高质量的复权因子exfactor

股价从 10 元变成 9 元，不一定代表股东损失了 10%。 如果这一天每股除息 1 元，减少的股价对应了一份现金分配权利。 送股则改变股数：每 10 股送 10 股后，股数翻倍，理论每股价格减半。 直接把这些价格相除，会把公司行动造成的单位变化当成投资损失。

复权因子把不同时点的价格换算到同一个基准，消除这类机械跳变，保留市场涨跌。 本节使用独立构造的教学数据，依次解释事件、因子与价格变化。 下列数值不是某只股票的历史行情，也不需要连接服务端即可复算。

先派现，再送股

假设不计税费，除权日没有额外市场涨跌，且现金分红与送股不发生在同一天：

时点	事件	不复权价格
D0、D1	事件前	10 元
D2	第一次：每股派现 1 元	10 − 1 = 9 元
D3	正常上涨 10%	9 × 1.1 = 9.9 元
D4	第二次：每 10 股送 10 股	9.9 ÷ 2 = 4.95 元
D5	正常上涨 10%	4.95 × 1.1 = 5.445 元

持有 100 股时，D1 的股票价值为 1,000 元；D2 为 900 元股票加 100 元现金权益。 D3 的股票价值为 990 元；D4 则变成 200 股 × 4.95 元，仍为 990 元。 派现与送股本身没有造成表面上的 −10% 和 −50% 损失。 现金实际到账还取决于派发日，不能把除息日与到账日混为一谈。

把单次事件变成累计因子

本库 exfactor 使用 PRIOR_CLOSE 口径： 单次事件因子等于除权前收盘价除以理论除权价。 它与“乘到历史价格上的向后调整系数”互为倒数，比较数据源时必须先核对方向。

$$f_{event} = \frac{P_{prev}}{P_{ex,theoretical}}, \qquad F(t) = \prod_{ex\_date \le t} f_{event}$$

本例首次派现的因子为 10 / 9，第二次送股的因子为 2。 累计因子在 D2 之前为 1，在 D2、D3 为 10 / 9，从 D4 起为 20 / 9。 事件从除权除息日生效，不能提前到公告日或登记日。

实际除权日价格仍可能因交易而涨跌；计算理论除权价是为了剥离公司行动， 不是为了强制把当天收益设成零。

备注

复杂公司行动的处理，远不止把几个比例相乘。 配股需要核对认购价格、 实际生效的配售比例与股本变化；分拆需要把新分配证券的价值折算到原持股， 并区分可观察的市场价格与带来源、口径的估值。同日叠加派现、送转或配股时， 还要统一每股基准和生效时点，避免先后顺序或重复记录造成二次调整。

因子生产链路会对齐证券身份、事件条款和参考价格，处理修订、撤销与重复记录， 并结合可用的交易所参考信息进行一致性核验。未生效、条款不完整或无法可靠定价的 情形与“没有公司行动”分别记录；跨越无法定价事件的复权查询会被阻断， 不会用一个看似合理的默认因子补齐。具体事件类型的覆盖仍以对应数据集为准。

可以通过 get_ex_factor() 查看单次因子、累计因子与除权日期， 累计历史包含未定价事件时会明确报错；公司行动接口可用于核对对应事件。

三种价格，两个基准

设原始价格为 P(t)，基准日为 b：

$$P_{adjusted}(t;b) = P(t)\frac{F(t)}{F(b)}$$

方式	本例计算	保持什么不变
不复权 none	P(t)	当时实际价格尺度，保留除权跳空
前复权 pre	P(t) × F(t) / F(D5)	D5 的价格，较早价格换算到 D5 基准
后复权 post	P(t) × F(t)	首次事件前的价格，后续价格换算回初始基准

本例把累计因子的初始值设为 1，因此后复权可直接乘 F(t)。 服务端后复权的初始基准是因子 release 的首个事件之前， 并非每次查询窗口的第一天。

day      raw      F(t)       pre      post
D0    10.000  1.000000     4.500    10.000
D1    10.000  1.000000     4.500    10.000
D2     9.000  1.111111     4.500    10.000
D3     9.900  1.111111     4.950    11.000
D4     4.950  2.222222     4.950    11.000
D5     5.445  2.222222     5.445    12.100

D2 的三种价格分别为 9、4.5、10，D4 分别为 4.95、4.95、11。 前、后复权在同一段数据上仅差一个固定倍数，所以相邻收益率相同， 价格绝对值则不能互换。前复权保持基准日价格，新的公司行动会改变默认最新基准， 因此历史前复权价格可能随数据更新而变化。

灰色为不复权，绿色为前复权，橙色为后复权。 D2、D4 的机械跌幅消失，D3、D5 的真实涨幅保留。

可下载 计算数据 CSV、 图片 PNG 和 复算及绘图脚本。 脚本生成表格与图片，且核对两次除权的连续性、基准价格及前后复权比例。

复权价格也不是现金账户。若本例 100 元分红一直留作现金，D5 的总资产为 200 × 5.445 + 100 = 1,189 元，累计收益为 18.9%； 复权价格的累计变动则为 21%。资金到账、税费、再投资策略与股数变化， 需要由组合账户单独核算，不能把复权收益无条件当成实盘账户收益。

在 libfinance 中取得三种价格

日常查询由 get_price 组合原始行情与 exfactor。 下面用真实证券代码演示 API，打印的是服务端结果，不是上面的教学数字：

import pandas as pd
import libfinance as lf

prices = {}
for mode in ("none", "pre", "post"):
    prices[mode] = lf.get_price(
        "600000.XSHG", "2023-07-17", "2023-07-25",
        fields=["close"], adjust_type=mode,
        adjust_orig="2023-07-25" if mode == "pre" else None,
    )["close"]
print(pd.concat(prices, axis=1).round(4))
print(lf.get_ex_factor("600000.XSHG", "2023-07-17", "2023-07-25"))
print(lf.get_dividends(
    "600000.XSHG", start_date="2023-07-17", end_date="2023-07-25",
))

get_ex_factor 以 ex_date 为索引，返回 order_book_id、ex_factor、 ex_cum_factor。前者对应单日 f_event，后者对应 F(t)； 累计值从数据版本内该证券首个事件前的 1 起算，不从查询起始日重新累乘。 即使未定价事件早于查询窗口，只要影响累计值也会报错。 中美市场都提供单次及累计因子。 字段与带打印结果的查询示例见 5 公司行动信息。

adjust_orig 只为前复权选择基准；不传时使用服务端因子 release 的 cutoff， 不自动等于 end_date。固定基准便于比较多次查询，但它不是知识截止参数， 也不等同于上一节的 as_of。要严格复现，还应固定底层数据版本。

客户端当前会按价格因子的倒数缩放成交量，成交额 turnover 保持不变。 这是本库的返回口径；现金分红本身不会增加实际成交股数。 研究真实成交量时应查询 adjust_type="none"，避免混用实际股数与复权量。

高质量来自可追溯与校验

光有一条平滑曲线，不能证明复权正确。 本库的因子生产与查询链路需要保证以下几件具体事情：

• 身份连续。 因子关联永久证券身份，再按查询时点解析代码，避免更名或代码复用串到别的证券。

• 事件正确。 核对除权日、派现金额、股数比例及事件状态；同日多项行动应正确合成，重复事件不能重复相乘。

• 计算可解释。 保留定价输入、事件条款、因子来源与状态，计算结果与可用的交易所参考信息交叉核对。

• 缺失不伪装成无事件。 覆盖外或存在无法定价的事件时应拒绝查询；确认无公司行动时，因子为 1 才有依据。

事件修订或撤销后，应按新版本重新计算累计因子，不能把修订再当成一项新事件叠加。 原始行情、事件记录、复权基准和数据版本共同决定结果，图中的连续性只是其中一项检查。