fix(core): 修复计算与数据对齐等多处逻辑问题

- 修正CAGR计算，去除NaN并检查起始值有效性以避免异常结果
- 优化混合数据源的数据对齐逻辑，使用配置结束日期与A股最新数据日期的较早者
- 计算因子时对齐A股交易日历，重新基于对齐价格计算日收益率，改进因子对齐准确度
- 轮动策略中跳过空信号，避免空信号影响持仓和调仓逻辑
- 调整信号处理，过滤空字符串和NaN，保证轮动信号数据有效性
- 多品种轮动持仓中加入空信号判断，避免无效信号导致错误
- 调整调仓明细和品种汇总保存逻辑，增加空文件创建以保证输出路径文件稳定生成
- 完善多处打印信息和注释，增强代码可读性与调试便利性

core/common/utils.py

@@ -72,7 +72,20 @@ def calculate_cagr(
     Returns:
         float: CAGR值
     """
-    total_return = nav_series.iloc[-1] / nav_series.iloc[0]
+    # 去除NaN值
+    nav_series = nav_series.dropna()
+    
+    if len(nav_series) < 2:
+        return 0.0
+    
+    start_val = nav_series.iloc[0]
+    end_val = nav_series.iloc[-1]
+    
+    # 检查起始值是否有效
+    if pd.isna(start_val) or pd.isna(end_val) or start_val <= 0:
+        return 0.0
+    
+    total_return = end_val / start_val
 
     if method == "natural_days":
         days = (nav_series.index[-1] - nav_series.index[0]).days

core/datasource/hybrid_source.py

@@ -639,18 +639,31 @@ class HybridDataSource:
             aggfunc='first'
         )
         
-        # 数据对齐策略：使用各标的能获取到的最新数据
-        # 以A股最新数据日期为基准，其他市场数据对齐到该日期
+        # 数据对齐策略：使用配置的日期范围，确保回测区间与配置一致
+        # 以A股最新数据日期或配置的end_date（取较早者）为基准
         
         # 获取A股最新数据日期
         china_codes = [c for c in valid_codes if self._is_china_index(c)]
         if china_codes:
-            a_share_latest = index_data[china_codes].dropna().index.max()
+            a_share_data_latest = index_data[china_codes].dropna().index.max()
         else:
             # 如果没有A股，使用所有数据的最早最新日期
-            a_share_latest = index_data.dropna().index.max()
+            a_share_data_latest = index_data.dropna().index.max()
         
-        print(f"  A股最新数据日期: {a_share_latest.strftime('%Y-%m-%d')}")
+        # 使用配置的end_date，但不超过数据的最新日期
+        config_end = pd.Timestamp(end_date)
+        a_share_latest = min(a_share_data_latest, config_end)
+        
+        print(f"  A股数据最新日期: {a_share_data_latest.strftime('%Y-%m-%d')}")
+        print(f"  配置结束日期: {config_end.strftime('%Y-%m-%d')}")
+        print(f"  实际使用日期: {a_share_latest.strftime('%Y-%m-%d')}")
+        
+        # 打印各标的的数据时间范围（用于调试）
+        print(f"\n  各标的数据时间范围:")
+        for code in valid_codes:
+            code_data = index_data[code].dropna()
+            if len(code_data) > 0:
+                print(f"    {code}: {code_data.index.min().strftime('%Y-%m-%d')} ~ {code_data.index.max().strftime('%Y-%m-%d')} ({len(code_data)}条)")
         
         # 获取A股交易日历（从start_date到a_share_latest）
         start_str = pd.Timestamp(start_date).strftime('%Y%m%d')

core/factors/momentum.py

@@ -142,7 +142,7 @@ def compute_factors(
             valid_codes.remove(code)
             continue
         
-        # 按照该标的自己的交易日历计算指标
+        # 按照该标的自己的交易日历计算指标（使用指数数据）
         if factor_type == "momentum":
             factor_series = calculate_momentum(price_series, n)
         elif factor_type == "slope_r2":
@@ -150,14 +150,18 @@ def compute_factors(
         else:
             raise ValueError(f"不支持的因子类型: {factor_type}")
         
-        # 计算日收益率
-        return_series = calculate_daily_return(price_series)
+        # 对齐到A股交易日历：价格使用ffill，指标使用ffill
+        # 但日收益率需要基于对齐后的价格重新计算，而不是直接ffill
+        price_aligned = price_series.reindex(a_share_dates, method='ffill')
+        factor_aligned = factor_series.reindex(a_share_dates, method='ffill')
         
-        # 对齐到A股交易日历：取离A股交易日最近的有效数据（不使用未来数据）
-        # 使用reindex + method='ffill'，确保T日使用T日或之前的数据
-        result[code] = price_series.reindex(a_share_dates, method='ffill')
-        result[f"得分_{code}"] = factor_series.reindex(a_share_dates, method='ffill')
-        result[f"日收益率_{code}"] = return_series.reindex(a_share_dates, method='ffill')
+        # 基于对齐后的价格重新计算日收益率
+        # 这样如果T日没有交易（价格被ffill），日收益率为0
+        return_aligned = calculate_daily_return(price_aligned)
+        
+        result[code] = price_aligned
+        result[f"得分_{code}"] = factor_aligned
+        result[f"日收益率_{code}"] = return_aligned
     
     # 过滤掉缺失值过多的指数（基于A股交易日历）
     total_rows = len(result)
@@ -170,9 +174,10 @@ def compute_factors(
         else:
             final_valid_codes.append(code)
 
-    # 按得分列做 dropna（确保所有标的同时有数据）
+    # 注意：不做dropna，保留所有A股交易日
+    # 非A股标的在没有数据的日子，得分和日收益率会保持NaN或前向填充值
+    # 这是正常的横截面策略行为：T日只交易有数据的标的
     score_cols = [f"得分_{code}" for code in final_valid_codes]
-    result = result.dropna(subset=score_cols)
 
     print("\n因子计算完成:")
     print(f"  因子类型: {factor_type}")