A 股的数据坑是「制度性」的：不是数据质量问题，而是市场规则投射到数据上的必然形状。本篇四个主题，每一个都对应一类反复发生的回测事故。
复权与除权除息：算收益的命门
分红送转让原始价格序列产生跳空，不复权直接算收益会把除息日当成暴跌。三种口径的取舍：
| 口径 | 基准 | 用途 | 陷阱 |
|---|---|---|---|
| 不复权 | — | 与实盘委托价对齐、盘口分析 | 不能跨除权日算收益 |
| 前复权 | 以最新价为锚向前调整 | 画图直观、技术指标 | 历史价格随每次分红整体重算；技术指标的历史值漂移 |
| 后复权 | 以上市首日为锚向后调整 | 收益计算、回测的价格序列 | 价格与实际盘口价脱钩（可用于判断「能不能成交」的只有不复权价） |
回测的黄金组合：收益与信号计算用后复权（稳定、不漂移），成交与限价判断用不复权（真实委托价），除权日单独处理（按分红方案把昨日持仓的股数与成本调整，而不是靠复权价隐含处理——组合层的送转要「股数×2、价格÷2」地显式处理）。
前复权缓存漂移是最隐蔽的事故，算一个具体例子：2026 年 6 月某股每股分红 0.5 元（股价 25 元，2%），前复权把 2020 年以来全部历史价格整体下调 2%——你 5 月缓存的信号值、算好的技术指标、乃至当年的回测曲线，在 6 月全部「悄悄变了」。新旧缓存混用时，回测里出现「幽灵收益」。对策：只缓存后复权 + 复权因子两张表，前复权按需实时计算；任何缓存表记录「生成时间 + 覆盖的除权事件上限」（见因子存储与版本管理 的对账思想）。
停牌：不可交易的建模
A 股停牌曾长期任性（2015 年千股停牌），2018 年后制度收紧但停牌仍常见。回测必须在三层显式建模：
- 信号层：停牌日因子值冻结（ffill）或缺失，该股当日不可买入（挂单也成不了交）；
- 组合层：已持仓的停牌股冻结——既不能卖也不能调权重。2015 年股灾中大量基金「停牌股撑住净值」的假象（复牌后补跌）就是这个机制的反面教材；回测里把停牌持仓按冻结处理，净值曲线才会诚实反映复牌补跌。量化其影响：若组合 8% 权重的持仓停牌 2 个月、复牌补跌 30%，回测里「冻结处理」与「假设照常交易」的净值差可达 2.4 个点——足够改变策略评级；
- 成交层：复牌首日波动巨大，成交假设要保守（见数据清洗 的「穿越成交」原则）。
涨跌停与 ST：价格边界的两层含义
涨跌停（主板 ±10%、创业/科创 ±20%、北交所 ±30%、ST ±5%）对回测的三层影响：
- 收益层：涨停价收盘 → 次日惯性（打板策略的制度基础）；跌停封死 → 你挂在跌停价的卖单排在几十万手之后，大概率不成交。回测里「跌停日止损成功」是最常见的乐观偏差——正确建模：跌停封死时卖单不成交，顺延次日；
- 可交易层：涨停封死时买单同样无法成交——动量类策略「信号出现但买不进」的容量与收益都要打折。检验方法：统计信号日的涨停占比，>10% 就要认真处理；
- 成本层：接近涨跌停时的 spread 与冲击成本急剧放大，成本模型要对「距涨跌停的距离」分档（见交易成本分解 ）。
ST：风险警示股涨跌幅 5%、退市风险高、流动性差。多因子模型的常见处理：直接剔除（注意「剔除」本身要在 PIT 上做——用「当时是否 ST」而不是「现在是否 ST」）；或保留但加流动性过滤。小市值策略对 ST 处理最敏感：剔除 ST 后历史收益通常显著下降——这个下降是真实的（你在放弃真实市场里的一类风险收益），要在报告里披露而不是当作噪音（见站内原文小市值策略实战复盘 对此的实战讨论）。
行业分类变更：申万改版的教训
行业因子与中性化都依赖行业分类，而行业分类会改版：申万 2021 年大改（一级 28 → 31 个，大量个股重分类）。用「最新申万分类」回测历史，等于让 2019 年的银行股被分进 2021 年的口径——中性化因子的历史表现系统性失真。
工程方案：行业表做成 PIT 结构（code, industry_sw, effective_from, effective_to），回测截面用「当时生效」的分类；跨口径研究（新旧对比）单独建映射表。中信、证监会、同花顺分类同理，且不同体系的「行业」粒度与逻辑不同（申万偏投资口径、证监会偏监管口径），跨体系混用是行业轮动研究的常见翻车点（见行业与主题
）。
本篇总结成一条工程铁律：A 股数据的每个「特殊处理」（复权、停牌、涨跌停、ST、行业）都应该是回测配置里的显式开关 + 单元测试覆盖，而不是隐藏在数据预处理黑箱里的隐式行为——制度假设显式化，回测才可审计（见回测框架设计 ）。