refactor(archive): move unused modules to archive/

Archive legacy framework and utility modules that are no longer referenced by the active core (datasource/ and rotation/): - framework/ -> archive/framework/ - framework_v2/ -> archive/framework_v2/ - strategies/ -> archive/strategies/ - config/ -> archive/config/ - visualization/ -> archive/visualization/ - scripts/ -> archive/scripts/ - tests/ -> archive/tests/ - run_rotation.py, run_us_rotation.py -> archive/single_files/ - compare_*.py, test_api_dates.py -> archive/single_files/
2026-06-03 23:41:46 +08:00
parent d700bc1dfd
commit c905230a40
98 changed files with 0 additions and 714 deletions
--- a/archive/framework_v2/core/strategy.py
+++ b/archive/framework_v2/core/strategy.py
@@ -0,0 +1,260 @@
+"""
+策略抽象基类
+
+所有策略必须继承此类并实现必要方法
+"""
+
+from abc import ABC, abstractmethod
+from typing import Dict, Optional, Any
+import pandas as pd
+
+from framework_v2.config.schemas import StrategyConfig
+
+
+class StrategyBase(ABC):
+    """
+    策略抽象基类（V2 增强版）
+    
+    定义策略的标准生命周期：
+    1. 初始化配置（使用 Pydantic Schema）
+    2. 获取数据（支持多数据源）
+    3. 计算因子（使用框架因子库）
+    4. 生成信号（策略特定逻辑）
+    5. 执行回测（框架通用执行器）
+    
+    子类必须实现：
+    - get_codes(): 获取标的列表
+    - compute_factors(): 计算因子
+    - generate_signals(): 生成信号
+    - manage_positions(): 仓位管理
+    """
+    
+    INTERFACE_VERSION = 2  # V2 版本
+    
+    def __init__(self, config: StrategyConfig):
+        """
+        初始化策略
+        
+        Args:
+            config: 策略配置（Pydantic Schema）
+        """
+        self.config = config
+        self.name = config.metadata.strategy
+        
+        # 组件将在子类中初始化
+        self._data_fetcher = None
+        self._executor = None
+    
+    @abstractmethod
+    def get_codes(self) -> list:
+        """
+        获取标的列表（策略必须实现）
+        
+        Returns:
+            标的代码列表，如 ['399006.SZ', 'NDX', 'GC=F']
+        """
+        pass
+    
+    @abstractmethod
+    def compute_factors(self, data: Dict[str, pd.DataFrame]) -> Dict[str, pd.Series]:
+        """
+        计算因子（策略必须实现）
+        
+        Args:
+            data: 数据字典 {code: DataFrame}
+        
+        Returns:
+            因子字典 {code: Series}
+        """
+        pass
+    
+    @abstractmethod
+    def generate_signals(self, factors: Dict[str, pd.Series]) -> pd.DataFrame:
+        """
+        生成信号（策略必须实现）
+        
+        Args:
+            factors: 因子字典 {code: Series}
+        
+        Returns:
+            信号 DataFrame（包含 'signal' 列，1=买入，0=空仓）
+        """
+        pass
+    
+    @abstractmethod
+    def manage_positions(self, signals: pd.DataFrame) -> pd.DataFrame:
+        """
+        仓位管理（策略必须实现）
+        
+        Args:
+            signals: 信号 DataFrame
+        
+        Returns:
+            仓位 DataFrame（包含 'weight' 列，权重和为 1）
+        """
+        pass
+    
+    def get_data(self) -> Dict[str, pd.DataFrame]:
+        """
+        获取数据（框架实现，策略可覆盖）
+        
+        Returns:
+            数据字典 {code: DataFrame}
+        """
+        if self._data_fetcher is None:
+            self._data_fetcher = self._create_data_fetcher()
+        
+        codes = self.get_codes()
+        
+        # 处理 end_date 为 None 的情况（使用今天）
+        from datetime import date
+        start = self.config.backtest.start_date
+        end = self.config.backtest.end_date
+        if end is None:
+            end = date.today().strftime('%Y-%m-%d')
+        
+        # 批量获取数据（fetch_indices 返回 {code: DataFrame}）
+        try:
+            data = self._data_fetcher.fetch_indices(
+                codes=codes,
+                start=start,
+                end=end
+            )
+            return data
+        except Exception as e:
+            print(f"  错误: 数据获取失败 - {e}")
+            return {}
+    
+    def compute_factors(self, data: Dict[str, Any]) -> pd.DataFrame:
+        """
+        计算因子（可选覆盖）
+        
+        Args:
+            data: 数据字典
+        
+        Returns:
+            因子 DataFrame（日期 × 标的）
+        """
+        if self._factor is None:
+            self._factor = self.init_factors()
+        
+        # 默认实现：遍历标的计算因子
+        factor_values = {}
+        for code in data.get('valid_codes', []):
+            if code in data.get('index_data', {}):
+                factor_values[code] = self._factor.compute(data['index_data'][code])
+        
+        return pd.DataFrame(factor_values)
+    
+    def generate_signals(self, factor_df: pd.DataFrame) -> pd.DataFrame:
+        """
+        生成信号
+        
+        Args:
+            factor_df: 因子 DataFrame
+        
+        Returns:
+            信号 DataFrame（包含 'signal' 列）
+        """
+        if self._signal_generator is None:
+            self._signal_generator = self.init_signal_generator()
+        
+        return self._signal_generator.generate(factor_df)
+    
+    def run(self, data: Optional[Dict[str, pd.DataFrame]] = None, 
+            export_detail: bool = False, detail_path: str = None) -> Dict[str, Any]:
+        """
+        运行完整回测流程（框架标准流程）
+        
+        Args:
+            data: 可选，如不提供则自动获取
+            export_detail: 是否导出逐日明细（默认 False）
+            detail_path: 明细 JSON 文件路径（export_detail=True 时必需）
+        
+        Returns:
+            回测结果字典，包含：
+            - equity_curve: 净值曲线
+            - trades: 交易记录
+            - metrics: 绩效指标
+        """
+        # 1. 获取数据并保存
+        if data is None:
+            print("[1/5] 获取数据...")
+            data = self.get_data()
+            self._data = data  # 保存数据供导出使用
+            print(f"      获取 {len(data)} 个标的")
+        else:
+            self._data = data
+        
+        # 2. 计算因子
+        print("[2/5] 计算因子...")
+        factors = self.compute_factors(data)
+        print(f"      计算 {len(factors)} 个因子")
+        
+        # 3. 生成信号
+        print("[3/5] 生成信号...")
+        signals = self.generate_signals(factors)
+        print(f"      生成 {signals.shape[0]} 个信号")
+        
+        # 4. 仓位管理
+        print("[4/5] 仓位管理...")
+        positions = self.manage_positions(signals)
+        # positions 可能是信号矩阵或权重矩阵，计算平均仓位
+        if hasattr(positions, 'sum'):
+            avg_position = positions.sum(axis=1).mean() if hasattr(positions.sum(axis=1), 'mean') else 0
+            print(f"      平均仓位: {avg_position:.2%}")
+        else:
+            print(f"      仓位管理完成")
+        
+        # 5. 执行回测
+        print("[5/5] 执行回测...")
+        result = self._execute_backtest(positions, data)
+        print(f"      回测完成")
+        
+        # 6. 可选：导出逐日明细
+        if export_detail:
+            if not detail_path:
+                raise ValueError("export_detail=True 时需要指定 detail_path")
+            
+            print("\n[额外] 导出逐日明细...")
+            self._export_backtest_detail(
+                factors=factors,
+                signals=signals,
+                positions=positions,
+                result=result,
+                output_path=detail_path
+            )
+        
+        return result
+    
+    def _execute_backtest(self, signals: pd.DataFrame, data: Dict[str, Any]) -> Dict[str, Any]:
+        """
+        执行回测（子类可覆盖）
+        
+        Args:
+            signals: 信号 DataFrame
+            data: 数据字典
+        
+        Returns:
+            回测结果
+        """
+        raise NotImplementedError("Subclasses must implement _execute_backtest()")
+    
+    def _create_data_fetcher(self):
+        """
+        创建数据获取器（框架实现）
+        
+        Returns:
+            DataFetcher 实例
+        """
+        from framework_v2.shared.data import FlaskAPIFetcher
+        
+        # 使用配置中的第一个启用的数据源
+        for source_config in self.config.data.sources:
+            if source_config.enabled and source_config.type.value == 'flask_api':
+                return FlaskAPIFetcher(
+                    base_url=source_config.url,
+                    timeout=source_config.timeout
+                )
+        
+        raise ValueError("未找到可用的数据源配置")