤其是在回测与实盘之间，数据口径必须尽可能明确。标的、周期、时间边界和复权方式看起来都是很小的参数，但其中任何一个发生变化，都可能影响策略最终结果。

所以，当有人问我“回测与实盘数据不一致怎么办”，我现在通常不会先看策略。

回测和实盘为什么会出现数据偏差：我从复权和时间边界开始排查

编程语言

职业发展

回测与实盘信号不一致？核心问题往往在数据口径。固定标的、周期、时间边界和复权方式这四项数据契约，比怀疑策略更优先。历史K线与实时行情须分开处理，用固定时间区间而非“最近N条”确保可复现。检查顺序应为：股票代码→周期→时间→复权→策略，才能高效定位偏差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

回测和实盘为什么会出现数据偏差：我从复权和时间边界开始排查

回测和实盘为什么会出现数据偏差：我从复权和时间边界开始排查

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐