在之前的TBQuant数据处理探索——后复权详解（上）一文中，我们介绍了主力连续888的缺陷主要是由于换月时强行切换合约数据，其价格之间由于时间价值而存在较大差值。这个差值主要会导致两个问题：

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。

上图即为换月时导致kdj指标产生异动。

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。

如何抹平价格差？股票市场提供了一个很好的思路。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。

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。那么适用于888的复权方法是哪种呢？

首先来看计算对象，这里指的是价格数据。作为复权对象的价格数据，在某个时间点前后被分成相差较大的两部分。

上图很明显在左右两边的数据中间存在跳空节点。为了将两边的数据连接起来，我们要么把左边的数据往下移，要么把右边的数据往上移。

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。两种复权方式使用起来实际效果是一样的。

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，之前模型留下的信号记录就必须重算，等于说运行到一个复权节点，就要回头把之前的数据重新复权一下再运行计算一遍。这使得模型运行机制变得十分复杂而且低效率。

比较而言，后复权的运行高效很多。前复权一般用于复权次数较少的数据，例如股票的高送转一般频率不会非常高，而期货换月一年三次，明显不适合前复权。

其次，我们看看差值复权和比值复权。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。以后复权为例，假使节点前价格为2500，节点后的价格为3000，那么差值为3000-2500=500，我们对后面的数据做如下处理：

标准差是用来描述一组数组的离散程度的指标。如果一组数据比较连续，互相之间差别很小，那么标准差也会较小，接近于0。相反，如果一组数据彼此之间跳空很明显，那么标准差就会偏大。

从上表来看，差值复权前，节点前后数据的标准差高于差值复权后接近20倍，说明复权确实很大程度降低了数据跳空情况，

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，在第一次换月时：

在第二次换月时,02合约价格从第一次换月时的价格1200下跌至950：

第三次换月时，03合约价格从第二次换月时的价格1200下跌至1050：

三次换月处理时，次主力合约价格都是1200，但是差值复权以后，价格从1000降低至750及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。而比值复权不存在复权后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。