在之前的TBQuant数据处理探索——后复权详解(上)中，我们介绍过，主力连续888的缺陷主要是由于合约数据在月变期间被强制切换，其价格因时间价值而存在较大差异。这种差异主要导致两个问题： 　　

　　一、对于大部分趋势策略来说，换月的大跳空基本意味着出现交易信号，然而这个信号通常情况下都是无效的。 　　

　　二、对于大部分指标来说，由于都需要计算过去一段时间的k线数据，导致换月以后用于计算的数据出错。 　　

　　上图是kdj指标在换月时的变化。 　　

　　导致这两个问题的核心原因其实是因为前后价格差太大。那么如果能把前后的价格差抹平，这两个问题自然会迎刃而解。 　　

　　如何抹平差价？股票市场提供了一个好主意。股票常见高送转等操作，股价往往要重新计算，这个重新计算被称为复权。同样的思路我们也可以应用到期货里。 　　

　　那么适用于复权有多种方法，从计算对象来分有前复权和后复权，从计算方式来分有差值复权和比值复权。? 888的正确恢复方法是什么呢 　　

　　首先看计算对象，是指价格数据。作为还原对象的价格数据分为某个时间点前后差异较大的两部分。 　　

　　在图形上，很明显，左右数据之间存在间隙节点。为了连接两边的数据，我们要么向下移动左边的数据，要么向上移动右边的数据。 　　

　　如果是把左边的数据往下移，就被称为前复权，也就是对前面的数据进行修复处理。如果是把右边的数据向上移，那就被称为后复权，也就是对后面的数据进行修复处理。's两种复职方式的实际效果是一样的。 　　

　　由于程序化模型的运行机制是从左到右运行，那么前复权会导致历史数据被修改,必须重新计算前一个模型留下的信号记录，这意味着当你运行到一个加权节点时，你必须返回并再次加权前一个数据，并再次运行计算。这使得模型的运行机制非常复杂，效率低下。 　　

　　比较而言，后复权的运行高效很多。's预恢复通常用于恢复次数较少的数据。比如股票转让的高频一般不会很高，而一年三次的期货交易所显然不适合预复权。 　　

　　其次，我们来看看差权和比权。以差值复权顾名思义，将节点前后的数字取一个差值，然后将需要复权的数据统一加减这个数值。为例，如果节点前的价格是2500，节点后的价格是3000，那么差价就是3000-2500=500。我们将处理以下数据： 　　

　　标准差是用来描述一组数组的离差的指标。如果一组数据是连续的，它们之间的差异很小，那么标准差就会很小，接近于0。反之，如果一组数据之间的差距明显，标准差就会过大。 　　

　　从上表可以看出，节点前后数据的标准差比差值加权后高出近20倍，说明加权后确实在很大程度上缩小了数据差距。 　　

　　但是差值复权对于期货品种来说却有致命的缺陷，那就是期货品种都有较为固定的基差，对于正向市场的连续差值复权会导致最后的价格变成负值。 　　

　　例如，在第一个月变更时： 　　

　　在第二个月的变更中，02的合同价格从第一个月的1200下降到950: 　　

　　在第三个月的变动中，03的合约价格从第二个月变动的1200下降到1050: 　　

　　第二个主合约的价格在三次改变月份时为1200，但在恢复差额后，价格从1000降至750和600，长此以往，复权价格就会降至负值，这样会对测试报告和后期计算带来很多困难。.但不存在恢复后比率的价格降至负值的情况。 　　

　　根据上文总结，商品能选择的最佳复权方案，只能是向后比值复权。