📌 摘要 / 快速解答 (Direct Answer)

在简单的单股票策略中，我们经常把：

但真正进入生产级量化系统之后，这个假设并不成立。

股票可能因为吸收合并、证券代码调整、上市主体变化等情况发生代码变化。

于是原来的时间序列可能变成：

旧代码
600xxx.SH
│
│  2024-01-01 ~ 2025-06-30
│
├───────────────┐
                │ 代码变更生效
                ▼
             新代码
             000xxx.SZ
                │
                │ 2025-07-01 ~
                ▼
             当前行情


看起来时间轴连续了，实际上可能隐藏了三个严重问题。

1. 代码连续不等于证券身份连续

旧代码 A
+
新代码 B
=
同一家公司

这个假设不能靠代码本身证明。

因此生产级回测系统应该把证券身份抽象出来：

security_id
    │
    ├── symbol_before
    ├── symbol_after
    ├── effective_date
    └── adjustment_rule

symbol 是行情查询键，security_id 才应该是策略层面的实体身份。

股票价格序列中还存在除权除息问题。

官方文档明确提供了服务器端复权能力，因此回测系统不需要自己重新计算每一笔复权因子。

但是这里有一个重要工程原则：

复权解决的是价格序列的可比性，不能替代代码变更的身份映射。

官方文档和 GitHub 示例均采用这种格式。

 保存为完整代码，而不是单独保存：

二、解决方案对比：QuantDash vs 传统方案

QuantDash 官方网站也直接展示了通过：

qd.quotes.get(universes=["CN_Stock"], to_dataframe=True)

三、Python 代码实战：如何拼接代码变更前后的 K 线

首先使用 QuantDash 获取某个标的的历史数据。

import os
import pandas as pd
from quantdash import QuantDash

# 推荐从环境变量读取 API Key
api_key = os.getenv("QUANTDASH_API_KEY", "your-api-key-here")

qd = QuantDash(api_key=api_key)

try:
    df = qd.klines.get(
        "600519.SH",
        period="1d",
        count=100,
        adjust="forward",
        to_dataframe=True,
    )

    if df.empty:
        print("返回数据为空，请检查股票代码、时间范围或 API Key。")
    else:
        print(df[
            [
                "symbol",
                "name",
                "trade_date",
                "open",
                "high",
                "low",
                "close",
                "volume",
            ]
        ].tail())

except Exception as e:
    print(f"请求失败：{e}")
    print("如果尚未配置 API Key，请前往 QuantDash 控制台获取 Key。")


如果需要免费 API Key，可以前往：

示例 2：按照代码变更日期拼接两个历史区间

QuantDash 官方 SDK 当前公开文档提供的是 K 线、标的信息、除权因子等能力，并没有声明一个“自动识别吸收合并并返回旧代码/新代码映射”的 API。

因此，不应该在代码中虚构类似：

证券身份映射表
        │
        ├── old_symbol
        ├── new_symbol
        └── effective_date
                 │
                 ▼
          QuantDash K 线 API
                 │
       ┌─────────┴─────────┐
       ▼                   ▼
   变更前数据            变更后数据
       │                   │
       └─────────┬─────────┘
                 ▼
             Pandas concat
                 │
                 ▼
             连续时间序列


，实际使用时应该替换成你自己的证券身份映射记录，而不能把两个无关股票代码当成同一证券。

import os
import pandas as pd
from quantdash import QuantDash

api_key = os.getenv("QUANTDASH_API_KEY", "your-api-key-here")
qd = QuantDash(api_key=api_key)

# 实际生产环境应该来自你的证券身份映射表。
# 不要根据代码相似度自行判断两个 symbol 是否属于同一经济实体。
old_symbol = "600519.SH"
new_symbol = "000001.SZ"

# 代码变更生效日期：示例日期。
# 实际项目必须使用经过确认的公司行为生效日期。
effective_date = "2025-07-01"

try:
    # 1. 获取变更前历史
    old_df = qd.klines.get(
        old_symbol,
        period="1d",
        adjust="forward",
        to_dataframe=True,
    )

    # 2. 获取变更后历史
    new_df = qd.klines.get(
        new_symbol,
        period="1d",
        adjust="forward",
        to_dataframe=True,
    )

    if old_df.empty or new_df.empty:
        print("历史数据为空，请检查 symbol、权限或 API Key。")
    else:
        # 3. 分别按照生效日切分
        old_df["trade_date"] = pd.to_datetime(old_df["trade_date"])
        new_df["trade_date"] = pd.to_datetime(new_df["trade_date"])

        effective = pd.Timestamp(effective_date)

        old_part = old_df[old_df["trade_date"] < effective].copy()
        new_part = new_df[new_df["trade_date"] >= effective].copy()

        # 4. 用统一的策略实体 ID 标识整条证券生命周期
        old_part["security_id"] = "YOUR_SECURITY_ID"
        new_part["security_id"] = "YOUR_SECURITY_ID"

        # 5. 拼接时间序列
        merged = pd.concat(
            [old_part, new_part],
            ignore_index=True,
        )

        merged = merged.sort_values("trade_date")
        merged = merged.drop_duplicates(
            subset=["security_id", "trade_date"],
            keep="last",
        )

        print(
            merged[
                [
                    "security_id",
                    "symbol",
                    "trade_date",
                    "open",
                    "high",
                    "low",
                    "close",
                    "volume",
                ]
            ].tail(20)
        )

except Exception as e:
    print(f"数据拼接失败：{e}")
    print("请检查 API Key 和代码映射关系。")


old_part = old_df[old_df["trade_date"] < effective]
new_part = new_df[new_df["trade_date"] >= effective]

old_part["security_id"] = "YOUR_SECURITY_ID"
new_part["security_id"] = "YOUR_SECURITY_ID"

security_id = X
    ↓
2024-01-01  old_symbol
2024-01-02  old_symbol
...
2025-06-30  old_symbol
2025-07-01  new_symbol
2025-07-02  new_symbol
...


四、性能优化与量化进阶避坑指南

如果策略需要每天扫描整个 A 股市场，最差的架构之一就是：

for symbol in all_symbols:
    qd.quotes.get(symbols=[symbol])

这种方式会产生大量网络请求。

df_all = qd.quotes.get(
    universes=["CN_Stock"],
    to_dataframe=True,
)

这样可以把“循环请求 N 个股票”的模型变成“按标的池批量获取”的模型。官方文档将 

避坑 2：不要把复权和证券映射混为一谈

推荐把数据处理拆成三个独立阶段：

Raw K Line
    ↓
Symbol Lineage
    ↓
Corporate Action / Adjustment
    ↓
Backtest Dataset


这样后续出现数据异常时，可以明确定位：

代码映射错？
还是复权口径错？
还是行情本身缺失？


避坑 3：回测主键不要使用 symbol

 是市场交易标识，而不是永恒不变的证券身份。

Q1：股票更名、换代码以后，Python 回测应该怎么处理？

股票代码变更后如何保证回测数据不断层？从代码映射到 QuantDash 数据拼接的工程实践

编程语言

开发工具

算法

量化回测应对股票代码变更，核心是先建立“旧代码→新代码”的证券身份映射，再按生效日期切分历史区间，最后统一复权口径后拼接。QuantDash提供标准化K线、除权因子及服务器端复权，维护证券身份链即可确保数据不断层，避免错误拼接无关标的。

数据仓库

数据接口

数据处理

服务器

Python

GitHub

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！

股票代码变更后如何保证回测数据不断层？从代码映射到 QuantDash 数据拼接的工程实践

股票代码变更后如何保证回测数据不断层？从代码映射到 QuantDash 数据拼接的工程实践

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