✅ 推荐：用前复权数据送入 Transformer
📌 原因：
- 价格连续性更好
Transformer 是基于序列建模的，如果价格因为分红送股出现跳跃（比如从 20 掉到 10），模型会误以为发生了重大变化，学习到“错误模式”。 - 技术特征提取更准确
多数金融时间序列特征（如均线、动量、收益率）都是基于价格的变化趋势，必须在价格连续的前提下才有意义。 - 避免模型被噪声干扰
原始（不复权）数据中的价格突变会造成模型注意力权重聚焦在“异常值”上，影响训练效果。
🚫 不推荐使用“原始（不复权）”数据
- 除非你能自己动态复权（很麻烦）
- 或你只关注短期，不涉及任何除权日
✅ 总结建议：
| 数据类型 | 是否推荐送入 Transformer | 说明 |
|---|---|---|
| 原始（不复权） | ❌ 不推荐 | 有突变，不利于建模 |
| 前复权 | ✅ 推荐 | 连续平滑，适合学习趋势和周期性 |
| 后复权 | ✅ 有特定用途 | 如果你在做资产净值预测（不是股价预测）时使用 |
🚀 一句话总结：
用 Transformer 预测股价或对数收益率，请优先使用 前复权（qfq）数据！