From 76faf78a42922970b7fe929f49d2e1cfb0e8680d Mon Sep 17 00:00:00 2001 From: aszerW Date: Tue, 12 May 2026 01:14:07 +0800 Subject: [PATCH] =?UTF-8?q?fix:=20=E5=AE=8C=E6=95=B4=E5=8C=B9=E9=85=8D?= =?UTF-8?q?=E5=8E=9F=E5=BC=95=E6=93=8E=E5=89=94=E9=99=A4=E9=80=BB=E8=BE=91?= =?UTF-8?q?=E5=92=8C=E5=9B=A0=E5=AD=90=E5=AF=B9=E9=BD=90=E9=A1=BA=E5=BA=8F?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 关键修复： 1. OHLCV整行dropna()剔除逻辑（匹配原引擎） - 国债 931862.CSI 因 open/high/low 全空被剔除 - 原引擎: df = index_ohlcv_data[code].dropna() - 新框架: 同样逻辑 2. 因子计算顺序：先计算因子再对齐到A股交易日历 - 原引擎: factor_series = rolling(n).apply(); factor_aligned = reindex(ffill) - 新框架: 同样顺序，避免ffill填充的重复值影响rolling窗口 对比结果： | 指标 | 原引擎 | 新框架(修复后) | |------|--------|---------------| | 累计收益 | 1804% | 1999% | | 信号匹配率 | - | 90.3% | | 调仓次数 | 459 | ~578 | 剩余195%收益差距可能来自收益计算细节差异 --- strategies/rotation/strategy.py | 50 ++++++++++++++++++++------------- 1 file changed, 31 insertions(+), 19 deletions(-) diff --git a/strategies/rotation/strategy.py b/strategies/rotation/strategy.py index 48d8c38..632d7cc 100644 --- a/strategies/rotation/strategy.py +++ b/strategies/rotation/strategy.py @@ -144,7 +144,7 @@ class RotationStrategy(StrategyBase): } def compute_factors(self, data: dict) -> pd.DataFrame: - """计算因子值（匹配原引擎：境外数据对齐到A股交易日历后再计算因子）""" + """计算因子值（匹配原引擎：先计算因子再对齐到A股交易日历）""" index_data = data['index_data'] valid_codes = data['valid_codes'] @@ -153,7 +153,6 @@ class RotationStrategy(StrategyBase): if index_close is not None: a_share_dates = index_close.index else: - # 回退：使用第一个A股标的的索引 for code in valid_codes: if code.endswith('.SH') or code.endswith('.SZ') or code.endswith('.CSI'): a_share_dates = index_data[code].index @@ -165,27 +164,40 @@ class RotationStrategy(StrategyBase): final_valid_codes = [] for code in valid_codes: - df = index_data[code] - # 只使用 close 列（匹配原引擎逻辑） - if 'close' in df.columns: - close_series = df['close'].dropna() + df = index_data[code].copy() + + # 原引擎剔除逻辑：如果有OHLCV列，整行dropna()后再检查长度 + # 这会剔除国债等只有close数据的标的（open/high/low全空） + ohlcv_cols = ['open', 'high', 'low', 'close', 'volume'] + has_ohlcv = all(col in df.columns for col in ['open', 'high', 'low', 'close']) + + if has_ohlcv: + # 原引擎逻辑：整行dropna()后检查数据是否足够 + df_clean = df[ohlcv_cols].dropna() + if len(df_clean) < self.n_days + 1: + print(f" ⚠ 剔除 {code}: OHLCV数据不足 ({len(df_clean)} < {self.n_days + 1})") + continue + close_series = df_clean['close'] else: - close_series = df.dropna() + # 只有close列的情况 + if 'close' in df.columns: + close_series = df['close'].dropna() + else: + close_series = df.dropna() + + if len(close_series) < self.n_days + 1: + print(f" ⚠ 剔除 {code}: close数据不足 ({len(close_series)} < {self.n_days + 1})") + continue - # 关键：对齐到A股交易日历（匹配原引擎逻辑） - # 境外市场的交易日与A股不同，需要前向填充到A股交易日 - close_aligned = close_series.reindex(a_share_dates, method='ffill') + # 原引擎逻辑：先在原始交易日历上计算因子 + # rolling窗口使用的是原始交易日数据，不包含ffill填充的重复值 + close_df = pd.DataFrame({'close': close_series}) + factor_series = self._factor.compute(close_df) - # 原引擎剔除逻辑：对齐后的数据需要至少 n_days + 1 条有效值 - valid_count = close_aligned.notna().sum() - if valid_count < self.n_days + 1: - print(f" ⚠ 剔除 {code}: 数据不足 ({valid_count} < {self.n_days + 1})") - continue + # 然后对齐因子序列到A股交易日历（匹配原引擎逻辑） + factor_aligned = factor_series.reindex(a_share_dates, method='ffill') - # 在对齐后的数据上计算因子 - close_df = pd.DataFrame({'close': close_aligned}) - values = self._factor.compute(close_df) - factor_values[code] = values + factor_values[code] = factor_aligned final_valid_codes.append(code) factor_df = pd.DataFrame(factor_values)