行情数据：粒度、复权与合约换月

复权：前复权是隐蔽的前视

前复权：以今天为基准反推历史价格——分红除权日一过，全部历史价格都会变。用它存数据，等于把未来的分红信息写进了历史，是典型前视偏差；
后复权：以上市首日为基准向后累乘，历史值一旦确定不再变化——回测应使用后复权；
不复权 + 复权因子：最干净的做法——存原始价格与因子，收益在计算时用 $\prod (1 + \text{因子调整})$ 逐日拼接，任何基准都可重建。

import numpy as np
import pandas as pd

def adjusted_returns(raw: pd.DataFrame, factor: pd.Series) -> pd.Series:
    """raw: 未复权收盘价；factor: 复权因子（向后累乘）。返回真实日收益。"""
    px_adj = raw["close"] * factor            # 等价于后复权价
    return px_adj.pct_change().dropna()

粒度：日线的额外坑

停牌日：不能简单前值填充后再算收益——停牌期间的真实收益为零，填充后复牌日的收益会被压缩到错误的位置。正确做法是停牌日剔除、复牌日收益一次性计算；
指数成分：用今天的名单回溯历史，是幸存者偏差的另一形态，见财务与公告数据；
分钟与 tick：数据量呈两个数量级增长，存储见存储格式与查询；tick 数据还要处理集合竞价、异常报价与交易所规则变化。

期货的换月拼接

期货没有"一只股票"的概念，只有不断到期的合约。连续价格序列必须拼接，两种方式：

方式	做法	适用
比例调整（后复权式）	换月日乘以新旧价比，百分比收益连续	趋势/动量策略、收益率统计
价差调整（差价平移）	换月日减去新旧价差，价格变动连续	只关心价差绝对水平的场合

比例调整是默认选择：趋势信号与波动率都以百分比收益为对象，见期货：保证金、换月与限仓。换月日的选择（成交量规则：旧合约成交量被新合约超过）本身也要按当时的成交量判定，不能事后固定。

量化中的用法

存原始价 + 复权因子，收益计算时再调整；
停牌日剔除而非填充；
期货用比例调整拼接，换月日按当时成交量规则判定。

本章要点

回测应使用后复权或直接用复权因子计算收益，避免前复权带来的前视
停牌日不能简单前值填充后再计算收益
期货连续合约：价差调整 vs 比例调整，趋势策略更适合后者