已知条件：

概念描述：

开始计算：

读入数据

计算复权因子

计算前复权因子

计算后复权因子

计算前复权收盘价

计算后复权收盘价

数据：

本文以恒瑞医药上市以来至2022-07-06的数据作为讲解素材，数据在本文最后会提供下载。

注：本文计算不考虑扣税

已知条件：

1. 恒瑞医药上市以来无复权收盘价数据

文件名：pre_600276_data.csv

字段说明：secID:股票编码，tradeDate:交易日期，closePrice:收盘价

2. 恒瑞医药上市以来分红数据

文件名：pre_600276_bonus.csv

字段说明：registerDate:股权登记日，exDivDate:除权除息日，perCashDiv:每股派息（现金分红），perShareDivRatio:每股送股，perShareTransRatio:每股转增，programmeTxt:分红的文字描述

概念描述：

1. 上市公司在送股后，股票的数量变多，但公司价值不变，股价变低，在K线图上就会出现一个缺口，涨跌幅变得不合理，很多指标通过这样的数据计算出来基本不可用，所以就需要修补这个缺口，这个过程就叫复权。

2. 复权有分前复权和后复权，比较通用的是前复权，一般指标的计算都是使用前复权数据
3. 前复权是以最近一次的除权日为起点，往前回溯对数据进行调整，可以粗糙地理解是把以前的数据往下平移，去除缺口
前复权后价格=(复权前价格-现金红利)/(1+流通股份变动比例)
这里的“复权前价格”是股权登记日的收盘价

4. 后复权要看我们使用的数据以什么时候为起点，可以是上市当日，也可以自己任意取一个开始日期，可以粗糙地理解是从开始日期把往后的数据向上平移，去除缺口
后复权后价格=复权前价格×(1+流通股份变动比例)+现金红利
这里的“复权前价格”是除权除息日的收盘价

开始计算：

import pandas as pd
pd.set_option('display.max_columns',None)
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.figure(figsize=(20,10))
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

读入数据

df_noright_data = pd.read_csv('pre_600276_data.csv',encoding='utf-8')
df_noright_data.head()

df_bouns = pd.read_csv('pre_600276_bonus.csv',encoding='utf-8')
df_bouns.head()

计算复权因子

# 计算复权因子，所有计算都不考虑税费
df_adjust_factor = df_bouns.loc[:,['registerDate','exDivDate','perCashDiv','perShareDivRatio','perShareTransRatio']].copy()
df_adjust_factor['registerDate'] = pd.to_datetime(df_adjust_factor['registerDate'])
df_adjust_factor['exDivDate'] = pd.to_datetime(df_adjust_factor['exDivDate'])
# 将“股权登记日registerDate”对应的未复权收盘价加入 df_adjust_factor 表，字段名为 register_close_price
df_noright_data['tradeDate'] = pd.to_datetime(df_noright_data['tradeDate'])

def input_register_close_price(x):target_date = x['registerDate']target_close = df_noright_data[df_noright_data['tradeDate']==target_date].iloc[0]['closePrice']return target_close
df_adjust_factor['register_close_price'] = df_adjust_factor.apply(input_register_close_price,axis=1)
df_adjust_factor.head()

# 将“除权除息日exDivDate”对应的未复权收盘价加入 df_adjust_factor 表，字段名为 except_close_price
def input_except_close_price(x):target_date = x['exDivDate']target_close = df_noright_data[df_noright_data['tradeDate']==target_date].iloc[0]['closePrice']return target_close
df_adjust_factor['except_close_price'] = df_adjust_factor.apply(input_except_close_price,axis=1)
df_adjust_factor.head()

计算前复权因子

1. 前复权后价格=(复权前价格-现金红利)/(1+流通股份变动比例)
2. 计算的是“股权登记日”的收盘价
3. 前复权因子 = 前复权后价格/复权前价格
4. 前复权除权因子，为本次股权登记日为起点，往前开始累乘，所得到的数值为“前复权除权因子”，这样历史未复权收盘价乘以前复权除权因子后就是前复权收盘价

# 计算前复权因子
'''
前复权后价格=(复权前价格-现金红利)/(1+流通股份变动比例)
计算的是“股权登记日”的收盘价
前复权因子 = 前复权后价格/复权前价格
前复权除权因子，为本次股权登记日为起点，往前开始累乘，所得到的数值为“前复权除权因子”，这样历史未复权收盘价乘以前复权除权因子后就是前复权收盘价
'''
# 定义前复权因子字段名 pre_single_factor
def caculate_preSingleFactor(x):perCashDiv = x['perCashDiv'] if not np.isnan(x['perCashDiv']) else 0   # 每股派息perShareDivRatio = x['perShareDivRatio'] if not np.isnan(x['perShareDivRatio']) else 0  # 每股送股perShareTransRatio = x['perShareTransRatio'] if not np.isnan(x['perShareTransRatio']) else 0 # 每股转增ori_price = x['register_close_price']target_price = (ori_price-perCashDiv)/(1+perShareDivRatio+perShareTransRatio)target_radio = target_price/ori_pricereturn target_radio
df_adjust_factor['pre_single_factor'] = df_adjust_factor.apply(caculate_preSingleFactor,axis=1)
df_adjust_factor.head()

# 定义前复权除权因子字段名 pre_accum_factor
df_adjust_factor['pre_accum_factor'] = df_adjust_factor['pre_single_factor'].cumprod()
df_adjust_factor.head()

计算后复权因子

1. 后复权后价格=复权前价格×(1+流通股份变动比例)+现金红利
2. 计算的是“除权除息日”的收盘价
3. 后复权因子 = 后复权后价格/复权前价格
4. 后复权除权因子，要看你的收盘价数据是以什么时间为起点，你收盘价数据的起点就是后复权除权因子计算的起点，往后开始累乘后复权因子，所得到的数值为“后复权除权因子”，这样历史未复权收盘价乘以后复权除权因子后就是后复权收盘价

# 计算后复权因子
'''
后复权后价格=复权前价格×(1+流通股份变动比例)+现金红利
计算的是“除权除息日”的收盘价
后复权因子 = 后复权后价格/复权前价格
后复权除权因子，要看你的收盘价数据是以什么时间为起点，你收盘价数据的起点就是后复权除权因子计算的起点，往后开始累乘后复权因子，\
所得到的数值为“后复权除权因子”，这样历史未复权收盘价乘以后复权除权因子后就是后复权收盘价
'''
# 定义后复权因子字段名 after_single_factor
def caculate_afterSingleFactor(x):perCashDiv = x['perCashDiv'] if not np.isnan(x['perCashDiv']) else 0   # 每股派息perShareDivRatio = x['perShareDivRatio'] if not np.isnan(x['perShareDivRatio']) else 0  # 每股送股perShareTransRatio = x['perShareTransRatio'] if not np.isnan(x['perShareTransRatio']) else 0 # 每股转增ori_price = x['except_close_price']target_price = ori_price*(1+perShareDivRatio+perShareTransRatio)+perCashDivtarget_radio = target_price/ori_pricereturn target_radio
df_adjust_factor['after_single_factor'] = df_adjust_factor.apply(caculate_afterSingleFactor,axis=1)
df_adjust_factor.head()

# 定义后复权除权因子字段名 after_accum_factor
df_temp = df_adjust_factor.loc[:,['exDivDate','after_single_factor']].copy()
df_temp.sort_values(by='exDivDate',ascending=True,inplace=True)
df_temp.head()

df_temp['after_accum_factor'] = df_temp['after_single_factor'].cumprod()
df_temp.tail()

df_temp.sort_values(by='exDivDate',ascending=False,inplace=True)
df_adjust_factor['after_accum_factor'] = df_temp['after_accum_factor']
df_adjust_factor.head()

计算前复权收盘价

前复权收盘价 = 无复权收盘价*前复权除权因子

# 计算前复权收盘价
df_pre_data = df_noright_data.loc[:,['tradeDate','closePrice']].copy()
df_pre_factor = df_adjust_factor.loc[:,['registerDate','pre_accum_factor']].copy()
df_pre_factor.rename(columns={'registerDate':'tradeDate'},inplace=True)
df_pre_factor.head()

df_pre_data = pd.merge(df_pre_data,df_pre_factor,on='tradeDate',how='left')
df_pre_data.head()

df_pre_data.tail()

df_pre_data['pre_accum_factor'] = df_pre_data['pre_accum_factor'].fillna(method='bfill',axis=0)
df_pre_data.tail()

df_pre_data['pre_accum_factor'] = df_pre_data['pre_accum_factor'].fillna(1,axis=0)
df_pre_data.tail()

df_pre_data['adj_close'] = df_pre_data['closePrice']*df_pre_data['pre_accum_factor']
df_pre_data.plot(x='tradeDate',y=['closePrice','adj_close'])

计算后复权收盘价

后复权收盘价 = 无复权收盘价*后复权除权因子

# 计算后复权收盘价
df_after_data = df_noright_data.loc[:,['tradeDate','closePrice']].copy()
df_after_factor = df_adjust_factor.loc[:,['exDivDate','after_accum_factor']].copy()
df_after_factor.rename(columns={'exDivDate':'tradeDate'},inplace=True)
df_after_data = pd.merge(df_after_data,df_after_factor,on='tradeDate',how='left')
df_after_data.head()

df_after_data.tail()

df_after_data['after_accum_factor'] = df_after_data['after_accum_factor'].fillna(method='ffill',axis=0)
df_after_data.tail()

df_after_data.head()

df_after_data['after_accum_factor'] = df_after_data['after_accum_factor'].fillna(1,axis=0)
df_after_data['adj_close'] = df_after_data['closePrice']*df_after_data['after_accum_factor']
df_after_data.plot(x='tradeDate',y=['closePrice','adj_close'])

数据：

链接：https://pan.baidu.com/s/104dpG734M5kD4cjMsYkGgw
提取码：souj

pandas_计算前复权收盘价和后复权收盘价相关推荐

除权、除息、复权、填权、填息、贴权、贴息、含权、含息、前复权、后复权到底什么区别（MD终于明白了用图解释）
除权.除息.复权.填权.填息.贴权.贴息.含权.含息.前复权.后复权到底谁是谁(MD终于明白了) 最常见常用的是复权,复权相关联的本质事件是为了拆股,原来一股10000块一股,很多人买不起啊,所以拆成 ...
前复权还是后复权，你真的用对了吗？
提到复权,炒股的小伙伴一定很熟悉.由于股票经常发生派息.配股.分拆或合并等事件,使得股价出现缺口,复权就是用来填补缺口的,分为前复权和后复权两种方法. 前复权保持当前价格不变,对历史价格进行增减,使得 ...
【量化交易】股票价格前复权与后复权的区别以及注意事项
时不时就会看到到底是用股票前复权还是后复权价格的讨论,比如下面就是一个很经典的问法: "我用前复权价格计算指标的时候,发现会出现负价格,就没法取log了,应该是分红太多导致的,请问这种怎么处 ...
前复权和后复权有什么区别
前复权和后复权是指股票价格的复权方式. 前复权是指在计算股票的价格指数或者收益率时,将股票价格的历史数据进行复权,也就是将历史股票价格进行调整,把因为除权或增发股票而导致的股票价格变化纠正回来,使得不 ...
前复权后复权程序C# .net
if (win32apitest.MDIMain.SFSDA.FuQuan == "前复权") { ...
前复权是从今天的价格倒推后复权是从上市价格前推不复权就是原始K线。...
前复权是从今天的价格倒推后复权是从上市价格前推不复权就是原始K线.
【公告】变更！采用动态复权作为回测复权机制
相信最近一些小伙伴可能发现一些问题就是同一个策略回测的结果-- 好像跟之前不太一样了回测效果貌似没有之前好了是记错了吗?是代码被改了吗? 都不是! 是我们回测的复权机制改了! 什么是复权复权就 ...
ACM_求N^N的前5位数和后5位数（数论）
NNNNN Time Limit: 2000/1000ms (Java/Others) Problem Description: 对于整数N,求N^N的前5位和后5位(1057题加强版) Input: ...
python做马尔科夫模型预测法_隐马尔可夫模型的前向算法和后向算法理解与实现（Python）...
前言隐马尔可夫模型(HMM)是可用于标注问题的统计学习模型,描述由隐藏的马尔可夫链随机生成观测序列的过程,属于生成模型. 马尔可夫模型理论与分析参考<统计学习方法>这本书,书上已经讲得 ...
HMM——前向算法与后向算法
1. 前言前向算法和后向算法主要还是针对HMM三大问题之一的评估问题的计算,即给定模型参数,计算观察序列的概率.文章不介绍过多公式,主要看两个例子复习一下HMM的三大要素(以海藻(可观测)和天气( ...

pandas_计算前复权收盘价和后复权收盘价

已知条件：

概念描述：

开始计算：

读入数据

计算复权因子

计算前复权因子

计算后复权因子

计算前复权收盘价

计算后复权收盘价

数据：

pandas_计算前复权收盘价和后复权收盘价相关推荐

最新文章

热门文章