快速前(后)复权股票K线数据-股票名称筛选当天除权除息股票

思路：

 股票数据日K下载完成（如果需要，关注后续：快速下载更新A股所有日K数据）

收集当天的除权、除息股票名称和代码：

def get_fq_data():
    """
    除权除息当天的股票名称是以： XD，XR，DR开头命名的
    """
    from MG_re_tdx_zsorhy import get_stock_baisc
    use_li = ["exchange", "eastmoney", "hexun+"]    # 从交易所、东财、和讯同花顺等完整免费获取
    fq_stock_names = get_stock_baisc(use_lsit=use_li, to_conf=False, puf_data=True)
    fq_stock_names = fq_stock_names[fq_stock_names['name'].apply(lambda x: x[:2] in ['XD', 'XR', 'DR'])]
    return fq_stock_names

 当前除权除息运行效果：

 有了除权除息数据，默认按通达信gbbq文件的数据计算复权最快最准确；如果通达信gbbq未及时更新，可自动切换到baostock 提供的免费复权因子运算该名单股票的复权(两种方式都能前复权和后复权)

def get_query_adjust_factor(self, code="sh.601398", start_date="2015-01-01", end_date="2025-12-31"):
    """
    @param code: 股票代码，sh或sz.+6位数字代码，或者指数代码，如：sh.601398；
    @param start_date: 开始日期 （格式：YYYY-MM-DD）
    @param end_date: 结束日期 （格式：YYYY-MM-DD）
    @return: 获取复权因子信息数据
    """
    # 登陆系统
    # self.eDbs.login()
    # 显示登陆返回信息
    # print('login respond error_code:' + lg.error_code)
    # print('login respond  error_msg:' + lg.error_msg)
    rs_list = []
    rs_factor = self.eDbs.query_adjust_factor(code=code, start_date=start_date, end_date=end_date)
    # 登出系统
    # self.eDbs.logout()
    while (rs_factor.error_code == '0') & rs_factor.next():
        rs_list.append(rs_factor.get_row_data())
    if rs_list:
        result_factor = pd.DataFrame(rs_list, columns=rs_factor.fields)
        result_factor = result_factor.apply(pd.to_numeric, errors='ignore')
        result_factor['date'] = pd.to_datetime(result_factor['dividOperateDate'])
        result_factor.set_index('date', drop=True, inplace=True)
    else:
        result_factor = pd.DataFrame()
    return result_factor

 运算复权：

完整代码请从资源下载 ....

def _adj_baostock(df_stock, pkl_cqcx, fqtype):
    # 如果数据有复权因子列则删除
    if 'adj' in df_stock.columns:
        df_stock = df_stock.drop(['adj'], axis=1)

    # 赋值复权因子列
    if fqtype == 'qfq':
        pkl_cqcx = pkl_cqcx.rename(columns={'foreAdjustFactor': 'adj'})  # 列改名，为了concat可以匹配
        df_stock = pd.concat([df_stock, pkl_cqcx[['adj']][df_stock.index[0]:]], axis=1)
    elif fqtype == 'hfq':
        pkl_cqcx = pkl_cqcx.rename(columns={'backAdjustFactor': 'adj'})  # 列改名，为了update可以匹配
        df_stock = pd.concat([df_stock, pkl_cqcx[['adj']][df_stock.index[0]:]], axis=1)
    # 清洗复权因子数据
    df_stock = df_stock.fillna(method='ffill')  # 向下填充无效值
    # 再检查释放有无效值, 如果股票不是从上市日期开始的数据；则会前行数据是nan
    if df_stock['adj'].isnull().any():
        df_stock = df_stock.fillna(method='backfill')  # 向上填充无效值

    init_fq = True  # 是否需要运算复权
    if fqtype == 'qfq':
        if df_stock['adj'].sum() == df_stock.shape[0]:  # 前复权因子全部是1则不需要计算复权数据
            init_fq = False
    elif fqtype == 'hfq':
        def BARSLASTCOUNT(S):  # 统计连续满足S条件的周期数
            rt = np.zeros(len(S) + 1)  # BARSLASTCOUNT(CLOSE>OPEN)表示统计连续收阳的周期数
            for i in range(len(S)):
                rt[i + 1] = rt[i] + 1 if S[i] else rt[i + 1]
            return rt[1:]

        if BARSLASTCOUNT(df_stock['adj'].values < 1) == df_stock.shape[0]:  # 前复权因子全部不是1则不需要计算复权数据
            init_fq = False
    # 获得复权数据
    if init_fq:
        df_stock['open'] = df_stock['open'] * df_stock['adj']
        df_stock['high'] = df_stock['high'] * df_stock['adj']
        df_stock['low'] = df_stock['low'] * df_stock['adj']
        df_stock['close'] = df_stock['close'] * df_stock['adj']
        df_stock = df_stock.round({'open': 2, 'high': 2, 'low': 2, 'close': 2, })  # 指定列四舍五入
    # baostok 复权完成
    return df_stock


def baostock_fq(pkl_cqcx, df_stock, fqtype='qfq'):
    # 保留流通股、换手率等数据
    if '流通股' in df_stock.columns:
        df_original = df_stock[['流通股', '流通市值', '换手率']]
        df_stock = df_stock.drop(['流通股', '流通市值', '换手率'], axis=1)
        # 计算复权因子及得到复权数据
        df_stock = _adj_baostock(df_stock, pkl_cqcx, fqtype)
        df_stock = pd.concat([df_stock, df_original], axis=1)
        return df_stock
    # 保留流通股、换手率等数据直接计算
    df_stock = _adj_baostock(df_stock, pkl_cqcx, fqtype)
    # 复权处理完成
    return df_stock

 以上是baostock复权因子复权

完整代码请从资源下载 ....