aszer/etf
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

experiment(rotation): 同大类扩充与纳指vs标普替换对比实验

Browse Source 
技术修复：
- SOCKS5代理IPv6问题：socks5:// → socks5h:// (hybrid_source.py, yfinance_source.py)

目录整理：
- scripts/ → 仅保留策略入口(daily_scheduler, run_rotation, run_cci_screener)
- 实验脚本移至 tests/experiments/
- 工具脚本移至 tests/utils/
- 实验记录新增 docs/experiments/
- results/ 添加到 gitignore

实验结果：

实验001 - 同大类扩充（添加标普500）：
├─ 累计收益: 1467.35% → 1176.26% (-291%)
├─ CAGR: 48.10% → 43.82% (-4.28%)
├─ 调仓次数: 459 → 501 (+42次)
└─ 结论: 添加同大类标的不增加跨类分散，反而侵蚀收益

实验002 - 纳指vs标普替换对比：
├─ 累计收益: 1467.35% → 1118.77% (-348%)
├─ CAGR: 48.10% → 42.87% (-5.22%)
├─ Sharpe: 2.21 → 2.08 (-0.13)
├─ MaxDD: -17.33% → -15.14% (+2.18%)
└─ 结论: 纳指100优于标普500，成长风格更适合动量策略

策略建议：
- 保持纳指100作为美股大类代表
- 不添加同大类新标的（避免类内切换成本）
- 新增标的应优先考虑新大类（增加跨类分散）
This commit is contained in:
aszerW
2026-05-06 20:43:38 +08:00
parent a4e8a6050e
commit 6b59855c28
20 changed files with 1086 additions and 2 deletions
Download Patch File Download Diff File Expand all files Collapse all files

3
.gitignore vendored
View File

@@ -199,3 +199,6 @@ report*.png
# Downloaded articles
zhihu-articles/
# Results directory (test outputs, charts, etc.)
results/

3
core/datasource/hybrid_source.py
View File

@@ -72,7 +72,8 @@ class SSHTunnelManager:
return False
# 设置代理环境变量
proxy_url = f"socks5://127.0.0.1:{self.local_port}"
# 使用 socks5h:// 让代理服务器远程解析DNS，避免IPv6问题
proxy_url = f"socks5h://127.0.0.1:{self.local_port}"
os.environ["HTTP_PROXY"] = proxy_url
os.environ["HTTPS_PROXY"] = proxy_url
os.environ["ALL_PROXY"] = proxy_url

3
core/datasource/yfinance_source.py
View File

@@ -75,7 +75,8 @@ class SSHTunnelManager:
return False
# 设置代理环境变量
proxy_url = f"socks5://127.0.0.1:{self.local_port}"
# 使用 socks5h:// 让代理服务器远程解析DNS，避免IPv6问题
proxy_url = f"socks5h://127.0.0.1:{self.local_port}"
os.environ["HTTP_PROXY"] = proxy_url
os.environ["HTTPS_PROXY"] = proxy_url
os.environ["ALL_PROXY"] = proxy_url

197
docs/experiments/001_same_category_expansion_ab_test.md Normal file
View File

@@ -0,0 +1,197 @@
# 实验记录 001: 同大类扩充对轮动策略的影响
## 实验信息
| 项目 | 内容 |
|------|------|
| 实验编号 | 001 |
| 实验日期 | 2026-05-06 |
| 实验类型 | A/B对比测试 |
| 研究问题 | `diversified=true`模式下，添加同大类新标地对策略绩效的影响 |
---
## 1. 实验背景
### 理论假设
`diversified=true` 模式的选股逻辑：
```
Step 1: 类内竞争 → 每个 market 大类只保留得分最高的1只标的（大类冠军）
Step 2: 跨类排序 → 从大类冠军中按得分从高到低选 Top 3
```
**核心假设**：
- 添加同大类新标的不会增加跨大类分散度（每大类还是只输出1只）
- 可能增加类内切换频率，导致额外调仓成本
- 额外切换时机可能不理想，侵蚀收益
---
## 2. 实验设计
### A/B组配置
| 组别 | 标的数量 | 美股大类标的 | 其他大类 |
|------|---------|-------------|---------|
| **A组（对照组）** | 11只 | 纳指100 (NDX) | A股2、港股2、日本1、欧洲1、商品3、固收1 |
| **B组（实验组）** | 12只 | 纳指100 + 标普500 (SPX) | 同A组 |
### 关键差异
B组在美股大类（market="US"）中添加了标普500：
- A组：美股大类只有纳指100，自动成为大类冠军
- B组：美股大类有纳指100和标普500，需要类内竞争决定冠军
---
## 3. 回测结果
### 数据获取情况
修复了 `socks5://` → `socks5h://` 的代理问题后，所有 YFinance 数据成功获取：
```
✓ SSH 隧道已建立: socks5h://127.0.0.1:1080
下载 NDX (纳指100) - YFinance... ✓ 1845 条
下载 SPX (标普500) - YFinance... ✓ 1845 条
其他标的均成功获取
```
### 绩效对比
| 指标 | A组（无SPX） | B组（有SPX） | 差异 |
|------|-------------|-------------|------|
| 标的数量 | 11只 | 12只 | +1 |
| **累计收益** | **1467.35%** | 1176.26% | **-291.09%** |
| **CAGR** | **48.10%** | 43.82% | **-4.28%** |
| **Sharpe** | **2.21** | 2.06 | **-0.15** |
| MaxDD | -17.33% | -17.18% | +0.14%（略好） |
| **Calmar** | **2.78** | 2.55 | **-0.23** |
| 日胜率 | 56.45% | 56.11% | -0.34% |
| **调仓次数** | 459次 | 501次 | **+42次** |
| 年均调仓 | 66.0次 | 72.1次 | +6.1次 |
---
## 4. 关键发现
### 发现1：跨类分散不变
添加标普500后，美股大类在最终持仓中的占比不变：
- 美股大类始终只有1只冠军进入Top3候选池
- 跨大类分散度没有增加
### 发现2：调仓次数增加
- B组调仓次数增加42次（从459→501）
- 类内切换更频繁（纳指100 ↔ 标普500）
- 额外调仓成本侵蚀收益
### 发现3：绩效反而变差
```
B组绩效全面下滑：
├─ 累计收益 -291%
├─ CAGR -4.28%
├─ Sharpe -0.15
├─ Calmar -0.23
└─ 原因：类内切换时机不佳 + 额外调仓成本
```
### 发现4：类内切换逻辑
美股大类竞争示例：
```
某日得分：
纳指100: 4.7 → 美股冠军（持有纳指ETF）
标普500: 3.5 → 淘汰
另一天得分：
纳指100: -1.0（下跌）
标普500: 2.5 → 美股冠军（切换到标普ETF）
问题：切换时机可能滞后，错过最佳窗口
```
---
## 5. 实验结论
### 核心结论
| 假设 | 实证结果 |
|-----|---------|
| 添加同大类标的**不增加跨类分散** | ✓ **验证通过** |
| 可能**增加调仓次数** | ✓ **验证通过**（+42次） |
| 额外切换**可能侵蚀收益** | ✓ **验证通过**（累计收益-291%） |
### 策略建议
```
diversified=true 模式下的标的池优化策略：
✗ 不要盲目添加同大类新标的
→ 可能增加切换频率，侵蚀收益
→ 每大类保持1-2只代表性标的即可
✓ 应该添加新大类（增加跨类分散）
→ 印度、越南、短债等新大类
→ 真正扩大 Top 3 候选池
→ 提升跨大类分散度
✓ 类内标的选择原则
→ 选择该大类最具代表性的标的
→ 避免风格过度细分导致频繁切换
→ 例：美股选纳指100即可（成长代表）
```
---
## 6. 技术修复记录
### 代理问题修复
本次实验过程中发现了 SSH SOCKS5 隧道的 IPv6 问题：
**问题**：
```python
# 原配置（失败）
proxy_url = "socks5://127.0.0.1:1080"
# 本地DNS解析 → IPv6地址 → SSH隧道拒绝IPv6 → 连接失败
```
**修复**：
```python
# 新配置（成功）
proxy_url = "socks5h://127.0.0.1:1080"
# 'h'表示远程DNS解析 → 代理服务器只用IPv4 → 连接成功
```
**修改文件**：
- `core/datasource/hybrid_source.py`
- `core/datasource/yfinance_source.py`
---
## 7. 相关文件
| 文件 | 说明 |
|-----|------|
| `tests/experiments/ab_test_spx.py` | A/B测试脚本 |
| `results/ab_test_spx.csv` | 测试结果数据 |
| `docs/轮动策略核心逻辑_v2.md` | 策略核心逻辑文档 |
---
## 8. 后续研究方向
1. **新大类扩充实验**：添加印度NIFTY、短债等新大类，验证跨类分散效果
2. **类内切换时机分析**：深入分析纳指100 vs 标普500切换的具体时间点
3. **最佳大类数量研究**：多少个大类是最优配置？
---
*实验记录版本: v1.0*
*最后更新: 2026-05-06*

171
docs/experiments/002_ndx_vs_spx_replacement.md Normal file
View File

@@ -0,0 +1,171 @@
# 实验记录 002: 纳指100 vs 标普500 替换对比
## 实验信息
| 项目 | 内容 |
|------|------|
| 实验编号 | 002 |
| 实验日期 | 2026-05-06 |
| 实验类型 | A/B对比测试（替换场景） |
| 研究问题 | 将美股大类代表从纳指100替换为标普500后的绩效变化 |
---
## 1. 实验背景
### 与001实验的区别
| 实验 | 操作 | 类内竞争 | 标的数量 |
|------|------|---------|---------|
| 001 | **添加**标普500 | 有（纳指vs标普） | 11→12 |
| 002 | **替换**纳指为标普 | 无 | 11→11 |
**002实验聚焦**：评估标的特性变化对策略绩效的影响（无类内切换干扰）
### 理论假设
```
纳指100 (NDX)：
├─ 成分股：100只科技龙头
├─ 风格：纯成长、高波动
├─ 动量特性：趋势强、涨跌幅大
└─ 与动量策略匹配度：高
标普500 (SPX)：
├─ 成分股：500只大盘股
├─ 风格：价值+成长混合、中波动
├─ 动量特性：趋势相对平缓
└─ 与动量策略匹配度：中
```
---
## 2. 实验设计
### A/B组配置
| 组别 | 美股大类标的 | 其他大类 |
|------|-------------|---------|
| **A组（对照组）** | 纳指100 (NDX) → 513100.SH | A股2、港股2、日本1、欧洲1、商品3、固收1 |
| **B组（实验组）** | 标普500 (SPX) → 513500.SH | 同A组 |
---
## 3. 回测结果
### 绩效对比
| 指标 | A组（纳指100） | B组（标普500） | 差异 |
|------|---------------|---------------|------|
| 美股标的 | 纳指100 | 标普500 | 替换 |
| **累计收益** | **1467.35%** | 1118.77% | **-348.58%** |
| **CAGR** | **48.10%** | 42.87% | **-5.22%** |
| **Sharpe** | **2.21** | 2.08 | **-0.13** |
| MaxDD | -17.33% | **-15.14%** | **+2.18%** ✓ |
| Calmar | 2.78 | **2.83** | +0.06 |
| 日胜率 | 56.45% | 56.22% | -0.23% |
| 调仓次数 | 459次 | 475次 | +16次 |
---
## 4. 关键发现
### 发现1：纳指100累计收益显著更高
```
差距分析：
├─ 累计收益差距：348.58%
├─ CAGR差距：5.22%
└─ 原因：纳指100成长性强，动量信号更明显
```
### 发现2：标普500回撤控制更好
```
风险指标：
├─ MaxDD改善：2.18%（标普更稳定）
├─ Calmar略优：+0.06
└─ 原因：标普500波动率更低，成分股更多元
```
### 发现3：纳指100风险调整收益更优
```
Sharpe对比：
├─ 纳指100：2.21
├─ 标普500：2.08
└─ 纳指虽波动大，但收益补偿足够
```
### 发现4：调仓次数差异不大
```
替换场景（无类内竞争）：
├─ 调仓次数差：仅+16次（vs 001实验+42次）
└─ 证明：替换比添加更稳定
```
---
## 5. 实验结论
### 核心结论
| 维度 | 结论 |
|-----|------|
| 收益能力 | 纳指100 **显著优于** 标普500 (+348%) |
| 风险控制 | 标普500 **略优于** 纳指100 (+2.18%) |
| 风险调整收益 | 纳指100 **优于** 标普500 (Sharpe +0.13) |
| 综合评价 | **保持纳指100** |
### 策略建议
```
当前策略建议：保持纳指100作为美股大类代表
理由：
1. 动量策略本质是捕捉强趋势
2. 纳指100成长股特性使其动量信号更强
3. 累计收益差距显著（1467% vs 1118%）
4. 标普500虽更稳定，但牺牲收益太大
例外情况（可能考虑标普500）：
├─ 风险偏好极低，优先回撤控制
├─ 牛市末期或市场不确定性高时
└─ 需要降低组合整体波动率
```
---
## 6. 与001实验对比
| 实验 | 操作 | 收益变化 | 调仓变化 |
|------|------|---------|---------|
| 001（添加） | 纳指 + 标普 | -291% | +42次 |
| 002（替换） | 纳指 → 标普 | -348% | +16次 |
**洞察**：
- 替换场景调仓更稳定（+16 vs +42）
- 但收益损失更大（无纳指成长性补偿）
---
## 7. 相关文件
| 文件 | 说明 |
|-----|------|
| `tests/experiments/ab_test_ndx_vs_spx.py` | A/B测试脚本 |
| `results/ab_test_ndx_vs_spx.csv` | 测试结果数据 |
---
## 8. 后续研究方向
1. **纳指100 vs 其他美股成长指数**：如罗素1000成长、MSCI美国成长
2. **不同市场周期表现**：牛市、熊市分别测试纳指和标普效果
3. **动态切换机制**：根据市场状态动态选择纳指或标普
---
*实验记录版本: v1.0*
*最后更新: 2026-05-06*

45
docs/experiments/README.md Normal file
View File

@@ -0,0 +1,45 @@
# 实验记录索引
本目录用于保存 ETF 轮动策略研究中的有洞察的实验结果。
---
## 实验列表
| 编号 | 实验名称 | 日期 | 类型 | 核心发现 |
|------|---------|------|------|---------|
| [001](001_same_category_expansion_ab_test.md) | 同大类扩充对轮动策略的影响 | 2026-05-06 | A/B测试 | 添加同大类标的不增加跨类分散，反而因切换成本侵蚀收益 |
| [002](002_ndx_vs_spx_replacement.md) | 纳指100 vs 标普500替换对比 | 2026-05-06 | A/B测试 | 纳指100优于标普500（收益+348%，Sharpe+0.13），成长风格更适合动量 |
---
## 文档命名规范
```
格式: {编号}_{实验主题}.md
示例:
- 001_same_category_expansion_ab_test.md # 同大类扩充实验
- 002_new_category_diversification.md # 新大类分散化实验
- 003_rebalance_threshold_tuning.md # 调仓阈值调优实验
```
---
## 实验文档模板
每个实验文档应包含以下章节：
1. **实验信息** - 编号、日期、类型、研究问题
2. **实验背景** - 理论假设、研究动机
3. **实验设计** - A/B组配置、关键变量
4. **回测结果** - 数据、绩效对比表格
5. **关键发现** - 核心洞察、数据支撑
6. **实验结论** - 假设验证结果、策略建议
7. **技术修复记录** - 实验过程中发现的技术问题
8. **相关文件** - 脚本、数据文件引用
9. **后续研究方向** - 待探索的问题
---
*目录创建日期: 2026-05-06*

109
fetch_159516_nav.py Normal file
View File

@@ -0,0 +1,109 @@
#!/usr/bin/env python3
"""
获取159516 ETF净值数据
"""
import os
import pandas as pd
import tushare as ts
from datetime import datetime, timedelta
# 设置Tushare token
def get_tushare_token():
# 首先尝试从环境变量获取
token = os.environ.get("TUSHARE_TOKEN")
if token:
return token
# 尝试从.env文件获取
try:
from dotenv import load_dotenv
load_dotenv()
token = os.environ.get("TUSHARE_TOKEN")
if token:
return token
except ImportError:
pass
# 手动读取.env文件
env_path = os.path.join(os.path.dirname(__file__), '.env')
if os.path.exists(env_path):
with open(env_path, 'r') as f:
for line in f:
if line.startswith('TUSHARE_TOKEN='):
token = line.strip().split('=', 1)[1].strip().strip('"').strip("'")
if token:
return token
raise ValueError("请设置 TUSHARE_TOKEN 环境变量或在.env文件中配置")
def fetch_etf_nav(etf_code="159516.SZ", days=30):
"""
获取ETF净值数据
Args:
etf_code: ETF代码，如 "159516.SZ"
days: 获取天数
Returns:
DataFrame: 包含日期和净值
"""
pro = ts.pro_api(get_tushare_token())
# 计算日期范围
end_date = datetime.now()
start_date = end_date - timedelta(days=days + 5)
start_str = start_date.strftime('%Y%m%d')
end_str = end_date.strftime('%Y%m%d')
# 转换代码格式 (tushare使用.SH而不是.SS)
ts_code = etf_code.replace(".SS", ".SH")
print(f"获取 {etf_code} 净值数据...")
print(f"日期范围: {start_str} ~ {end_str}")
try:
# 获取ETF净值数据
nav_df = pro.fund_nav(
ts_code=ts_code,
start_date=start_str,
end_date=end_str
)
if nav_df is None or len(nav_df) == 0:
print("未获取到净值数据")
return None
# 排序并处理数据
nav_df = nav_df.sort_values('nav_date')
# 转换日期格式
nav_df['date'] = pd.to_datetime(nav_df['nav_date'])
nav_df = nav_df.set_index('date')
print(f"\n获取到 {len(nav_df)} 条净值数据")
print(f"最新净值日期: {nav_df.index.max().strftime('%Y-%m-%d')}")
print(f"最新净值: {nav_df['unit_nav'].iloc[-1]}")
# 显示最近10条数据
print(f"\n最近10条净值数据:")
print(nav_df[['unit_nav']].tail(10).to_string())
return nav_df
except Exception as e:
print(f"获取净值数据失败: {e}")
return None
if __name__ == "__main__":
# 获取159516的净值数据
result = fetch_etf_nav("159516.SZ", days=30)
if result is not None:
# 保存到CSV文件
output_file = "159516_nav_data.csv"
result[['unit_nav']].to_csv(output_file)
print(f"\n数据已保存到: {output_file}")

183
fetch_159930.py Normal file
View File

@@ -0,0 +1,183 @@
#!/usr/bin/env python3
"""
获取159930 ETF最新10天的收盘价、净值并计算溢价率
"""
import os
import pandas as pd
import tushare as ts
from datetime import datetime, timedelta
# 设置Tushare token
def get_tushare_token():
# 首先尝试从环境变量获取
token = os.environ.get("TUSHARE_TOKEN")
if token:
return token
# 尝试从.env文件获取
try:
from dotenv import load_dotenv
load_dotenv()
token = os.environ.get("TUSHARE_TOKEN")
if token:
return token
except ImportError:
pass
# 手动读取.env文件
env_path = os.path.join(os.path.dirname(__file__), '.env')
if os.path.exists(env_path):
with open(env_path, 'r') as f:
for line in f:
if line.startswith('TUSHARE_TOKEN='):
token = line.strip().split('=', 1)[1].strip().strip('"').strip("'")
if token:
return token
raise ValueError("请设置 TUSHARE_TOKEN 环境变量或在.env文件中配置")
def fetch_etf_data(etf_code: str, days: int = 10):
"""
获取ETF最新N天的价格、净值数据
Args:
etf_code: ETF代码，如 "159930.SZ"
days: 获取天数
Returns:
DataFrame: 包含日期、收盘价、净值、溢价率
"""
pro = ts.pro_api(get_tushare_token())
# 计算日期范围（多取几天确保有足够数据）
end_date = datetime.now()
start_date = end_date - timedelta(days=days + 5)
start_str = start_date.strftime('%Y%m%d')
end_str = end_date.strftime('%Y%m%d')
# 转换代码格式
ts_code = etf_code.replace(".SS", ".SH")
print(f"获取 {etf_code} 数据...")
print(f"日期范围: {start_str} ~ {end_str}")
# 1. 获取ETF价格数据（fund_daily接口）
print("\n1. 获取ETF价格数据...")
try:
price_df = pro.fund_daily(
ts_code=ts_code,
start_date=start_str,
end_date=end_str
)
if price_df is not None and len(price_df) > 0:
price_df = price_df.sort_values('trade_date')
print(f" 获取到 {len(price_df)} 条价格数据")
print(f" 最新日期: {price_df['trade_date'].max()}")
else:
print(" 未获取到价格数据")
price_df = None
except Exception as e:
print(f" 获取价格数据失败: {e}")
price_df = None
# 2. 获取ETF净值数据（fund_nav接口）
print("\n2. 获取ETF净值数据...")
try:
# 净值通常滞后，多取一天
nav_end_date = end_date + timedelta(days=1)
nav_end_str = nav_end_date.strftime('%Y%m%d')
nav_df = pro.fund_nav(
ts_code=ts_code,
start_date=start_str,
end_date=nav_end_str
)
if nav_df is not None and len(nav_df) > 0:
nav_df = nav_df.sort_values('nav_date')
print(f" 获取到 {len(nav_df)} 条净值数据")
print(f" 最新日期: {nav_df['nav_date'].max()}")
else:
print(" 未获取到净值数据")
nav_df = None
except Exception as e:
print(f" 获取净值数据失败: {e}")
nav_df = None
# 3. 合并数据并计算溢价率
print("\n3. 合并数据并计算溢价率...")
if price_df is None:
print("错误: 没有价格数据")
return None
# 准备价格数据
price_df['date'] = pd.to_datetime(price_df['trade_date'])
price_df = price_df.set_index('date')
price_series = price_df['close']
# 准备净值数据
if nav_df is not None:
nav_df['date'] = pd.to_datetime(nav_df['nav_date'])
nav_df = nav_df.set_index('date')
nav_series = nav_df['unit_nav']
else:
nav_series = pd.Series()
# 创建结果DataFrame
result = pd.DataFrame({
'收盘价': price_series
})
# 对齐净值数据（按日期）
result = result.join(nav_series.rename('净值'), how='left')
# 计算溢价率
result['溢价率'] = (result['收盘价'] - result['净值']) / result['净值'] * 100
# 取最新N天
result = result.tail(days)
# 格式化输出
result['收盘价'] = result['收盘价'].round(3)
result['净值'] = result['净值'].round(3)
result['溢价率'] = result['溢价率'].round(2)
# 重置索引，将日期作为列
result = result.reset_index()
result['日期'] = result['date'].dt.strftime('%Y-%m-%d')
result = result[['日期', '收盘价', '净值', '溢价率']]
return result
def main():
"""主函数"""
etf_code = "159930.SZ"
days = 10
print("=" * 60)
print(f"ETF: {etf_code} (中证能源ETF)")
print(f"获取最近 {days} 天数据")
print("=" * 60)
df = fetch_etf_data(etf_code, days)
if df is not None and len(df) > 0:
print("\n" + "=" * 60)
print("结果表格:")
print("=" * 60)
print(df.to_string(index=False))
# 保存到CSV
output_file = f"{etf_code.replace('.', '_')}_latest_{days}days.csv"
df.to_csv(output_file, index=False, encoding='utf-8-sig')
print(f"\n数据已保存到: {output_file}")
else:
print("\n获取数据失败")
if __name__ == "__main__":
main()

2
tests/experiments/__init__.py Normal file
View File

@@ -0,0 +1,2 @@
# 实验脚本目录
# 存放策略研究相关的A/B测试、对比实验等脚本

0
scripts/ab_test_iterations.py → tests/experiments/ab_test_iterations.py
View File

187
tests/experiments/ab_test_ndx_vs_spx.py Normal file
View File

@@ -0,0 +1,187 @@
"""
A/B测试：纳指100 vs 标普500 替换对比
对比：
- A组（对照组）：纳指100作为美股大类代表
- B组（实验组）：标普500替换纳指100作为美股大类代表
核心问题：替换后对策略绩效的影响（无类内竞争）
"""
import sys
from pathlib import Path
sys.path.insert(0, str(Path(__file__).parent.parent))
from strategies.rotation.engine import RotationStrategy
import pandas as pd
import yaml
def create_config_replace_ndx_with_spx(base_config: dict) -> dict:
"""将纳指100替换为标普500"""
config = base_config.copy()
config['code_list'] = base_config['code_list'].copy()
# 移除纳指100
if 'NDX' in config['code_list']:
del config['code_list']['NDX']
# 添加标普500（替换纳指100）
config['code_list']['SPX'] = {
'name': '标普500',
'etf': '513500.SH',
'market': 'US'
}
return config
def run_backtest(config: dict, label: str) -> dict:
"""运行回测并返回关键指标"""
print(f"\n{'='*60}")
print(f" {label}")
print(f"{'='*60}")
strategy = RotationStrategy(config)
result = strategy.run()
if result is None or len(result) == 0:
return None
# 计算指标
strategy_nav = result['轮动策略净值']
strategy_ret = result['轮动策略日收益率']
total_return = strategy_nav.iloc[-1] - 1
days = len(result)
years = days / 250
cagr = (strategy_nav.iloc[-1] ** (1/years)) - 1
excess_ret = strategy_ret.mean() * 250
vol = strategy_ret.std() * (250 ** 0.5)
sharpe = excess_ret / vol if vol > 0 else 0
rolling_max = strategy_nav.cummax()
drawdown = (strategy_nav - rolling_max) / rolling_max
max_dd = drawdown.min()
calmar = cagr / abs(max_dd) if max_dd < 0 else 0
win_rate = (strategy_ret > 0).sum() / len(strategy_ret)
metrics = {
'label': label,
'美股标的': '纳指100' if 'NDX' in config['code_list'] else '标普500',
'累计收益': total_return,
'CAGR': cagr,
'Sharpe': sharpe,
'MaxDD': max_dd,
'Calmar': calmar,
'日胜率': win_rate,
}
print(f"\n美股代表: {metrics['美股标的']}")
print(f"累计收益: {metrics['累计收益']:.2%}")
print(f"CAGR: {metrics['CAGR']:.2%}")
print(f"Sharpe: {metrics['Sharpe']:.2f}")
print(f"MaxDD: {metrics['MaxDD']:.2%}")
print(f"Calmar: {metrics['Calmar']:.2f}")
print(f"日胜率: {metrics['日胜率']:.2%}")
return metrics
def compare_results(a_metrics: dict, b_metrics: dict):
"""对比两组结果"""
print(f"\n{'='*60}")
print(f" 对比结果")
print(f"{'='*60}")
print(f"\n{'指标':<15} {'A组(纳指100)':<15} {'B组(标普500)':<15} {'差异':<15}")
print("-" * 60)
metrics_keys = ['美股标的', '累计收益', 'CAGR', 'Sharpe', 'MaxDD', 'Calmar', '日胜率']
for key in metrics_keys:
a_val = a_metrics.get(key, 0)
b_val = b_metrics.get(key, 0)
if key == '美股标的':
print(f"{key:<15} {a_val:<15} {b_val:<15} {'替换':<15}")
continue
diff = b_val - a_val
if key in ['累计收益', 'CAGR', 'MaxDD', '日胜率']:
a_str = f"{a_val:.2%}"
b_str = f"{b_val:.2%}"
diff_str = f"{diff*100:+.2f}%"
else:
a_str = f"{a_val:.2f}"
b_str = f"{b_val:.2f}"
diff_str = f"{diff:+.2f}"
print(f"{key:<15} {a_str:<15} {b_str:<15} {diff_str:<15}")
print("-" * 60)
print(f"\n【关键发现】")
print(f"纳指100 → 标普500 替换效果：")
if b_metrics['CAGR'] < a_metrics['CAGR']:
print(f" - CAGR下降 {a_metrics['CAGR'] - b_metrics['CAGR']:.2%}")
print(f" → 标普500动量信号可能不如纳指强")
if b_metrics['MaxDD'] > a_metrics['MaxDD']: # 注意MaxDD是负数
print(f" - MaxDD改善 {b_metrics['MaxDD'] - a_metrics['MaxDD']:.2%}")
print(f" → 标普500更稳定，回撤更小")
if b_metrics['Sharpe'] > a_metrics['Sharpe']:
print(f" - Sharpe改善 {b_metrics['Sharpe'] - a_metrics['Sharpe']:.2f}")
print(f" → 标普500风险调整后收益更优")
elif b_metrics['Sharpe'] < a_metrics['Sharpe']:
print(f" - Sharpe下降 {b_metrics['Sharpe'] - a_metrics['Sharpe']:.2f}")
print(f" → 纳指100风险调整后收益更优")
print(f"\n【策略建议】")
if b_metrics['累计收益'] < a_metrics['累计收益'] * 0.9:
print(f" 建议：保持纳指100（成长风格更适合动量策略）")
elif b_metrics['Sharpe'] > a_metrics['Sharpe']:
print(f" 建议：考虑标普500（更稳定、风险调整收益更优）")
else:
print(f" 建议：保持纳指100（累计收益更高）")
def main():
"""主函数"""
# 加载基础配置
config_path = Path(__file__).parent.parent / 'config' / 'strategies' / 'rotation.yaml'
with open(config_path, 'r') as f:
base_config = yaml.safe_load(f)
# 添加 end_date
from datetime import datetime
base_config['end_date'] = datetime.now().strftime('%Y-%m-%d')
print(f"\n{'='*60}")
print(f" A/B测试：纳指100 vs 标普500 替换对比")
print(f"{'='*60}")
print(f"\n研究问题：")
print(f" - 将美股大类代表从纳指100替换为标普500")
print(f" - 无类内竞争（每大类还是1只）")
print(f" - 评估标的特性变化对绩效的影响")
# A组：纳指100（当前配置）
a_metrics = run_backtest(base_config, "A组: 纳指100作为美股代表")
# B组：标普500替换纳指100
config_replace = create_config_replace_ndx_with_spx(base_config)
b_metrics = run_backtest(config_replace, "B组: 标普500替换纳指100")
# 对比
if a_metrics and b_metrics:
compare_results(a_metrics, b_metrics)
# 保存结果
results_df = pd.DataFrame([a_metrics, b_metrics])
results_path = Path(__file__).parent.parent / 'results' / 'ab_test_ndx_vs_spx.csv'
results_df.to_csv(results_path, index=False)
print(f"\n对比结果已保存: {results_path}")
if __name__ == '__main__':
main()

183
tests/experiments/ab_test_spx.py Normal file
View File

@@ -0,0 +1,183 @@
"""
A/B测试：添加标普500对轮动策略的影响
对比：
- A组（对照组）：当前11只标的配置
- B组（实验组）：添加标普500后的12只标的配置
"""
import sys
from pathlib import Path
sys.path.insert(0, str(Path(__file__).parent.parent))
from strategies.rotation.engine import RotationStrategy
import pandas as pd
def create_config_with_spx(base_config: dict) -> dict:
"""在基础配置上添加标普500"""
config = base_config.copy()
config['code_list'] = base_config['code_list'].copy()
# 添加标普500（美股大类内）
config['code_list']['SPX'] = {
'name': '标普500',
'etf': '513500.SH',
'market': 'US' # 与纳指100同属美股大类
}
return config
def run_backtest(config: dict, label: str) -> dict:
"""运行回测并返回关键指标"""
print(f"\n{'='*60}")
print(f" {label}")
print(f"{'='*60}")
strategy = RotationStrategy(config)
result = strategy.run() # result 是 DataFrame
if result is None or len(result) == 0:
return None
# 从 DataFrame 中直接计算指标
strategy_nav = result['轮动策略净值']
strategy_ret = result['轮动策略日收益率']
benchmark_nav = result['基准净值']
benchmark_ret = result['基准日收益率']
# 累计收益
total_return = strategy_nav.iloc[-1] - 1
# CAGR (交易日口径)
days = len(result)
years = days / 250
cagr = (strategy_nav.iloc[-1] ** (1/years)) - 1
# Sharpe
excess_ret = strategy_ret.mean() * 250 # 年化收益
vol = strategy_ret.std() * (250 ** 0.5) # 年化波动
sharpe = excess_ret / vol if vol > 0 else 0
# 最大回撤
rolling_max = strategy_nav.cummax()
drawdown = (strategy_nav - rolling_max) / rolling_max
max_dd = drawdown.min()
# Calmar
calmar = cagr / abs(max_dd) if max_dd < 0 else 0
# 日胜率
win_rate = (strategy_ret > 0).sum() / len(strategy_ret)
# 提取关键指标
metrics = {
'label': label,
'标的数': len(config['code_list']),
'累计收益': total_return,
'CAGR': cagr,
'Sharpe': sharpe,
'MaxDD': max_dd,
'Calmar': calmar,
'日胜率': win_rate,
}
print(f"\n标的池: {len(config['code_list'])}只")
print(f"累计收益: {metrics['累计收益']:.2%}")
print(f"CAGR: {metrics['CAGR']:.2%}")
print(f"Sharpe: {metrics['Sharpe']:.2f}")
print(f"MaxDD: {metrics['MaxDD']:.2%}")
print(f"Calmar: {metrics['Calmar']:.2f}")
print(f"日胜率: {metrics['日胜率']:.2%}")
return metrics
def compare_results(a_metrics: dict, b_metrics: dict):
"""对比两组结果"""
print(f"\n{'='*60}")
print(f" 对比结果")
print(f"{'='*60}")
print(f"\n{'指标':<12} {'A组(无SPX)':<15} {'B组(有SPX)':<15} {'差异':<15}")
print("-" * 60)
metrics_keys = ['标的数', '累计收益', 'CAGR', 'Sharpe', 'MaxDD', 'Calmar', '日胜率']
for key in metrics_keys:
a_val = a_metrics.get(key, 0)
b_val = b_metrics.get(key, 0)
if key == '标的数':
diff = b_val - a_val
diff_str = f"+{diff}" if diff > 0 else str(diff)
else:
diff = b_val - a_val
if key in ['累计收益', 'CAGR', 'MaxDD', '日胜率']:
diff_str = f"{diff*100:+.2f}%"
else:
diff_str = f"{diff:+.2f}"
if key in ['累计收益', 'CAGR', 'MaxDD', '日胜率']:
a_str = f"{a_val:.2%}"
b_str = f"{b_val:.2%}"
else:
a_str = str(a_val)
b_str = str(b_val)
print(f"{key:<12} {a_str:<15} {b_str:<15} {diff_str:<15}")
print("-" * 60)
# 分析美股大类内部切换情况
print(f"\n【关键发现】")
print(f"添加标普500后：")
print(f" - 美股大类从1只→2只（纳指100 + 标普500）")
print(f" - 类内竞争：纳指100 vs 标普500，得分高者代表美股大类")
print(f" - 跨类分散不变：美股大类还是只输出1只冠军进入Top3")
if b_metrics['累计收益'] != a_metrics['累计收益']:
print(f" - 累计收益变化：{a_metrics['累计收益']:.2%} → {b_metrics['累计收益']:.2%}")
def main():
"""主函数"""
import yaml
# 加载基础配置
config_path = Path(__file__).parent.parent / 'config' / 'strategies' / 'rotation.yaml'
with open(config_path, 'r') as f:
base_config = yaml.safe_load(f)
# 添加缺失的 end_date（使用今天日期）
from datetime import datetime
base_config['end_date'] = datetime.now().strftime('%Y-%m-%d')
print(f"\n{'='*60}")
print(f" A/B测试：添加标普500对diversified模式的影响")
print(f"{'='*60}")
print(f"\n测试假设：")
print(f" - diversified=true 模式下，每大类只选1只冠军")
print(f" - 添加标普500（同属美股大类）不会增加跨类分散")
print(f" - 但可能增加类内切换频率和换手率")
# A组：当前配置（11只，无标普500）
a_metrics = run_backtest(base_config, "A组: 当前配置（11只，无标普500）")
# B组：添加标普500后的配置（12只）
config_with_spx = create_config_with_spx(base_config)
b_metrics = run_backtest(config_with_spx, "B组: 添加标普500（12只）")
# 对比结果
if a_metrics and b_metrics:
compare_results(a_metrics, b_metrics)
# 保存对比结果
results_df = pd.DataFrame([a_metrics, b_metrics])
results_path = Path(__file__).parent.parent / 'results' / 'ab_test_spx.csv'
results_df.to_csv(results_path, index=False)
print(f"\n对比结果已保存: {results_path}")
if __name__ == '__main__':
main()

0
scripts/analyze_negative_scores.py → tests/experiments/analyze_negative_scores.py
View File

0
scripts/full_pool_top3_backtest.py → tests/experiments/full_pool_top3_backtest.py
View File

0
scripts/momentum_experiment.py → tests/experiments/momentum_experiment.py
View File

0
scripts/test_select_num.py → tests/experiments/test_select_num.py
View File

2
tests/utils/__init__.py Normal file
View File

@@ -0,0 +1,2 @@
# 工具脚本目录
# 存放数据构建、缓存、导出等辅助工具脚本

0
scripts/build_etf_universe.py → tests/utils/build_etf_universe.py
View File

0
scripts/etf_data_cache.py → tests/utils/etf_data_cache.py
View File

0
scripts/export_rotation_data.py → tests/utils/export_rotation_data.py
View File