企业官网建设流程全解析

最近在整理美股量化分析的数据底仓，发现很多刚接触行情的朋友对"复权"这个概念还是一知半解，甚至有人直接把原始价格拉出来算收益率，算出来的结果自己都觉得离谱。正好借CnOpenData这套美股上市公司复权行情表，把复权这件事彻底讲透，顺便聊聊在真实研究里，这张表到底该怎么用、有哪些坑、能挖出什么有价值的东西。

先说说复权行情表解决了什么核心问题。美股市场里，上市公司隔三差五就来一次分红、拆股、增发，这些公司层面的动作都会让股价产生一个看似"下跌"或"上涨"的跳空。比如一只股票价格是200美元，宣布1拆10，拆完瞬间价格就变成20美元左右，如果不做任何处理，你的回测系统会以为股价暴跌了90%，这显然是荒谬的。拆股本身不改变公司市值，也不改变股东实际权益，纯粹是股本结构的调整，但体现在行情数据里就是一次剧烈的价格断裂。复权的本质，就是把这些非交易因素造成的价格扭曲重新修正回来，让连续的价格序列真正反映市场对该公司的持续定价。

CnOpenData这套表的另一个价值在于"美股"这个范围。美股市场机制和A股有显著差异，比如美股没有涨跌停限制、交易时间更长、存在盘前盘后时段、还有ADR这类存托凭证结构。这意味着处理美股行情时不能直接套用A股的经验，拆股和分红的频率、规则、处理方式都不太一样。这套数据把美股上市公司的复权行情结构化整理好了，省去了大量从原始交易所数据里自行拼装的麻烦。

接下来我会从几个维度拆解这套数据：先讲复权行情的核心机制，再分析数据集的结构和关键字段，然后重点聊美股特有的数据陷阱，接着是实际操作中的数据清洗和复权计算流程，最后谈谈基于这张表可以做哪些有价值的分析。过程中会穿插一些我实际踩过的坑和验证过的经验，希望能帮你少走弯路。

1. 复权行情的核心机制：为什么原始价格不能直接用

1.1 一次拆股引发的"假崩盘"

先来做一个简单的思想实验。假设某家公司股价长期在500美元附近波动，某天宣布进行1拆5，第二天开盘，股价就变成了100美元附近。从K线图上看，这是一个非常吓人的跳水，但如果你同时持有这只股票，你的持仓数量变成了原来的5倍，总市值其实没有任何变化。这种价格变化属于典型的"非交易因素导致的断崖"，不是市场看空，也不是基本面恶化，只是会计口径变了。

如果我们直接拿着原始价格去做技术分析，画均线、算MACD，会发现所有指标都会在这几天产生剧烈的虚假信号。均线会被瞬间拉低，MACD出现死叉，RSI计算出的超卖值完全失真。更严重的是，若使用原始价格计算对数收益率，那几天的收益率会低到无法解释，直接污染整个样本的统计分布。我见过有人用未复权数据跑出一只股票的"年化波动率"高达80%，复盘一看，那段时间里发生了两次拆股，这个波动率根本不能用于任何风控或定价模型。

复权操作就是要把这种分母变化修正回来。前复权以当前价格为基准，调整历史价格；后复权以某个历史时点为基准，调整后续价格。两者本质上都做了同一件事——把拆股、送配、分红等公司行为从价格序列里剥离出去，只留下市场真实的定价变化。比如上述1拆5的例子，前复权会将拆股之前的所有历史价格除以5，这样整个价格序列就变得连续、平滑，均线、指标、收益率的计算才能反映真实的交易逻辑。

1.2 分红除息的价格修正逻辑

拆股之外，现金分红也会制造价格跳空。公司在除息日会从股价中扣除每股分红的金额，理论上除息日的开盘价等于前一日收盘价减去分红金额。这种调整在A股有"XD"标记，在美股则表现为除息日的价格缺口。

对于长期投资者来说，分红除息的价格修正更为关键。假如一只股票每年分红2美元，股价50美元，如果不做复权处理，那么价格序列会呈现每年阶梯式下移，看起来像"跌了4%"。但真实的股东回报里，这2美元是进入了你的现金账户。所以要算总回报率（Total Return），必须把分红的因素加回去，这就是后复权价格的核心用途。

这里有一个细节值得注意：美股的分红频率和A股不太一样，很多公司是每季度分红一次，一年四次，这意味着美股的价格序列里每季度都会出现一次小幅的除息跳空。如果不复权，这类跳空日会被技术指标识别为异常波动，产生频繁的假信号。做美股量化的人如果忽略这一点，策略调参时会非常痛苦——明明逻辑没变，但指标的形态总是在某些固定节点莫名其妙地变差。

1.3 前复权与后复权怎么选

前复权的逻辑是让最新的价格保持现状，将历史价格按比例调整。优点是直观、贴近当前市场行情，适合看盘、画技术指标、做短期策略。缺点是需要不断更新——每当有新的分红除息或拆股发生，整个历史序列都要重新计算一遍。

后复权的逻辑则是固定某个历史基准日，将之后的价格往上调整，保持历史价格不变，适合研究长期收益、计算累积回报、做因子测试。举例来说，一只股票十年前股价5美元，现在50美元，中间分了若干次红利，后复权价格可能已经超过80美元，这个80美元代表的是"始终将分红再投资的股权价值路径"。

我的经验是：做短线、看盘、信号触发类策略，用前复权；做长期持有、组合收益归因、因子研究，用后复权。两者不能混用，尤其是在同一个策略里，前后复权切换会直接导致入场信号和回测结果的错乱。CnOpenData这套表如果同时提供两种复权口径，那是最好的情况，可以直接对比验证；如果只提供一种，也需要明确标注口径，方便使用者准确换算。

2. 美股上市公司行情表的结构与关键字段解析

2.1 行情表里常见的字段构成

一套完整的美股复权行情表，通常会包含公司标识、时间维度、价格维度、成交量维度、复权因子这几个核心部分。具体到表结构，一般是长格式（每一行代表某只股票在某一天的行情），字段大致包括：

• 股票代码：比如AAPL、MSFT这类美股统一代码，以及对应的ISIN或CUSIP编号，用于跨表关联。
• 公司名称：包含规范化的公司全称和简称，有些表还会附加行业分类代码（如GICS分类）。
• 交易日期：标准的美国交易日历，注意美股节假日和A股不同，且没有调休补班的概念。
• OHLC价格：开盘价、最高价、最低价、收盘价，原始价格和复权价格通常分列。
• 成交量与成交额：成交量单位一般是股数，成交额单位为美元，注意部分源会额外区分"盘中成交量"和"总成交量"。
• 复权因子：这是最核心的字段。复权因子是一个乘法系数，告诉用户某一天的原始价格乘以该因子后得到复权价格。
• 涨跌与涨跌幅：部分厂商会直接计算好涨跌额和涨跌幅，但也有些表只给价格，需要用户自己算。

2.2 复权因子的数学含义

复权因子的定义在不同数据商那里有些微差异，但核心逻辑是一致的。通常我们会定义一个累积因子序列，当发生拆股或分红时，根据调整比例更新因子。比如1拆5，因子乘以0.2；分红每股2美元、除息前价格50美元，因子乘以(50-2)/50=0.96。把所有历史调整累乘起来，就得到每个交易日的复权因子。

用数学表达得更精确些：如果我们在时间点t做现金分红D，除息基准价格为P，则复权因子更新为F_new = F_old × (P-D)/P。如果是拆股比例S，则F_new = F_old × (1/S)。实际中拆股和分红可能同时发生，先处理拆股再处理分红，顺序会影响最终的因子数值，所以数据商会有一套标准流程来保证一致性。

使用复权因子有一个很大的好处：它让前后复权之间的转换变得非常简单。假设某天原始价格为P_raw，前复权价格P_adj（以最近日期为基准）等于P_raw乘以当天的累积因子与最新因子之比，后复权价格（以历史基准日）就是P_raw乘以从基准日到当天的累积因子。这个机制意味着数据表里只需要存原始价格和因子序列，用户就能自由切换到任何复权口径，非常灵活。

2.3 时间粒度与数据覆盖范围

这套行情表的时间粒度通常是日线，部分版本可能包含分钟线。日线数据覆盖完整的美股交易日历，而且对拆股日、除息日、特殊交易日（如半天交易日）的处理很关键。比如美股每年感恩节次日、圣诞节前夕会有半天交易，成交量明显偏低，如果分析日内波动或流动性，这天的数据需要单独标记。

覆盖范围方面，一般会包含在纽交所、纳斯达克、美交所上市的公司股票，涉及普通股、优先股、ADR等不同证券类型。需要明确的是，不同版本的覆盖范围可能差异巨大——有些只覆盖标普500成分股或纳斯达克100，有些则是全市场覆盖。如果你的研究需要小市值股票或已退市公司，务必先确认数据覆盖的边界，否则样本选择偏差会让整篇研究失去意义。

另外要关注数据的时间起点。美股电子化交易起步较早，不少数据的日线历史能追溯到上世纪七八十年代，但早期数据的质量参差不齐，尤其是成交量字段可能存在缺失或异常。我的建议是，如果做长周期研究，先用QA工具检查各年代的数据完整率，对早期数据多一分警惕。

3. 美股市场特有的数据陷阱：从拆股到ADR

3.1 拆股与合股：不仅方向不同，影响也不一样

美股市场的拆股比A股要常见得多，尤其是高价股。苹果、特斯拉都做过多次拆股，每次拆股都会引发散户关注度上升，换手率提高。拆股本身不创造价值，但会让单价变低、交易门槛变低，从而改变股票的流动性结构。如果你是做微结构分析或订单流研究的，即使数据做了复权，原始价格和拆股导致的"最小价格变动单位"变化仍然会带来微观层面的差异。

合股（反向拆股）是另一个方向的操作，比如股价跌到1美元以下时，公司可能进行1合10，把股价拉回10美元，避免退市风险。合股在复权处理上和拆股完全对称，但由于合股通常伴随公司困境，合股之后的价格路径波动极大，流动性也可能急剧恶化。在数据处理时，合股日和摘牌日要特别标注，因为很多数据商在合股日的价格调整上容易出错。

这里还涉及一个小众但关键的点：拆股比例并非都是整数。有些公司会搞出"3拆2""7拆4"这类非整数比例，甚至还有极端复杂的"分拆+换股+特别股息"组合操作。复权因子的计算难度随之上升，但数据集里如果复权因子字段本身是可靠的，用户就不必自己去操心这些复杂操作。

3.2 美股ADR的复权特殊性

ADR（美国存托凭证）是美股市场的特殊品种——它代表的是外国公司的股票，以一比多或一比少的比例对应原市场的基础股份。比如某家中国公司1份ADR可能对应2股普通股，某家英国公司1份ADR可能对应6股普通股。这个兑换比例会随公司行为调整，比如原市场发生拆股，ADR的兑换比例也会相应更新。

ADR的复权处理比普通美股更复杂，因为它的价格不仅受美股市场交易影响，还受基础股票在母国市场的价格和汇率双重影响。再有，ADR分红时会涉及预扣税和汇率换算，除息日的价格修正逻辑跟普通美股略有不同。如果你在分析阿里巴巴、网易这类中概股ADR，务必确认数据集是否针对ADR的兑换比例和分红特征做了专门的复权修正，否则时序会出现明显的扭曲。

3.3 除息日、记录日、支付日：三个日期不能搞混

美股分红有三个关键日期：宣告日、除息日、记录日（支付日和记录日往往紧密相关）。其中除息日决定了价格调整，记录日决定了谁能获得分红。数据表中通常标记除息日，但有些免费数据源会把宣告日误标为除息日，导致复权因子计算出现一天错位。一天错位对长周期收益影响不大，但会让日内策略因子测试出现诡异的"周期性异常"。

具体到操作层面，拿到一张行情表后，我建议先抽取几只分红稳定、拆股记录清晰的股票（比如标普500里的大型蓝筹），人工核对历史除息日和价格缺口，验证复权因子的正确性。这个做法花不了多少时间，但能有效避免整策略回测建立在错误数据上。就有过用错误复权数据做回测，所有结果看起来好得令人难以置信，最后发现是除息日错位造成的虚假收益。

3.4 停牌、退市和低价股的极端值处理

美股没有涨跌停，但在金融危机、熔断、异常波动时会有临时的交易暂停。这类停牌在数据里表现为当天没有行情记录，但也有可能数据商用前一交易日的收盘价填充一个"假记录"。如果你的策略涉及事件驱动，对这类假填充记录要做去伪处理。

低价股（股价低于1美元）是美股数据质量的另一个重灾区。这些股票的买卖价差极大，成交量很小，行情波动剧烈，数据商在收集这些数据时容易产生异常记录，比如价格跳动超过1000%。复权行情表如果包含这些股票，需要设置异常值检测流程，比如按照"价格变动超过N倍且没有拆股记录"来过滤。我在实际处理中，就见过一只仙股某天收盘价从0.02美元跳到0.5美元，第二又跳回0.03美元的情况，这种数据不做清洗会直接毁掉任何统计模型。

4. 实操：从原始行情到可靠复权序列的清洗流程

4.1 数据质量预检：先看完整度，再算指标

拿到CnOpenData这套美股复权行情表，建议按照下面的流程先做一遍预检，确保基础数据可靠，再进入下游分析。

第一，检查交易日历是否完整。美股交易日大约每年252天，按年份统计天数，如果某只股票在某段时间缺失较多，需要确定是停牌、退市还是数据源缺失。

第二，检查复权因子的单调性和突跳点。因子序列在拆股/分红日会发生突变，但突变比例应该和公司公告一致。可以随机抽查几个已知的拆股事件（比如某大型科技公司的历次拆股），核对当天的因子变化是否匹配拆股比例。

第三，验证价格序列连续性。对于前复权数据，产品日的开盘价和前一日的收盘价之间，不应该出现无法解释的跳空（除息日除外，虽然复权后会消除）。如果出现较大的跳空差值，往往意味着数据拼接错误或复权因子有误。

第四，交叉检验成交量与价格变动的关系。真实市场里，重大价格变动通常伴随成交量的放大（或极端缩小）。如果你看到某天股价暴涨300%但成交量只有个位数，那大概率是数据错误，应该标注并从样本中剔除。

4.2 复权因子与价格口径的换算方法

如果数据表提供的是原始价格、复权因子、以及某种复权价格，我们有时需要在不同口径间切换。核心公式如下：

假设某股在交易日t的原始收盘价为C_raw[t]，复权因子为F[t]，当前最新因子为F[latest]。

前复权收盘价C_forward[t] = C_raw[t] × (F[t] / F[latest])

后复权收盘价（以历史首日为基准）C_backward[t] = C_raw[t] × F[t]

如果数据表已直接给出前复权价格，而你希望转换成后复权，可以用"某历史基准日的前复权价格与后复权价格的比例"做线性换算。这里的关键是：一次转换后，所有交易日的复权价格都乘以同一个常数，收益率序列完全不受影响。这也解释了为什么有些数据商只提供前复权，用户自己也能轻松转后复权——因为因子是乘法结构。

实际操作中，我更建议在本地数据库里保存三项：原始价格、复权因子、交易日历。下游任何策略需要什么口径，直接现算，避免因为数据商更新因子导致历史价格被悄悄改写。可以这样操作的背景是：前复权价格会随最新交易日而改变，如果直接存储前复权价格，一旦数据源更新，整个历史序列都要重刷，这会破坏回测结果的可重复性。

4.3 用代码合并多标的行情并计算收益率

下面给出一个简化但可直接运行的Python处理流程，用于合并多只股票的前复权行情并计算日收益率。

import pandas as pd import numpy as np # 假设已读入三列：ticker, date, close_forward df = pd.read_csv("us_stock_forward.csv", parse_dates=["date"]) # 删除重复记录，防止同一股票同一天出现多行 df = df.drop_duplicates(subset=["ticker", "date"], keep="last") # 按股票和时间排序 df = df.sort_values(["ticker", "date"]).reset_index(drop=True) # 计算日收益率：先按ticker分组，再对close_forward取对数差分 df["log_return"] = df.groupby("ticker")["close_forward"].transform( lambda x: np.log(x / x.shift(1)) ) # 计算简单收益率 df["simple_return"] = df.groupby("ticker")["close_forward"].pct_change() # 剔除收益率异常值：以股票自身均值为基准，过滤超过6倍标准差的点 def filter_extreme(group): mean = group["simple_return"].mean() std = group["simple_return"].std() group.loc[group["simple_return"].abs() > mean.abs() + 6 * std, "simple_return"] = np.nan return group df = df.groupby("ticker", group_keys=False).apply(filter_extreme) # 输出检查：各股票的记录数和收益率缺失比例 print(df.groupby("ticker")["simple_return"].apply(lambda x: x.isna().mean()))

这个流程里我特意用了对数收益率和简单收益率两种口径。对数收益率在时间维度上具有可加性，适合计算多期累计收益；简单收益率在横截面聚合时更直观，适合做组合归因。过滤异常值时使用的"均值加6倍标准差"并不是一个硬规则，可以按样本量调整，核心思路是先用统计方法把异常点筛出来，再结合停牌、拆股等事件逐一确认。

4.4 从行情表到面板数据的常见结构变更

很多下游分析需要的是面板数据，也就是"行为股票、列为日期、值为收益率"的宽表结构。从长表转换到宽表时，比较常见的问题是不同股票的上市时间不同，导致面板数据存在大量缺失值。此时需要明确：缺失值代表的是"未上市/停牌"还是"数据缺失"，两者处理方式完全不同。

对于"未上市"的时期，应该保持NaN，不能填充0。如果在回测中把未上市股票的收益率填为0，等于白白增加了一个"不亏不赚"的持仓，严重虚增组合收益。对于"数据缺失"的时期，可以结合相邻交易日插值，或直接剔除该股票的相关样本。处理时建议给面板数据添加一个"是否上市"的掩码矩阵，后续做因子分析时才能正确区分有效样本和缺失样本。

另一类常见的结构变更是收益率数据的截面对齐。做多因子模型时，往往需要把t期的因子值与t+1期的收益率对齐，避免前视偏差。这个操作的前提是行情表的时间戳准确到交易日，并且在含停牌股票时要特别注意“t+1期”到底该用哪个交易日——如果股票停牌两天，t+1交易日的收益率实际上是"复牌后的收益率"，信息含量和连续交易完全不同。

5. 复权行情表的进阶用法：横截面因子与事件研究

5.1 拆解长期收益来源：前复权与后复权各司其职

处理长期收益归因时，我通常会把收益拆成三部分：价格增值（纯粹的价格上涨）、分红收益（现金分红积累）、复合收益（分红再投资带来的额外收益）。前复权价格适合观测价格增值，后复权价格则天然包含了分红再投资的复合效应。两者的比值（或差值）实际上衡量了分红对总回报的贡献。

举个例子，某股票五年间前复权价格从100涨到150，收益率为50%；但后复权价格从100涨到180，总回报率为80%。多出来的30个百分点就是分红和分红再投资的贡献。用这个思路去分析美股长期牛股时，你会发现不少老牌消费股的股价增速并不亮眼，但加上分红后长期年化回报相当可观——这就是投资策略里区分"成长股"和"价值股"背后的一层关键数据逻辑。

在构建红利因子时，另一种常用做法是计算"除息调整收益率"，也就是当天除了市场涨跌之外，还要加上每股分红金额与除息前价格的比率。这个日收益率在除息日会显著高于普通日，长期积累下来才构成红利因子的基础数据。行情表如果已经做好复权，计算除息调整收益率时要注意别把分红重复计入——这是个很容易犯的低级错误。

5.2 事件研究法：用复权序列隔离公告效应

事件研究法（Event Study）在金融实证中极为常用，核心目标是通过超额收益检验某个事件（如盈利公告、拆股公告、分红政策变化）是否对公司股价产生了统计上显著的影响。复权行情表在这里的作用至关重要，因为事件的CAR（累计超额收益）必须建立在干净、连续的价格序列基础上。

具体步骤上，先用市场模型估计正常收益率，再用事件窗口的实际收益率减去正常收益率，得到异常收益率（Abnormal Return）。事件窗口通常为事件日前后若干天，比如(-5, +5)共11天。如果价格序列里混有未复权的跳空，事件窗口内的异常收益率会被严重干扰，结论完全失真。

事件研究中还有一个常被忽略的细节：事件日的定义。对于盈利公告，到底用公告日还是盘后发布日？美股很多公司是在盘后发布财报，但盘后交易价格并没有反映在当日收盘价里，需要等到下一个交易日的开盘价才真正反映公告信息。因此事件窗口的起点往往需要根据公告时间来调整，这一点用日线数据做事件研究时尤其要小心。

5.3 板块轮动与动量策略：跨股票复权一致性的重要性

做动量、板块轮动策略时，我们需要横向比较不同股票的累计涨幅。这时，所有股票的复权口径必须严格一致。如果数据表里不同批次股票用了不同基准日的复权因子，横截面排序就会被污染。这个问题的隐蔽性很强，因为纵向切片时很难察觉——只有把多只股票的累计收益率放在同一张图上看，才会发现某些股票的整体斜率明显偏高或偏低，而这不是真实收益差异。

我处理过一种情况：某数据供应方在拼接不同时间段的数据时，前一段用了以2020年为基准的前复权，后一段用了以2023年为基准的前复权，两段拼接后在2020年附近出现系统性跳变。这种问题用收益率检查未必能发现（因为段内收益率计算是自洽的），但直接比较价格水平时就会暴露。解决的唯一稳妥办法是：确保所有股票使用同一基准日、同一复权机制换算出的价格，并且复现一遍关键股票的因子序列。

动量策略的构建中，另一个技术细节是把价格序列先取对数，再计算过去12个月的累计收益（剔除最近1个月，这是经典的12-1动量）。对数价格的好处是不同股票间可以直接比较斜率变化率，而且拆股等公司行为会被复权干净地吸收掉。CnOpenData这套表的复权机制如果处理得足够规范，做这类横截面策略会非常省心。

5.4 风险模型中的波动率与相关性估计

最后聊一下风险模型。无论做组合优化还是风险归因，都需要估计资产的波动率和相关性矩阵。复权处理对波动率估计的影响最为直接：未复权数据中的拆股跳空和除息跳空，在日收益率序列里会造成极其异常的负值，这些负值会显著拉高历史波动率和峰度，导致VaR（风险价值）计算偏大，相关性估计也会偏向保守。

举个例子，一只年化波动率20%的股票，如果年内有一次10%份额的送股和一次2%的现金分红，未复权序列会在这两天的收益率里产生额外的负跳空。这些跳空并非市场风险，但它们会被纳入标准差计算，使波动率被高估约1-2个百分点。这个偏差看起来不大，但在组合层面会进一步传导到权重分配和风险预算上，导致最终组合结构偏离优化目标。

如果要做更精细的风险分析，可以基于复权因子计算"调整后的日收益"，同时单独构建“分红收益率”序列，再在模型层面把分红波动率纳入。比如保险资金和养老金重点关注的总收益率框架，就可以拆分出"资本利得波动率"和"分红波动率"两个分量，分别进行压力测试。这种分析只有建立在干净的复权行情表上才可能实现，原始行情数据做出来的结果基本没参考价值。

6. 实战中我总结的几条复权行情使用经验

说了这么多机制和流程，最后分享几条我在实际项目中反复验证过的经验，供参考。

第一，永远保住一份原始价格+复权因子的副本。前复权价格会随新数据更新而变化，但原始价格和复权因子序列是稳定的。做回测和研究时，坚持用"原始价格×因子"实时计算前复权价格，而不是直接读取厂商提供的静态复权价格字段。这样数据源更新时，你的历史回测结果不会被悄悄改变，研究可复现性大幅提高。

第二，跨市场对比时一定要确认复权逻辑是否兼容。比如同一家公司在美股和港股同时上市，两地市场的拆股、分红信息和复权机制可能不同，直接对比两地收益率曲线会出现系统性差异。正确做法是统一到"总回报指数"口径，各自计算好复权后再做差。

第三，仓位管理离不开总回报口径，别只看价格K线。用美股行情表构建长期组合时，建议把分红当作总回报的一部分，而不是现金收入后就不再关注。同样一只股票，前复权价格年化涨8%，后复权总回报可能是年化11%，这3个百分点的差距在复利十年后相当可观。策略设计一开始就应明确到底用哪个收益率口径。

第四，对任何数据源都要保持"可审计"的心态。拆股、分红事件有公开记录，行情表的复权因子应该能和这些公开记录吻合。建议建立一张"重大公司行为日历表"，定期将数据集中因子突跳点与日历表比对，任何不一致都要追查到底。这套方法排查过不止一次数据商的因子计算错误，其中包括某些头部商业数据源。

这些经验说出来其实都很朴素，但每一条背后都有踩坑的影子。数据合规和数据质量是量化研究的基石，而复权处理又是这块基石中非常关键的一环。CnOpenData这套美股上市公司复权行情表，如果能按照前面的方法做好预检和清洗，完全可以在因子研究、事件分析和组合配置中发挥出很强的支撑功能，避免大量从原始行情开始拼装的时间和坑。