Recipe：复权研究基线

这个 Recipe 用一只股票做最小验证：同一窗口里，未复权 close 与后复权 adj_close 的收益可能不同；研究代码必须明确选择口径，并确认因子覆盖是 exact。

1. 生成可验证的小湖

pip install cnequity
cne demo --research --symbols 600519.SH

--research 会把窗口扩展到约三年，额外从 Sina 派生 hfq 因子。命令末尾会打印类似下面的摘要（收益会随 as-of 交易日变化）：

600519.SH: raw return -24.25% → hfq return -14.39% (756 exact rows, ...)

如果只需要确认 TDX 连通性，可以先跑不带 --research 的 cne demo；网络受限时不要把失败的研究输出当成“没有复权变化”。

2. 在 Python 中复核合同

from pathlib import Path

import polars as pl

from cnequity.config import load_config
from cnequity.query import load

cfg = load_config(Path("configs/cnequity.demo.toml"))
raw = load(
    "daily_bars",
    symbols=["600519.SH"],
    config=cfg,
)
hfq = load(
    "daily_bars",
    symbols=["600519.SH"],
    adjust="hfq",
    strict_adj=True,
    config=cfg,
)

if not bool(hfq["adj_is_exact"].all()):
    raise RuntimeError("factor coverage is not exact; stop the research run")

comparison = (
    raw.select(["trade_date", "close"])
    .rename({"close": "raw_close"})
    .join(
        hfq.select(["trade_date", "adj_close", "adj_is_exact"]),
        on="trade_date",
        how="inner",
    )
    .sort("trade_date")
    .with_columns(
        (pl.col("raw_close") / pl.col("raw_close").first() - 1).alias("raw_return"),
        (pl.col("adj_close") / pl.col("adj_close").first() - 1).alias("hfq_return"),
    )
)

print(comparison.tail(1))
comparison.write_parquet("data/cnequity-demo/research-baseline.parquet")

这里的 raw_close 是湖内保留的原始价格，adj_close 是查询时把派生的 hfq 因子应用到原始价格的结果。湖内只持久化 hfq；qfq 通过 load(adjust="qfq") 按查询窗口推导，详见 ADR-0004。

3. 进入真实研究前的检查

from cnequity.query import list_datasets

print(
    list_datasets(config=cfg)
    .filter(pl.col("dataset").is_in(["daily_bars", "adj_factors"]))
    .select(["dataset", "coverage_start", "coverage_end", "history_mode"])
)

不要仅凭行数判断覆盖完整：history_mode 可能是 snapshot_with_backfill，而 coverage_start 由实际分区决定。全市场研究还应明确 universe="all_a"，并阅读其历史 ST 覆盖限制。