一、问题场景：我在量化实盘中遇到的真实困境

我曾经被“回测很好、实盘很差”这个问题折腾过很长时间。

它使用日线价格和成交量计算信号，回测时间覆盖几年，最终得到的年化收益表现非常漂亮。

第一个月过去以后，我发现实际收益明显低于回测。

但当我把交易记录重新导出来以后，发现有几个信号甚至连产生的日期都和回测不一样。

这就意味着问题已经不只是交易成本了。

最后我把问题定位到了数据层。

当时我的历史回测数据和实时数据并不是完全按照相同口径处理的，尤其是复权和数据时间边界没有统一。

这件事情让我后来形成了一个习惯：

我后来把这类问题归纳成四种。

一只股票发生分红、送转以后，历史价格会出现结构性变化。

如果我回测时使用前复权，而实盘策略读取的是不复权行情，那么同一条技术指标在两个环境里可能得到完全不同的结果。

所以我现在把复权参数视为数据接口的一部分，而不是一个可以随手修改的参数。

比如我要验证某个策略在指定月份的表现，不能简单地认为 API 返回的数据就是我想要的数据。

我现在会明确传入开始时间和结束时间。

分钟策略比日线策略更容易出现这种问题。

如果回测数据使用的是完整交易日，而实时系统在盘中运行，那么最后一根 K 线可能还没有结束。

如果我把未完成的 K 线直接拿来计算信号，就可能造成：

回测使用收盘数据，实盘却使用半成品数据。

回测用数据源 A，实盘用数据源 B。

两个数据源即使都提供开高低收，也不代表数据一定逐字段完全相同。

所以我现在尽量让回测和实盘使用统一的数据接口和统一的数据处理逻辑。

回测阶段找一个免费的历史数据源。

实盘阶段找一个可以实时查询的数据源。

后来我发现，这实际上把两个数据系统拆开了。

数据源不同以后，我必须额外解决：

于是我开始倾向于使用统一接口。

在我的实践中，我后来使用 QuantDash 的 Python SDK 做过这一层验证。

它提供日线和分钟 K 线，同时支持不同复权方式和时间区间查询。

这对我解决“回测和实盘数据口径不一致”的问题比较有帮助。

但我还是保留了自己的数据校验层。

API 统一，不代表策略就天然安全。

我现在排查回测数据时，第一件事情就是明确时间范围。

import datetime
import os
import sys

from quantdash import QuantDash


def to_milliseconds(dt):
    return int(dt.timestamp() * 1000)


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        print("请设置 QUANTDASH_API_KEY")
        sys.exit(1)

    qd = QuantDash(api_key=api_key)

    start = to_milliseconds(
        datetime.datetime(2026, 5, 1)
    )
    end = to_milliseconds(
        datetime.datetime(2026, 5, 31)
    )

    try:
        # Python 回测数据 API：显式指定历史时间区间
        df = qd.klines.get(
            "600519.SH",
            period="1d",
            start_time=start,
            end_time=end,
            adjust="forward",
            to_dataframe=True
        )

        if df.empty:
            print("指定区间没有返回数据")
            return

        print(f"返回 {len(df)} 条数据")
        print(
            df[
                [
                    "trade_date",
                    "open",
                    "high",
                    "low",
                    "close",
                    "volume"
                ]
            ].to_string(index=False)
        )

    except Exception as exc:
        print(f"历史数据查询失败: {exc}")


if __name__ == "__main__":
    main()


时间范围是不是由程序明确控制，而不是由调用默认行为决定。

这样以后重新跑回测时，数据边界才比较容易复现。

我现在通常会把不同复权口径分别取出来进行比较。

import os
import sys

from quantdash import QuantDash


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        print("请设置 QUANTDASH_API_KEY")
        sys.exit(1)

    qd = QuantDash(api_key=api_key)

    try:
        none_df = qd.klines.get(
            "600519.SH",
            period="1d",
            count=20,
            adjust="none",
            to_dataframe=True
        )

        forward_df = qd.klines.get(
            "600519.SH",
            period="1d",
            count=20,
            adjust="forward",
            to_dataframe=True
        )

        if none_df.empty or forward_df.empty:
            print("复权数据比较失败：返回为空")
            return

        print("不复权最近数据：")
        print(
            none_df[
                ["trade_date", "close"]
            ].tail(5).to_string(index=False)
        )

        print("\n前复权最近数据：")
        print(
            forward_df[
                ["trade_date", "close"]
            ].tail(5).to_string(index=False)
        )

    except Exception as exc:
        print(f"复权比较失败: {exc}")


if __name__ == "__main__":
    main()


我实际排查策略的时候，还会记录策略究竟使用了哪种复权方式。

研究员不知道自己用的是前复权；

实盘程序又用了另外一种处理方式。

这种错误很难从策略代码里直接看出来。

结果回测和实盘在某几个时间点产生了不同信号。

最后发现，是因为实盘在 14:55 的时候就读取了还没真正结束的数据。

因此我现在做分钟数据测试时，会明确指定时间区间。

import datetime
import os
import sys

from quantdash import QuantDash


def timestamp_ms(dt):
    return int(dt.timestamp() * 1000)


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        print("请设置 QUANTDASH_API_KEY")
        sys.exit(1)

    qd = QuantDash(api_key=api_key)

    start = timestamp_ms(
        datetime.datetime(2026, 6, 22, 14, 30)
    )
    end = timestamp_ms(
        datetime.datetime(2026, 6, 22, 15, 0)
    )

    try:
        df = qd.klines.get(
            "600519.SH",
            period="5m",
            start_time=start,
            end_time=end,
            to_dataframe=True
        )

        if df.empty:
            print("没有分钟数据")
            return

        print(
            df[
                [
                    "trade_time",
                    "open",
                    "high",
                    "low",
                    "close",
                    "volume"
                ]
            ].to_string(index=False)
        )

    except Exception as exc:
        print(f"分钟数据查询失败: {exc}")


if __name__ == "__main__":
    main()


策略如果需要收盘 K 线，就不要把未完成 K 线当成已经完成的 K 线。

这听起来是一个很小的细节，但它足以改变信号结果。

当我怀疑复权数据出现问题时，会直接查看除权因子，而不是只看最终价格。

import os
import sys

from quantdash import QuantDash


def main():
    api_key = os.getenv("QUANTDASH_API_KEY")

    if not api_key:
        print("请设置 QUANTDASH_API_KEY")
        sys.exit(1)

    qd = QuantDash(api_key=api_key)

    try:
        df = qd.klines.ex_factors(
            ["600519.SH"],
            to_dataframe=True
        )

        if df.empty:
            print("没有获取到除权因子")
            return

        print(
            df[
                [
                    "symbol",
                    "trade_date",
                    "ex_factor"
                ]
            ].tail(10).to_string(index=False)
        )

    except Exception as exc:
        print(f"除权因子查询失败: {exc}")


if __name__ == "__main__":
    main()


因为如果历史收益率突然出现异常，我可以从除权因子开始反查，而不是直接修改策略参数。

经过几次数据事故以后，我现在有三个固定动作。

这样以后策略结果出现变化时，我至少知道应该从哪里查。

第二，复权参数必须显式写出来

即使某个接口默认使用前复权，我在关键回测代码里也倾向于明确指定。

这样其他人接手代码时，不需要猜。

第三，分钟策略一定要定义 K 线完成规则

这是我认为很多个人量化项目容易忽略的地方。

如果策略依赖 5 分钟或者 15 分钟 K 线，我会明确规定：

回测和实盘数据不一致怎么办？我从复权和时间区间查询踩过的坑说起

编程语言

开发工具

大数据

回测与实盘数据口径不一致导致策略失效，问题根源在复权方式、时间边界、分钟K线完整性及数据源切换。统一数据接口并显式控制参数，建立数据校验层，可确保回测结果真实可复现，避免实盘信号偏差。

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！

回测和实盘数据不一致怎么办？我从复权和时间区间查询踩过的坑说起

回测和实盘数据不一致怎么办？我从复权和时间区间查询踩过的坑说起

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