如何存原始价+除权因子，随时复现前复权价？

一句话回答： 前复权价不是"固定值"——每次分红送股后，历史前复权价都会整体缩放一次，直接把复权价存进数据库迟早和线上对不上。正确做法是用 AlphaFeed 存原始价（不复权）+ 除权因子（ex_factors），需要时再本地复现复权价。这样数据可审计、可复现，且和 SDK 的 adjust="forward" 结果逐行完全一致（误差 0）。

为什么会有这个问题：前复权价会"漂移"

很多人把 adjust="forward"（前复权）的收盘价直接落库，几个月后发现：同一天、同一只票，历史前复权价变了。这不是 bug——前复权的定义就是"以最新价为基准向前缩放"，每发生一次分红送股（除权），基准就变一次，整条历史序列会被重新缩放。

直接存复权价：数据会随时间"漂移"，回测无法复现、审计对不上账。
每次全量重取复权价：浪费带宽，且旧数据被覆盖后无法追溯。
存原始价 + 除权因子：原始价永不变，因子只在除权日新增一条，任意时点都能精确还原任意复权口径。

分步骤解决

第 1 步：取原始价与除权因子

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

symbol = "600519.SH"
raw = af.klines.get(symbol, period="1d", count=400, adjust="none",
                    to_dataframe=True).sort_values("trade_date").reset_index(drop=True)
ef = af.klines.ex_factors([symbol], to_dataframe=True).sort_values("trade_date")

print(ef[["trade_date", "ex_factor"]].tail(3).to_string(index=False))

ex_factors 返回每个除权日的一条记录，字段见下表。ex_factor 是该次除权事件的调整比率（>1 表示当日发生了分红/送股导致的向下跳空）。

字段	含义	示例
`symbol`	标的代码	`600519.SH`
`timestamp`	除权日毫秒时间戳	`1027526400000`
`trade_date`	除权日（YYYY-MM-DD）	`2026-06-26`
`ex_factor`	该次除权的调整比率（每次事件一条）	`1.023663`

第 2 步：用因子复现前复权价

AlphaFeed 前复权的口径是：某交易日 t 的前复权价 = 该日原始价 ÷（所有除权日晚于 t 的 ex_factor 连乘积）。最新一段（在最后一次除权之后）除数为 1，即前复权价 = 原始价。

raw["td"] = pd.to_datetime(raw["trade_date"])
ex = ef.assign(td=pd.to_datetime(ef["trade_date"]))[["td", "ex_factor"]]

def forward_divisor(t):
    later = ex.loc[ex["td"] > t, "ex_factor"]   # 晚于当日的所有除权事件
    return later.prod() if len(later) else 1.0

raw["divisor"] = raw["td"].apply(forward_divisor)
raw["qfq_close"] = raw["close"] / raw["divisor"]

第 3 步：与 SDK 的前复权结果对账（误差应为 0）

fwd = af.klines.get(symbol, period="1d", count=400, adjust="forward",
                    to_dataframe=True).sort_values("trade_date").reset_index(drop=True)

diff = (fwd["close"] - raw["qfq_close"]).abs()
print("最大绝对误差:", round(diff.max(), 6))       # -> 0.0
print("最大相对误差(%):", round((diff / fwd["close"]).max() * 100, 6))  # -> 0.0

实测（茅台 600519.SH，400 个交易日）：最大绝对误差 = 0.0，逐行完全一致。说明"原始价 + 因子"能无损复现 SDK 的前复权序列。

第 4 步：落库设计（只存不变量）

只落 原始 OHLC + 每次除权的因子 两张表，复权价永远现算：

表	列	说明
`bars_raw`	symbol, trade_date, open, high, low, close, volume, amount	原始价，写入后永不修改
`ex_factors`	symbol, trade_date, ex_factor	除权事件表，只在除权日新增一行

增量更新时：K 线只追加新交易日；ex_factors 只在有新除权时追加。历史行永不被覆盖，天然可审计、可复现。

关键坑与注意事项

不要落库复权价当"真值"：它会随每次除权整体缩放，落库即过期。
后复权（backward）反过来：以最早价为基准，历史价不变、最新价被放大，适合长周期收益复现；前复权适合看当前价位。可用同一套因子换基准点复现。
成交量/成交额：AlphaFeed 的除权因子用于价格口径；成交量不做价格式复权，跨除权做量能比较要谨慎。
A股有真实 amount，美股/港股 K 线 amount=0（用 volume 替代），与本文复权逻辑无关，但落库时要注意。

常见问题（FAQ）

Q：为什么我半年前存的前复权价现在对不上了？
A：因为期间发生了分红送股，前复权基准变了，历史序列被整体缩放。存原始价 + 因子就不会有这个问题。

Q：ex_factor 是累计的还是单次的？
A：是单次除权事件的比率。复现某日复权价要把该日之后的所有 ex_factor 连乘作为除数。

Q：需要付费吗？
A：klines.get/ex_factors 属基础能力，注册即有免费额度；大规模全市场批量与更高频调用见 Starter 及以上，详见定价页。

小结

复权价是"派生量"，会随除权漂移；原始价和除权因子才是"不变量"。用 AlphaFeed 存原始价 + ex_factors、需要时本地复现，既省带宽又能做到 误差 0、可审计、可复现——这才是能长期维护的复权数据方案。

参考

AlphaFeed Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart