QMT 平台 get_divid_factors 获取复权数据错误的排查与解决方法

反馈 bug：get_divid_factors 数据居然是错的

复权数据作为基础数据之一，为什么 QMT 都能是错的？

以 600375.SH (ST 汉马) 为例，它在 2024-12-26 这天发生了复权，具体的复权因子应该大概是 1.064，但我观察 QMT 的数据发现：

（1）头几天，QMT 当时显示的是 2.4 这个值，

（2）12-30 当时又试了下， 发现 QMT 干脆删除了这天的复权信息

（3）目前最新的数据又变了，直接显示 1 ...

非常理解您的困扰。复权数据作为量化回测和实盘交易的基础，其准确性至关重要。您在 600375.SH (ST 汉马) 上观察到的 get_divid_factors 数据反复变动（从 2.4 到消失，再到 1），确实反映了底层数据处理上的一些问题。

一、 为什么 QMT 的复权数据会出现这种异常波动？

这种情况通常由以下几个原因导致，尤其是在处理 ST 股票或发生复杂公司事件时：

1. 复杂公司事件（如破产重整、资本公积转增）：ST 汉马在 2024 年底涉及重整计划，资本公积转增股本等操作。这类非典型的除权除息事件，交易所的公告解析和数据提供商的算法在初期容易出现偏差。2.4 可能是初期算法错误计算的预估值。
2. 数据源的修正与同步延迟：QMT 的底层数据依赖于上游数据供应商。当供应商发现数据异常时，会进行修正（例如您观察到的删除记录，或者暂时重置为 1）。这种修正推送到客户端需要时间，且有时会经历多次迭代。
3. 本地数据缓存未更新：QMT 客户端为了提高运行速度，会将大量数据缓存在本地。如果服务器端数据已修正，但本地缓存未被正确覆盖或清理，就会导致读取到的数据依然是旧的或错乱的。

二、 解决方案与排查步骤

面对这种底层数据异常，您可以采取以下步骤进行处理和规避：

1. 强制清理并重新下载本地数据（最重要）

很多时候数据变来变去是因为本地缓存错乱。请尝试手动清理并重新下载：

• 打开 QMT 客户端，进入 【数据管理】。
• 找到 除权除息数据 和 日线行情数据。
• 清除 600375.SH 的相关数据，然后重新补充下载最新数据。

2. 向官方/券商提交 Bug 反馈

由于这是底层数据源的问题，最根本的解决方式是让官方修复。建议您通过券商的专属服务群或 QMT 官方渠道，直接提交该股票代码和具体日期的复权异常情况，要求技术人员核实上游数据。

3. 代码层面的替代方案：通过行情反推复权因子

如果 get_divid_factors 接口暂时不可靠，而您又急需准确的复权因子，可以通过获取同一时间段的复权收盘价和不复权收盘价，自行反推复权因子。QMT 的行情数据（get_market_data_ex）通常比单独的除权除息字典修复得更快。

Python 替代方案示例代码：

#coding:gbk

def init(ContextInfo):
    ContextInfo.stock = '600375.SH'
    # 订阅数据，确保本地有最新行情
    ContextInfo.subscribe_quote(ContextInfo.stock, '1d', 'none')
    ContextInfo.subscribe_quote(ContextInfo.stock, '1d', 'front')

def handlebar(ContextInfo):
    if not ContextInfo.is_last_bar():
        return
    
    stock = ContextInfo.stock
    
    # 1. 获取不复权数据
    df_none = ContextInfo.get_market_data_ex(
        ['close'], [stock], period='1d', count=10, dividend_type='none'
    )
    
    # 2. 获取前复权数据
    df_front = ContextInfo.get_market_data_ex(
        ['close'], [stock], period='1d', count=10, dividend_type='front'
    )
    
    if stock in df_none and stock in df_front:
        close_none = df_none[stock]['close']
        close_front = df_front[stock]['close']
        
        print(f"--- {stock} 最近10日复权因子推算 ---")
        # 遍历日期，计算复权因子 (前复权价格 / 不复权价格)
        # 注意：实际复权因子计算可能涉及等比或精确的除权公式，这里提供一个近似的比例参考
        for date in close_none.index:
            if date in close_front.index:
                p_none = close_none[date]
                p_front = close_front[date]
                if p_none != 0:
                    # 简单的价格比值，反映复权影响
                    factor_approx = p_front / p_none 
                    print(f"日期: {date}, 不复权收盘: {p_none:.2f}, 前复权收盘: {p_front:.2f}, 推算比例: {factor_approx:.4f}")

总结：
量化交易中，数据清洗和容错处理是必不可少的一环。对于 ST 股票或发生重大重组的股票，其财务和复权数据往往是“重灾区”。建议在策略中加入对异常复权因子（如突变过大）的过滤逻辑，或者在关键节点使用行情数据进行交叉验证。