feat(rotation): 实现跨市场ETF映射与溢价控制方案
- 重新设计配置文件结构，支持指数到ETF的映射关系及市场类型区分 - 新增ETF数据获取模块，从Tushare获取A股ETF行情及净值 - 修改因子计算逻辑，基于指数数据计算因子，使用ETF数据计算收益率 - 重构轮动引擎，支持同时处理指数与ETF数据，动态检查ETF可用性 - 增加跨境ETF溢价控制机制，基于实时及历史溢价率过滤或降权持仓标的 - 持仓和报告模块显示ETF代码及跨境溢价率信息，提升实际操作参考价值 - 更新配置解析，构建代码-名称、代码-ETF和代码-市场映射关系 - 采用A股交易日历对齐多市场数据，确保因子计算和信号生成时序准确 - 详细设计溢价率计算与信号调整策略，解决跨境市场时差及数据可用性问题 - 明确加密货币数据处理方案及休市期间数据填充策略，保证逻辑一致性与安全性
This commit is contained in:
597
跨市场ETF映射方案_4467318e.md
Normal file
597
跨市场ETF映射方案_4467318e.md
Normal file
@@ -0,0 +1,597 @@
|
||||
# 跨市场ETF映射方案
|
||||
|
||||
## 背景问题
|
||||
|
||||
当前系统存在以下问题：
|
||||
1. 配置中使用指数代码，但实际交易的是ETF
|
||||
2. 跨境ETF（恒生科技ETF、纳指ETF）在A股交易，交易时间与标的指数不同
|
||||
3. 回测收益使用指数价格，与实际ETF收益存在跟踪误差
|
||||
|
||||
## 方案设计
|
||||
|
||||
### 核心思路
|
||||
- **信号层**：使用指数数据计算因子，生成交易信号
|
||||
- **执行层**：使用ETF数据计算收益，反映实际交易成本和跟踪误差
|
||||
- **加密货币**：保持原样，直接在交易所买卖
|
||||
|
||||
### 数据流程
|
||||
```
|
||||
指数数据 → 因子计算 → 信号生成 → 映射到ETF → ETF收益计算
|
||||
```
|
||||
|
||||
### Task 执行顺序
|
||||
|
||||
```
|
||||
Task 1 (配置结构) ─────┬─→ Task 6 (配置解析)
|
||||
│
|
||||
Task 2 (ETF数据获取) ──┼─→ Task 3 (因子计算) ─→ Task 4 (轮动引擎)
|
||||
│ │
|
||||
Task 7 (溢价控制) ─────┴───────────────────────────→─┴─→ Task 5 (报告)
|
||||
```
|
||||
|
||||
**推荐执行顺序**：Task 1 → Task 6 → Task 2 → Task 7 → Task 3 → Task 4 → Task 5
|
||||
|
||||
---
|
||||
|
||||
## Task 1: 修改配置文件结构
|
||||
|
||||
修改 `config/strategies/rotation.yaml`，将简单的代码列表改为支持指数-ETF映射的结构：
|
||||
|
||||
> **ETF 代码格式说明**：Tushare 使用 `.SH`（上交所）和 `.SZ`（深交所）后缀
|
||||
|
||||
```yaml
|
||||
code_list:
|
||||
# A股指数 - index为指数代码(信号), etf为场内ETF代码(交易)
|
||||
"000300.SH":
|
||||
name: "沪深300"
|
||||
etf: "510300.SH" # 华泰柏瑞沪深300ETF（上交所）
|
||||
market: "A"
|
||||
"000905.SH":
|
||||
name: "中证500"
|
||||
etf: "510500.SH" # 南方中证500ETF（上交所）
|
||||
market: "A"
|
||||
|
||||
# 跨境ETF - 使用境外指数计算信号，但交易A股ETF
|
||||
"HSTECH":
|
||||
name: "恒生科技"
|
||||
etf: "513180.SH" # 华夏恒生科技ETF（上交所）
|
||||
market: "HK"
|
||||
"NDX":
|
||||
name: "纳指100"
|
||||
etf: "159501.SZ" # 嘉实纳指100ETF（深交所）- 流动性好
|
||||
market: "US"
|
||||
|
||||
# 黄金 - A股黄金ETF
|
||||
"GC=F":
|
||||
name: "黄金"
|
||||
etf: "518880.SH" # 华安黄金ETF（上交所）
|
||||
market: "COMMODITY"
|
||||
|
||||
# 加密货币 - 无ETF映射，直接交易
|
||||
"BTC":
|
||||
name: "比特币"
|
||||
etf: null # 无ETF，直接交易
|
||||
market: "CRYPTO"
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Task 2: 创建ETF数据获取模块
|
||||
|
||||
在 `core/datasource/hybrid_source.py` 中新增ETF数据获取能力：
|
||||
|
||||
1. 新增方法 `fetch_etf_data()` 获取A股ETF数据（通过Tushare）
|
||||
2. 修改 `fetch_all()` 返回值，同时返回指数数据和ETF数据
|
||||
|
||||
关键逻辑：
|
||||
- A股ETF（如510300.SH）：使用 Tushare 的 `fund_daily` 接口
|
||||
- 所有ETF都在A股交易，统一使用A股交易日历
|
||||
|
||||
```python
|
||||
def fetch_all(...) -> Tuple[pd.DataFrame, pd.DataFrame, pd.DataFrame, list]:
|
||||
"""
|
||||
Returns:
|
||||
(index_data, etf_data, benchmark_data, valid_codes)
|
||||
- index_data: 指数数据，用于因子计算
|
||||
- etf_data: ETF数据，用于收益计算
|
||||
"""
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Task 3: 修改因子计算逻辑
|
||||
|
||||
修改 `core/factors/momentum.py` 的 `compute_factors()` 函数：
|
||||
|
||||
1. 接收两套数据：指数数据（用于因子计算）+ ETF数据（用于收益计算）
|
||||
2. 因子基于指数价格计算
|
||||
3. 日收益率基于ETF价格计算（或指数价格，如果没有ETF映射）
|
||||
|
||||
```python
|
||||
def compute_factors(
|
||||
index_data: pd.DataFrame, # 指数数据 - 用于因子
|
||||
etf_data: pd.DataFrame, # ETF数据 - 用于收益
|
||||
code_list: list,
|
||||
...
|
||||
) -> tuple[pd.DataFrame, list]:
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Task 4: 修改轮动引擎
|
||||
|
||||
修改 `strategies/rotation/engine.py`：
|
||||
|
||||
1. `fetch_data()`: 同时获取指数和ETF数据
|
||||
2. `generate_signals()`: 基于指数因子生成信号，**动态检查 ETF 可用性**
|
||||
3. `run_backtest()`: 基于ETF价格计算收益
|
||||
|
||||
关键变更：
|
||||
- 存储 `self.index_data` 和 `self.etf_data` 两套数据
|
||||
- 信号基于 `index_data` 的因子得分
|
||||
- 收益率基于 `etf_data` 的价格变动
|
||||
- **新增**：ETF 上市日期检查，未上市的 ETF 不参与当日排名
|
||||
|
||||
```python
|
||||
def generate_signals(self) -> pd.DataFrame:
|
||||
# 对每个交易日，检查 ETF 数据可用性
|
||||
for date in trading_dates:
|
||||
# 获取当日有 ETF 数据的标的
|
||||
available_codes = [
|
||||
code for code in self.valid_codes
|
||||
if not pd.isna(self.etf_data.loc[date, code_etf_map[code]])
|
||||
]
|
||||
# 只在 available_codes 中选择信号
|
||||
...
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Task 5: 修改报告和持仓跟踪
|
||||
|
||||
修改 `strategies/rotation/report.py` 和 `portfolio.py`：
|
||||
|
||||
1. 报告中同时显示指数名称和ETF代码
|
||||
2. 持仓记录使用ETF代码（方便实际操作）
|
||||
3. 新增字段：实际交易标的、交易市场
|
||||
4. **新增**：跨境 ETF 溢价率显示（使用 Task 7 的真实净值计算）
|
||||
|
||||
输出示例：
|
||||
```
|
||||
当前持仓建议:
|
||||
1. 纳指100 (NDX) → 买入 513100.SH (国泰纳指100ETF) [溢价率: +3.2%] ⚠️
|
||||
2. 沪深300 (000300.SH) → 买入 510300.SH (华泰柏瑞沪深300ETF) [溢价率: +0.1%]
|
||||
3. 比特币 (BTC) → 买入 BTC/USDT (OKX交易所)
|
||||
|
||||
注: 溢价率 > 2% 显示警告标记
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Task 6: 更新配置解析逻辑
|
||||
|
||||
修改 `scripts/run_rotation.py` 和 `config/settings.py`：
|
||||
|
||||
1. 解析新的配置结构，提取指数代码列表和ETF映射
|
||||
2. 构建 `code_name_map`、`code_etf_map`、`code_market_map`
|
||||
3. 向下传递映射关系
|
||||
|
||||
---
|
||||
|
||||
## Task 7: 跨境 ETF 溢价控制（新增）
|
||||
|
||||
在 `strategies/rotation/engine.py` 中增加溢价过滤机制：
|
||||
|
||||
### 问题背景
|
||||
当美股/港股大涨时，A股跨境 ETF 往往高开甚至涨停，溢价率可达 3%-5%。如果在高溢价时买入，即使境外指数不跌，溢价回落也会造成亏损。
|
||||
|
||||
### 溢价率数据来源
|
||||
|
||||
**需要合并两个 Tushare 接口**（各需要 2000 积分）：
|
||||
|
||||
1. `fund_daily`: 获取 ETF 交易价格 (close)
|
||||
2. `fund_nav`: 获取 ETF 单位净值 (unit_nav)
|
||||
|
||||
```python
|
||||
import tushare as ts
|
||||
pro = ts.pro_api()
|
||||
|
||||
# 1. 获取 ETF 价格
|
||||
price_df = pro.fund_daily(
|
||||
ts_code='159501.SZ', # 纳指ETF
|
||||
start_date='20200101',
|
||||
end_date='20250101',
|
||||
)
|
||||
|
||||
# 2. 获取 ETF 净值
|
||||
nav_df = pro.fund_nav(
|
||||
ts_code='159501.SZ',
|
||||
start_date='20200101',
|
||||
end_date='20250101',
|
||||
)
|
||||
|
||||
# 3. 合并计算溢价率
|
||||
price_df = price_df[['trade_date', 'close']].rename(columns={'trade_date': 'date'})
|
||||
nav_df = nav_df[['nav_date', 'unit_nav']].rename(columns={'nav_date': 'date', 'unit_nav': 'nav'})
|
||||
merged = price_df.merge(nav_df, on='date', how='inner')
|
||||
|
||||
# 溢价率 = 收盘价 / 净值 - 1
|
||||
merged['premium'] = merged['close'] / merged['nav'] - 1
|
||||
```
|
||||
|
||||
**实测结果**（159501.SZ 纳指 ETF，60 天数据）：
|
||||
- 平均溢价率: +4.34%
|
||||
- 最大溢价率: +7.83%
|
||||
- 溢价率 > 2% 的天数: 93.9%
|
||||
|
||||
**结论**：跨境 ETF 的高溢价是真实存在的风险，必须在策略中增加溢价过滤！
|
||||
|
||||
### Tushare 积分说明
|
||||
|
||||
| 接口 | 所需积分 | 用途 |
|
||||
|------|---------|------|
|
||||
| `fund_daily` | 2000 | ETF 日线行情（价格） |
|
||||
| `fund_nav` | 2000 | ETF 单位净值 |
|
||||
| `index_daily` | 2000 | A股指数日线 |
|
||||
|
||||
当前 2000 积分满足所有需求，限制：每分钟 200 次，每天 10 万次/API。
|
||||
|
||||
### 不同市场类型的溢价率计算方式
|
||||
|
||||
**核心逻辑**：在 T+1 日 09:00 计算信号时，T 日净值是否已公布？
|
||||
|
||||
| ETF 类型 | 跟踪标的收盘时间 | 净值公布时间 | T+1日09:00可用净值 | 溢价率公式 | 溢价控制 |
|
||||
|---------|-----------------|-------------|-------------------|-----------|---------|
|
||||
| **A股 ETF** | T日 15:00 | T日 ~18:00 | T日净值 | `T日价格 / T日净值` | 可选（溢价通常 < 0.5%） |
|
||||
| **港股 ETF** | T日 16:00 | T日 ~18:00 | T日净值 | `T日价格 / T日净值` | **必须**（溢价可达 3%+） |
|
||||
| **黄金 ETF** | T日 15:00 | T日 ~18:00 | T日净值 | `T日价格 / T日净值` | 可选（流动性好，溢价小） |
|
||||
| **美股 ETF** | T+1日 05:00 | T+1日 晚间 | **T-1日净值** | `T日价格 / T-1日净值` | **必须**（溢价可达 5%+） |
|
||||
|
||||
> **注意**：A股 ETF（如沪深300 ETF）流动性好、套利机制完善，溢价率通常在 ±0.5% 以内，可不启用溢价过滤。跨境 ETF（港股/美股）因套利限制，溢价率波动大，**必须启用过滤**。
|
||||
|
||||
**时间线对比**：
|
||||
|
||||
```
|
||||
A股/港股/黄金 ETF：
|
||||
T日 T+1日
|
||||
├──────────────────────┼─────────────
|
||||
15:00 ~18:00 09:00
|
||||
收盘 净值公布 计算信号 → T日净值已可用 ✓
|
||||
|
||||
美股 ETF（跨境）：
|
||||
T日 T+1日
|
||||
├────────────────────────────────┼────────────────────────────
|
||||
15:00 22:30 05:00 09:00 ~晚间
|
||||
ETF收盘 美股开盘 美股收盘 计算信号 T日净值公布
|
||||
↑
|
||||
T日净值未公布，只能用 T-1日净值
|
||||
```
|
||||
|
||||
**这与集思录的计算方式一致**：集思录对跨境 ETF 使用 `价格日期` 和 `净值日期` 两列，反映了实际数据可用性。
|
||||
|
||||
### 解决方案
|
||||
|
||||
1. **计算实盘溢价率**（按市场类型）
|
||||
```python
|
||||
def calculate_realtime_premium(
|
||||
etf_code: str,
|
||||
market_type: str,
|
||||
price_date: str,
|
||||
) -> float:
|
||||
"""
|
||||
计算实盘可用的溢价率（在 T+1 日 09:00 决策时点）
|
||||
|
||||
Args:
|
||||
etf_code: ETF 代码
|
||||
market_type: 市场类型 ('A', 'HK', 'US', 'COMMODITY')
|
||||
price_date: 价格日期（T日，即昨日）
|
||||
|
||||
Returns:
|
||||
溢价率（小数形式）
|
||||
"""
|
||||
pro = ts.pro_api()
|
||||
|
||||
# 获取 T 日 ETF 收盘价
|
||||
price_df = pro.fund_daily(ts_code=etf_code, trade_date=price_date)
|
||||
t_close = price_df['close'].iloc[0]
|
||||
|
||||
# 根据市场类型确定净值日期
|
||||
if market_type in ['A', 'HK', 'COMMODITY']:
|
||||
# A股/港股/黄金：T日净值在决策时点已公布
|
||||
nav_date = price_date # 同日
|
||||
else: # US 美股
|
||||
# 美股：T日净值未公布，使用 T-1 日净值
|
||||
nav_date = get_previous_trade_date(price_date) # 前一日
|
||||
|
||||
# 获取净值
|
||||
nav_df = pro.fund_nav(ts_code=etf_code, nav_date=nav_date)
|
||||
nav = nav_df['unit_nav'].iloc[0]
|
||||
|
||||
# 计算溢价率
|
||||
premium = t_close / nav - 1
|
||||
|
||||
return premium
|
||||
```
|
||||
|
||||
2. **计算历史溢价率**（回测阶段，同日对齐）
|
||||
```python
|
||||
def calculate_historical_premium(etf_code: str, start_date: str, end_date: str) -> pd.DataFrame:
|
||||
"""
|
||||
计算历史溢价率（回测用，同日对齐）
|
||||
"""
|
||||
pro = ts.pro_api()
|
||||
|
||||
# 获取价格和净值
|
||||
price_df = pro.fund_daily(ts_code=etf_code, start_date=start_date, end_date=end_date)
|
||||
nav_df = pro.fund_nav(ts_code=etf_code, start_date=start_date, end_date=end_date)
|
||||
|
||||
# 合并（同日对齐）
|
||||
price_df = price_df[['trade_date', 'close']].rename(columns={'trade_date': 'date'})
|
||||
nav_df = nav_df[['nav_date', 'unit_nav']].rename(columns={'nav_date': 'date', 'unit_nav': 'nav'})
|
||||
merged = price_df.merge(nav_df, on='date', how='inner')
|
||||
|
||||
# 溢价率 = 收盘价 / 净值 - 1
|
||||
merged['premium'] = merged['close'] / merged['nav'] - 1
|
||||
|
||||
return merged
|
||||
```
|
||||
|
||||
3. **信号过滤逻辑**
|
||||
```python
|
||||
# 配置参数
|
||||
premium_threshold = 0.02 # 溢价超过 2% 不买入
|
||||
|
||||
def filter_by_premium(scores, premium_rates, threshold):
|
||||
"""
|
||||
过滤高溢价标的
|
||||
- 溢价率超过阈值的标的，得分置为 -inf（不参与排名）
|
||||
- 或者：得分乘以惩罚因子 (1 - premium_rate)
|
||||
"""
|
||||
for code in scores.index:
|
||||
if premium_rates.get(code, 0) > threshold:
|
||||
scores[code] = float('-inf') # 或降权处理
|
||||
return scores
|
||||
```
|
||||
|
||||
4. **配置文件新增参数**
|
||||
```yaml
|
||||
# rotation.yaml
|
||||
premium_control:
|
||||
enabled: true
|
||||
default_threshold: 0.02 # 默认溢价阈值 2%
|
||||
mode: "filter" # "filter"(完全排除) 或 "penalize"(降权)
|
||||
penalty_factor: 0.5 # 降权模式下的惩罚系数
|
||||
|
||||
# 按市场类型覆盖配置
|
||||
market_overrides:
|
||||
A: # A股 ETF
|
||||
enabled: false # 不启用（溢价通常 < 0.5%）
|
||||
HK: # 港股 ETF
|
||||
enabled: true
|
||||
threshold: 0.03 # 阈值 3%
|
||||
US: # 美股 ETF
|
||||
enabled: true
|
||||
threshold: 0.02 # 阈值 2%
|
||||
COMMODITY: # 商品 ETF
|
||||
enabled: false
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 数据对齐策略
|
||||
|
||||
### 信号计算基准时点
|
||||
|
||||
策略信号在 **A股 T+1 日早上 09:00** 计算，此时各市场数据可获取性：
|
||||
|
||||
| 市场 | 收盘时间（北京时间）| 09:00时可获取数据 |
|
||||
|------|------------------|------------------|
|
||||
| A股 | T日 15:00 | T日收盘价 |
|
||||
| 港股 | T日 16:00 | T日收盘价 |
|
||||
| 美股 | T+1日 05:00 | T日收盘价 |
|
||||
| 黄金期货 | T+1日 ~06:00 | T日结算价 |
|
||||
| 加密货币 | 24小时交易 | T+1日 08:00价格（UTC 00:00） |
|
||||
|
||||
**结论**：在 A股 T+1 日 09:00 信号计算时，所有市场的 T 日数据均已可获取，无需 shift 处理。
|
||||
|
||||
```
|
||||
时间线（北京时间）：
|
||||
|
||||
T日 T+1日
|
||||
├─────────────────────────────────────┼─────────────────────────
|
||||
15:00 16:00 05:00 08:00 09:00 09:30
|
||||
A股收盘 港股收盘 美股收盘 UTC0 计算信号 A股开盘执行
|
||||
│ │ │ │ │ │
|
||||
└────────┴──────────────────┴──────┴──────┴─────────┘
|
||||
所有T日数据在T+1日09:00前均已可获取
|
||||
```
|
||||
|
||||
### 各市场数据对齐规则
|
||||
|
||||
```python
|
||||
# A股 T+1 日 09:00 计算信号时，使用的数据
|
||||
data_alignment = {
|
||||
"A股指数": {
|
||||
"price_date": "T日", # T日收盘价
|
||||
"source_time": "T日 15:00",
|
||||
},
|
||||
"港股指数": {
|
||||
"price_date": "T日", # T日收盘价
|
||||
"source_time": "T日 16:00",
|
||||
},
|
||||
"美股指数": {
|
||||
"price_date": "T日", # T日收盘价（美东时间）
|
||||
"source_time": "T+1日 05:00", # 北京时间
|
||||
},
|
||||
"黄金期货": {
|
||||
"price_date": "T日", # T日结算价
|
||||
"source_time": "T+1日 ~06:00",
|
||||
},
|
||||
"加密货币": {
|
||||
"price_date": "T日", # UTC T+1日 00:00 = 北京 T+1日 08:00
|
||||
"source_time": "T+1日 08:00", # 比决策时点早1小时
|
||||
},
|
||||
}
|
||||
```
|
||||
|
||||
### 加密货币特殊处理
|
||||
|
||||
加密货币 24 小时交易，使用 **UTC 00:00（北京时间 08:00）** 作为"日收盘价"：
|
||||
|
||||
- CCXT/OKX 返回的日线数据默认就是 UTC 00:00 切换
|
||||
- 北京时间 08:00 距离 09:00 信号计算只有 1 小时，数据足够新鲜
|
||||
- 与其他数据源保持一致的数据结构
|
||||
|
||||
**A股休市期间的处理**：
|
||||
|
||||
```
|
||||
场景：A股春节休市 5 天
|
||||
|
||||
1/20(五) 1/21-22(周末) 1/23-27(春节) 1/28(六) 1/29(日) 1/30(一)
|
||||
A股 交易 休市 休市 休市 休市 交易
|
||||
BTC 交易 交易 交易 交易 交易 交易
|
||||
│ │
|
||||
使用1/20价格 ────────────── ffill ──────────────────────→ 使用1/29价格
|
||||
```
|
||||
|
||||
- 因子计算：使用前向填充（休市期间认为价格不变）
|
||||
- 实际交易：加密货币可在A股休市期间随时买卖，但策略信号只在A股交易日生成
|
||||
|
||||
### 数据对齐代码实现
|
||||
|
||||
```python
|
||||
def align_to_a_share_calendar(
|
||||
market_data: dict[str, pd.DataFrame], # {code: df}
|
||||
market_types: dict[str, str], # {code: market_type}
|
||||
a_share_dates: pd.DatetimeIndex,
|
||||
) -> pd.DataFrame:
|
||||
"""
|
||||
将所有市场数据对齐到A股交易日历
|
||||
|
||||
由于信号在 T+1 日 09:00 计算，所有市场 T 日数据均已可获取，
|
||||
因此直接 reindex 到 A股交易日即可，无需 shift。
|
||||
"""
|
||||
aligned_data = {}
|
||||
|
||||
for code, df in market_data.items():
|
||||
market = market_types.get(code, "A")
|
||||
|
||||
# 统一处理：reindex 到 A股交易日，前向填充休市日
|
||||
aligned = df['close'].reindex(a_share_dates)
|
||||
|
||||
if market in ["HK", "US", "COMMODITY", "CRYPTO"]:
|
||||
# 非A股市场：休市日用前向填充
|
||||
aligned = aligned.ffill().bfill()
|
||||
|
||||
aligned_data[code] = aligned
|
||||
|
||||
return pd.DataFrame(aligned_data)
|
||||
```
|
||||
|
||||
### 跨境ETF信号与收益分离
|
||||
|
||||
以恒生科技为例：
|
||||
- **信号计算**：使用 HSTECH 港股指数（YFinance），反映真实市场走势
|
||||
- **收益计算**：使用 513180.SH A股ETF（Tushare），反映实际交易成本和跟踪误差
|
||||
|
||||
### 特殊情况处理
|
||||
|
||||
| 情况 | 处理方式 |
|
||||
|------|---------|
|
||||
| A股休市、境外交易 | 指数使用 ffill，ETF无数据不计收益 |
|
||||
| 境外休市、A股交易 | 指数使用 ffill，ETF正常交易（可能跳空） |
|
||||
| 两边都休市 | 该日不在回测范围内 |
|
||||
| ETF上市日期晚于指数 | 该标的从ETF上市日开始参与回测 |
|
||||
|
||||
---
|
||||
|
||||
## 涉及文件清单
|
||||
|
||||
| 文件 | 修改内容 |
|
||||
|------|---------|
|
||||
| `config/strategies/rotation.yaml` | 配置结构重构，新增溢价控制参数 |
|
||||
| `core/datasource/hybrid_source.py` | 新增ETF数据获取 |
|
||||
| `core/factors/momentum.py` | 支持双轨数据输入 |
|
||||
| `strategies/rotation/engine.py` | 引擎逻辑重构，ETF可用性检查，溢价过滤 |
|
||||
| `strategies/rotation/portfolio.py` | 持仓显示ETF |
|
||||
| `strategies/rotation/report.py` | 报告显示ETF和溢价率 |
|
||||
| `scripts/run_rotation.py` | 配置解析适配 |
|
||||
| `config/settings.py` | 新增默认ETF映射和汇率配置 |
|
||||
|
||||
---
|
||||
|
||||
## 风险与注意事项
|
||||
|
||||
1. **跟踪误差**：ETF净值与指数存在偏差，这是预期行为
|
||||
2. **停牌风险**：ETF可能停牌，需要处理缺失数据
|
||||
3. **新ETF上市**：部分ETF成立时间晚于回测起始日，Task 4 已处理
|
||||
4. **QDII额度**：跨境ETF可能有申购限制，不影响回测
|
||||
5. **跨境ETF溢价**：美股/港股大涨时，ETF可能高溢价，Task 7 已增加过滤机制
|
||||
6. **Tushare 积分**：当前 2000 积分满足 fund_daily、fund_nav 和 index_daily 需求，建议缓存历史数据减少 API 调用
|
||||
7. **ETF 选择建议**：
|
||||
- 同一指数可能有多只 ETF（如纳指有 513100/159501/159632 等）
|
||||
- 优先选择：规模大（> 10 亿）、流动性好（日成交 > 1000 万）、跟踪误差小的 ETF
|
||||
- 本方案使用 159501.SZ（嘉实纳指100）是因为其流动性较好
|
||||
|
||||
---
|
||||
|
||||
## 关于加密货币数据精度的说明
|
||||
|
||||
建议文档中提到"BTC 应使用分钟级数据切片到 09:00"，经评估：
|
||||
|
||||
| 方案 | 优点 | 缺点 |
|
||||
|------|------|------|
|
||||
| 日线数据（08:00 UTC） | 数据量小，易获取，与其他市场一致 | 与决策时点有 1 小时差距 |
|
||||
| 分钟级切片（09:00） | 数据最新 | 5年历史需 260 万条数据，获取/存储成本高 |
|
||||
|
||||
**决策**：
|
||||
- **回测阶段**：使用日线数据（UTC 00:00），08:00-09:00 的波动（平均 ~1%）对 25 天趋势因子影响极小，可通过交易成本参数覆盖
|
||||
- **实盘阶段**（未来增强）：可在执行时获取实时价格，信号计算仍基于日线
|
||||
|
||||
---
|
||||
|
||||
## ffill 时机说明
|
||||
|
||||
建议文档担心"ffill 后立即计算因子会导致休市期间价格不变影响动量"。实际上：
|
||||
|
||||
- 我们使用**交易日对齐**（reindex 到 A股交易日）
|
||||
- 动量计算的是过去 N 个**交易日**的涨幅，非 N 个自然日
|
||||
- ffill 只填充非交易日，这些日期不进入因子计算序列
|
||||
- 当前逻辑正确，无需调整
|
||||
|
||||
### 详细说明：为什么 ffill 是安全的
|
||||
|
||||
**核心保障**：主循环 `for date in a_share_trading_dates` 严格只遍历 A 股交易日。
|
||||
|
||||
**实现方式**：`reindex(a_share_dates)` 直接索引到 A 股交易日历，结果只包含交易日行，不会产生中间填充行。
|
||||
|
||||
**示例：春节休市场景**
|
||||
|
||||
```
|
||||
A股交易日历: [1/20(周五), 1/30(周一)] (春节休市 1/21-1/29)
|
||||
美股原始数据: 1/20→200, 1/21→205, ..., 1/29→220
|
||||
|
||||
Step 1: reindex(a_share_dates)
|
||||
1/20: 200 (原始值)
|
||||
1/30: NaN (1/30 美股尚未收盘，无数据)
|
||||
|
||||
注意：结果只有 2 行，不会出现 [1/21, 1/22, ...] 这些行！
|
||||
|
||||
Step 2: ffill()
|
||||
1/20: 200
|
||||
1/30: 220 (向前找到 1/29 的值填充)
|
||||
|
||||
Step 3: 动量计算 pct_change(1)
|
||||
1/20: NaN (首行无前值)
|
||||
1/30: (220 - 200) / 200 = 10% ← 正确反映假期全部涨幅
|
||||
```
|
||||
|
||||
**关键区别**：
|
||||
|
||||
| 错误做法 | 正确做法（当前方案） |
|
||||
|---------|-------------------|
|
||||
| reindex 到自然日历 → ffill → 产生 `[D1,D1,D1,D1,D1,D2]` | reindex 到 A股交易日历 → ffill → 只有 `[D1, D2]` |
|
||||
| 中间填充日会干扰动量计算 | 根本不存在中间填充日 |
|
||||
|
||||
**结论**：当前方案直接 reindex 到 A 股交易日历，是最安全的实现方式。
|
||||
|
||||
Reference in New Issue
Block a user