chore(config): 添加环境变量示例及.gitignore更新

- 新增 .env.example，包含 Tushare API、钉钉机器人和PostgreSQL数据库配置模板
- 更新.gitignore，忽略本地配置文件如 .env.local 和 config_local.py
- 添加对报表文件命名规则的支持，保留示例文件不忽略
- 删除废弃的 chart.py 及相关图表模块代码
- 新增 config/settings.py，实现从环境变量读取配置的统一接口
- 设置数据目录及缓存目录，确保目录存在，提高配置管理规范性

core/factors/momentum.py

@@ -0,0 +1,137 @@
+"""
+动量因子计算模块
+
+支持两种动量因子：
+1. N日涨幅（简单动量）
+2. 斜率×R²趋势得分（改进版）
+"""
+
+import numpy as np
+import pandas as pd
+from sklearn.linear_model import LinearRegression
+
+
+def calculate_momentum(price_series: pd.Series, n: int) -> pd.Series:
+    """
+    计算 N 日涨幅（简单动量）
+
+    Args:
+        price_series: 价格序列
+        n: 动量窗口天数
+
+    Returns:
+        Series: N日涨幅
+    """
+    return price_series / price_series.shift(n + 1) - 1.0
+
+
+def _slope_r2_score(srs: pd.Series, n: int = 25) -> float:
+    """
+    单次计算斜率×R²趋势得分
+
+    Args:
+        srs: 价格窗口序列（长度为 n）
+        n: 窗口长度
+
+    Returns:
+        float: 斜率 × R² × 10000
+    """
+    if srs.shape[0] < n:
+        return np.nan
+
+    x = np.arange(1, n + 1).reshape(-1, 1)
+    y = srs.values / srs.values[0]  # 归一化
+
+    lr = LinearRegression().fit(x, y)
+    slope = lr.coef_[0]
+    r_squared = lr.score(x, y)
+    score = 10000 * slope * r_squared
+
+    return score
+
+
+def calculate_slope_r2(price_series: pd.Series, n: int = 25) -> pd.Series:
+    """
+    计算斜率×R²趋势得分序列
+
+    Args:
+        price_series: 价格序列
+        n: 滚动窗口天数
+
+    Returns:
+        Series: 趋势得分序列
+    """
+    return price_series.rolling(n).apply(
+        lambda x: _slope_r2_score(x, n), raw=False
+    )
+
+
+def calculate_daily_return(price_series: pd.Series) -> pd.Series:
+    """
+    计算日收益率
+
+    Args:
+        price_series: 价格序列
+
+    Returns:
+        Series: 日收益率
+    """
+    return price_series / price_series.shift(1) - 1
+
+
+def compute_factors(
+    etf_data: pd.DataFrame,
+    code_list: list,
+    n: int = 25,
+    factor_type: str = "slope_r2",
+) -> tuple[pd.DataFrame, list]:
+    """
+    计算所有指数的因子和日收益率
+
+    Args:
+        etf_data: DataFrame, 宽表格式的收盘价
+        code_list: 指数代码列表
+        n: 动量/趋势窗口
+        factor_type: 'momentum' 或 'slope_r2'
+
+    Returns:
+        tuple: (result_df, valid_codes)
+    """
+    result = etf_data.copy()
+
+    # 过滤掉缺失值过多的指数
+    total_rows = len(result)
+    valid_codes = []
+    for code in code_list:
+        if code not in result.columns:
+            print(f"  ⚠ 跳过 {code}: 不在数据中")
+            continue
+        null_pct = result[code].isnull().sum() / total_rows
+        if null_pct > 0.2:
+            print(f"  ⚠ 剔除 {code}: 缺失率 {null_pct:.1%} 过高")
+            result = result.drop(columns=[code])
+        else:
+            valid_codes.append(code)
+
+    # 对有效指数计算因子
+    for code in valid_codes:
+        result[f"日收益率_{code}"] = calculate_daily_return(result[code])
+
+        if factor_type == "momentum":
+            result[f"得分_{code}"] = calculate_momentum(result[code], n)
+        elif factor_type == "slope_r2":
+            result[f"得分_{code}"] = calculate_slope_r2(result[code], n)
+        else:
+            raise ValueError(f"不支持的因子类型: {factor_type}")
+
+    # 按得分列做 dropna
+    score_cols = [f"得分_{code}" for code in valid_codes]
+    result = result.dropna(subset=score_cols)
+
+    print("\n因子计算完成:")
+    print(f"  因子类型: {factor_type}")
+    print(f"  窗口天数: {n}")
+    print(f"  有效指数: {len(valid_codes)}/{len(code_list)}")
+    print(f"  有效数据: {len(result)} 行")
+
+    return result, valid_codes