# Agent驱动的除权除息信号校正实践让回测避开分红送转失真

做量化回测的人多少都踩过同一个坑：策略在某个交易日突然触发"跳空低开跌破支撑"的卖出信号，回头一查，当天是除权除息日——10送3的方案让价格自然下修约23%，根本不是市场行为。A股每年有几百家公司实施送转，叠加派息的公司数量更多，如果数据管道没有除权校正机制，这些日期就是回测里成片的假信号。

更隐蔽的问题是复权口径。同一份K线，不复权、前复权、后复权算出来的均线、收益率、回撤可能差得很远；如果信号引擎用前复权数据、回测框架用不复权数据，回测收益会严重失真，而且这种失真很难从最终曲线上直接看出来。

这篇文章记录我们在数据管道里做的除权除息信号校正实践，链路分四步：异常检测、原因定位、自动校正、验证回写。数据全部来自本地数据引擎的落盘数据集，校正逻辑由 Agent 驱动。

## 一、问题定义：两类失真

第一类是信号失真。除权除息日当天，开盘价相对昨收价出现与方案对应的自然跳空，不熟悉数据口径的策略会把它识别成放量下跌、跌破支撑、跳空低开等技术信号，产生本不该存在的交易动作。

第二类是口径失真。均线这类基于价格的技术指标如果横跨除权日计算而不切换复权口径，指标值本身就错了，基于它的信号自然是错的。

两类失真根源相同：价格序列里混入了非交易因素的价格变动。校正的目标就是把这些变动识别出来、标记出来，并在计算层面消除。

## 二、数据底座：三份本地数据集

分红影响数据，接口路径 `time/f10/dividend/{股票代码}`，字段包括报告期、公告日期、分红方案、股权登记日、除权除息日、派息日、方案进度，每天 17:30 更新。这是核对除权事件的权威依据，分红方案字段里是"10派X元转增Y股"形式的方案文本；方案进度字段能区分预案、股东大会通过、实施三个阶段，我们只对"实施"状态的记录做校正，提前把预案期的噪音挡在外面。

历年分红融资数据，接口路径 `time/f10/dividendcompre/{股票代码}`，按年度给出分红总额、增发、配股、新股发行情况，用于交叉验证和长周期统计。

历史K线数据，接口路径 `time/history/trade/{代码}/{级别}`，字段含昨收价、涨跌幅，既是异常检测的输入，也是校正后的验证基准。

三份数据都是本地 JSON 文本文件，无 API 限流。这一点对数据质量类系统很关键——质量校验的本质就是反复读、反复比，同一节点一天跑十遍也没有任何成本压力，远程接口做不到这么从容。

## 三、校正流程四步

第一步：异常检测。扫描K线序列，用昨收价与当日开盘价的偏离幅度检测潜在除权事件，单日偏离超过设定阈值就标记为候选。这一步是纯数值计算，会有误报——大幅低开也可能是真实暴跌——所以它只负责提名，不下结论。

第二步：原因定位。对每个候选日期，拉取 `time/f10/dividend/{股票代码}`，核对候选日期是否命中除权除息日字段，并读出分红方案文本。能对上的确认为除权事件；对不上的按正常波动处理，转回信号引擎。除权除息日是公告过的确定性事实，这一步能排除候选里相当比例的误报。

第三步：口径核对。Agent 把方案文本解析成结构化参数（每股派息、每股送股、每股转增），按公式计算理论除权参考价——昨收价减每股派息，再除以一加送转比例——与交易所公布的除权参考价口径核对，误差可接受才放行。核对失败的进入人工队列，通常是方案文本含特殊条款导致解析偏差。

第四步：校正与回写。给信号引擎打"除权日"标签，被标记日期附近的指标计算一律切换到后复权口径重算；校正完成后，用校正前后两版指标做回归验证，确认除权日附近的假信号消失、非除权日的信号保持不变，验证通过才回写生效。口径选择上我们统一用后复权而不是前复权：前复权会在每次新分红后把全部历史价格整体改写，导致各节点的数据缓存互相失配；后复权以历史为锚，新事件只追加、不改写旧值，天然适合增量管道。

把四步串在一个例子里：某股昨收 20 元，方案为 10 送 3，理论除权参考价约 15.38 元，除权日开盘 15.40 元。不做校正时，这一天的K线会呈现 23% 的"暴跌"、跌破半年线、放量三连，足以触发一整串卖出信号；校正后，该日被打上除权日标签，指标按后复权重算，假信号消失，当日真实涨跌回到复权口径下计算。

## 四、Agent 的两项职责

第一项是方案文本解析。"10派2.5元转增4股""10转4派2.5元（含税）""10送3转2派1.8"……分红方案的写法五花八门，正则能覆盖大部分，但括号注释、含税口径、分段方案的边角情况很多。我们让正则做初筛，Agent 兜底处理非常规写法，把方案文本转成结构化参数，实测解析准确率能做到 99% 以上，剩下的疑难文本带原始上下文进入人工队列，而不是硬解析。

第二项是差异归因。校正会改变一部分历史信号，策略研究人员需要知道哪些信号变了、为什么变。Agent 对比校正前后两版指标，输出差异归因说明：哪个日期、哪个信号、由哪个除权事件引起、理论参考价与实际开盘价差多少。归因报告按"事件—信号—影响"三级结构组织，直接挂在回测任务的附件里，这份报告让校正从黑箱替换变成可审计的操作。

## 五、做成管道标准节点

单次校正不难，难的是持续可靠。我们把这套流程做成了数据管道里的标准节点，每次K线数据更新后自动运行。

节奏上有明显的季节性：A股年报分红季集中在每年 4 到 7 月，除权除息事件密度是平时的数倍。管道在这个窗口自动提高校验频率——平时按日校验，分红季对当日有除权事件的标的逐笔校验，并缩短异常检测的回看窗口。同时用 `time/f10/dividendcompre/{股票代码}` 的年度分红历史做先验：历史上送转频繁的公司，进入分红季后优先纳入高频校验名单。

为了让节点自身可观测，我们还维护了四个管道健康度指标：每日候选事件数、确认除权数、口径核对失败数、人工队列积压数。分红季候选数抬升是正常现象，但如果核对失败数和积压数同步抬升，多半是上游数据口径变了，正确的动作是先停下来查数据，而不是继续校正。

## 六、效果与体会

以内部一套均线策略样本为例，校正前回测区间内跳空跌破类假信号约占全部卖出信号的两成；接入校正节点后，除权日相关误报下降接近九成，回测收益曲线与真实口径的偏差明显收敛。具体数字因策略而异，但方向一致：价格序列里非交易因素剔除得越干净，信号质量越高。

两点体会。第一，数据质量校正必须闭环：只检测不回写，问题会反复出现；只回写不验证，校正本身可能引入新问题。第二，除权校正放在数据管道层而不是每个策略各自处理，是投入产出比最高的位置——一套校正，所有下游策略受益。

资料参考：ig50
[gitee开源地址](https://gitee.com/igtrade/ighub) 
[github开源地址](https://github.com/ig50-service/ig50-official)


做量化回测的人多少都踩过同一个坑：策略在某个交易日突然触发"跳空低开跌破支撑"的卖出信号，回头一查，当天是除权除息日——10送3的方案让价格自然下修约23%，根本不是市场行为。A股每年有几百家公司实施送转，叠加派息的公司数量更多，如果数据管道没有除权校正机制，这些日期就是回测里成片的假信号。

Agent驱动的除权除息信号校正实践让回测避开分红送转失真 IG50免费开源股票数据API接口

编程语言

除权除息日引发的假信号和复权口径失真是量化回测的两大失真源。本文记录Agent驱动的四步校正实践：异常检测、原因定位、口径核对、自动校正与回写。系统统一采用后复权计算，通过本地数据管道自动执行，显著消除除权日误报，收敛回测偏差，提升信号质量。

数据管道

数据缓存

Agent

JSON

2026上云采购 | AI焕新·智启新局

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！

社区新版编辑器体验调研

Agent驱动的除权除息信号校正实践让回测避开分红送转失真 IG50免费开源股票数据API接口-腾讯云开发者社区-腾讯云

Agent驱动的除权除息信号校正实践让回测避开分红送转失真 IG50免费开源股票数据API接口

Agent驱动的除权除息信号校正实践让回测避开分红送转失真 IG50免费开源股票数据API接口

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