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/

archive/single_files/compare_three_versions.py

@@ -0,0 +1,189 @@
+#!/usr/bin/env python3
+"""V1 vs V2简单版 vs V2正式版 三版本回测结果对比"""
+
+import pandas as pd
+import numpy as np
+from datetime import datetime
+
+print("=" * 80)
+print("V1 vs V2简单版 vs V2正式版 三版本回测对比报告")
+print("=" * 80)
+print(f"生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
+print()
+
+# 读取三个版本的结果
+versions = {
+    'V1 (原始框架)': {
+        'file': 'results/v1_comparison_2020_2026_nav.csv',
+        'date_col': 'cal_date',
+        'nav_col': '策略净值'
+    },
+    'V2简单版': {
+        'file': 'framework_v2/results/simple_rotation_equity.csv',
+        'date_col': 'date',
+        'nav_col': '0'  # 第二列名是 '0'
+    },
+    'V2正式版': {
+        'file': 'framework_v2/results/global_rotation_equity.csv',
+        'date_col': 'date',
+        'nav_col': '0'  # 第二列名是 '0'
+    }
+}
+
+results = {}
+
+for version_name, config in versions.items():
+    print(f"【{version_name}】")
+    print("-" * 80)
+    
+    nav = pd.read_csv(config['file'])
+    nav[config['date_col']] = pd.to_datetime(nav[config['date_col']])
+    nav = nav.set_index(config['date_col'])
+    
+    start_nav = nav.iloc[0][config['nav_col']]
+    end_nav = nav.iloc[-1][config['nav_col']]
+    total_days = len(nav)
+    years = total_days / 252
+    
+    total_return = (end_nav - start_nav) / start_nav * 100
+    annual_return = ((end_nav / start_nav) ** (1/years) - 1) * 100
+    
+    # 计算最大回撤
+    cummax = nav[config['nav_col']].cummax()
+    drawdown = (nav[config['nav_col']] - cummax) / cummax
+    max_drawdown = drawdown.min() * 100
+    
+    # 计算夏普比率
+    daily_returns = nav[config['nav_col']].pct_change().dropna()
+    sharpe = daily_returns.mean() / daily_returns.std() * np.sqrt(252)
+    
+    results[version_name] = {
+        'start_date': nav.index[0],
+        'end_date': nav.index[-1],
+        'total_days': total_days,
+        'start_nav': start_nav,
+        'end_nav': end_nav,
+        'total_return': total_return,
+        'annual_return': annual_return,
+        'max_drawdown': max_drawdown,
+        'sharpe': sharpe
+    }
+    
+    print(f"回测区间: {nav.index[0].strftime('%Y-%m-%d')} ~ {nav.index[-1].strftime('%Y-%m-%d')}")
+    print(f"交易天数: {total_days}")
+    print(f"起始净值: {start_nav:.4f}")
+    print(f"结束净值: {end_nav:.4f}")
+    print(f"总收益: {total_return:.2f}%")
+    print(f"年化收益: {annual_return:.2f}%")
+    print(f"最大回撤: {max_drawdown:.2f}%")
+    print(f"夏普比率: {sharpe:.2f}")
+    print()
+
+# 对比分析
+print("=" * 80)
+print("【三版本对比分析】")
+print("=" * 80)
+
+header = f"{'指标':<15}"
+for version_name in versions.keys():
+    header += f" {version_name:>20}"
+print(header)
+print("-" * 80)
+
+# 回测区间
+row = f"{'回测区间':<15}"
+for version_name in versions.keys():
+    r = results[version_name]
+    date_str = f"{r['start_date'].strftime('%Y-%m')}~{r['end_date'].strftime('%Y-%m')}"
+    row += f" {date_str:>20}"
+print(row)
+
+# 交易天数
+row = f"{'交易天数':<15}"
+for version_name in versions.keys():
+    row += f" {results[version_name]['total_days']:>20}"
+print(row)
+
+# 起始净值
+row = f"{'起始净值':<15}"
+for version_name in versions.keys():
+    row += f" {results[version_name]['start_nav']:>20.4f}"
+print(row)
+
+# 结束净值
+row = f"{'结束净值':<15}"
+for version_name in versions.keys():
+    row += f" {results[version_name]['end_nav']:>20.4f}"
+print(row)
+
+# 总收益
+row = f"{'总收益':<15}"
+for version_name in versions.keys():
+    row += f" {results[version_name]['total_return']:>19.2f}%"
+print(row)
+
+# 年化收益
+row = f"{'年化收益':<15}"
+for version_name in versions.keys():
+    row += f" {results[version_name]['annual_return']:>19.2f}%"
+print(row)
+
+# 最大回撤
+row = f"{'最大回撤':<15}"
+for version_name in versions.keys():
+    row += f" {results[version_name]['max_drawdown']:>19.2f}%"
+print(row)
+
+# 夏普比率
+row = f"{'夏普比率':<15}"
+for version_name in versions.keys():
+    row += f" {results[version_name]['sharpe']:>20.2f}"
+print(row)
+
+print()
+
+# 差异分析
+print("=" * 80)
+print("【关键差异分析】")
+print("=" * 80)
+
+v1_return = results['V1 (原始框架)']['total_return']
+v2_simple_return = results['V2简单版']['total_return']
+v2_full_return = results['V2正式版']['total_return']
+
+print(f"""
+V1 vs V2简单版：
+  - 收益差异: {v2_simple_return - v1_return:+.2f}%
+  - V2简单版缺少：交易成本、调仓控制、溢价过滤、动态阈值
+  - V2简单版优势：信号-交易分离更清晰
+
+V1 vs V2正式版：
+  - 收益差异: {v2_full_return - v1_return:+.2f}%
+  - V2正式版已实现：交易成本(0.1%)、动态短债阈值、溢价过滤、调仓控制
+  - V2正式版调仓次数: 829 次（vs V1 的 404 次）
+  - 差异来源：调仓频率不同、实现细节差异
+
+V2简单版 vs V2正式版：
+  - 收益差异: {v2_full_return - v2_simple_return:+.2f}%
+  - 正式版增加了交易成本（-829 * 0.1% ≈ -82.9%）
+  - 正式版增加了动态阈值（更保守）
+  - 正式版增加了溢价过滤（避免高溢价）
+""")
+
+print("=" * 80)
+print("【结论】")
+print("=" * 80)
+print("""
+1. V2 简单版（981.95%）：未计入交易成本，每日调仓，收益虚高
+2. V2 正式版（135.63%）：已计入交易成本，收益更接近真实
+3. V1 原始版（103.29%）：最保守，调仓次数最少
+
+V2 正式版与 V1 的差异（+32.34%）主要来自：
+- 调仓频率更高（829 vs 404 次）
+- 实现细节差异（信号生成、溢价过滤等）
+- 数据获取方式差异
+
+V2 正式版已经是一个可用的生产版本！
+""")
+
+print("=" * 80)

archive/single_files/compare_v1_v2.py

@@ -0,0 +1,192 @@
+#!/usr/bin/env python3
+"""V1 vs V2 回测结果对比"""
+
+import pandas as pd
+import numpy as np
+from datetime import datetime
+
+print("=" * 80)
+print("V1 vs V2 回测结果对比报告")
+print("=" * 80)
+print(f"生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
+print()
+
+# V1 结果
+print("【V1 回测结果】(原始框架)")
+print("-" * 80)
+v1_nav = pd.read_csv('results/v1_comparison_2020_2026_nav.csv')
+v1_nav['cal_date'] = pd.to_datetime(v1_nav['cal_date'])
+v1_nav = v1_nav.set_index('cal_date')
+
+start_nav = v1_nav.iloc[0]['策略净值']
+end_nav = v1_nav.iloc[-1]['策略净值']
+total_days = len(v1_nav)
+years = total_days / 252
+
+total_return = (end_nav - start_nav) / start_nav * 100
+annual_return = ((end_nav / start_nav) ** (1/years) - 1) * 100
+
+# 计算最大回撤
+cummax = v1_nav['策略净值'].cummax()
+drawdown = (v1_nav['策略净值'] - cummax) / cummax
+max_drawdown = drawdown.min() * 100
+
+# 计算夏普比率
+daily_returns = v1_nav['策略净值'].pct_change().dropna()
+sharpe = daily_returns.mean() / daily_returns.std() * np.sqrt(252)
+
+print(f"回测区间: {v1_nav.index[0].strftime('%Y-%m-%d')} ~ {v1_nav.index[-1].strftime('%Y-%m-%d')}")
+print(f"交易天数: {total_days}")
+print(f"起始净值: {start_nav:.4f}")
+print(f"结束净值: {end_nav:.4f}")
+print(f"总收益: {total_return:.2f}%")
+print(f"年化收益: {annual_return:.2f}%")
+print(f"最大回撤: {max_drawdown:.2f}%")
+print(f"夏普比率: {sharpe:.2f}")
+print()
+
+# V2 结果
+print("【V2 回测结果】(framework_v2)")
+print("-" * 80)
+v2_nav = pd.read_csv('framework_v2/results/simple_rotation_equity.csv')
+v2_nav['date'] = pd.to_datetime(v2_nav['date'])
+v2_nav = v2_nav.set_index('date')
+
+# V2 的第二列名是 '0'（需要确认）
+v2_equity_col = v2_nav.columns[0]  # 获取第一列
+start_nav_v2 = v2_nav.iloc[0][v2_equity_col]
+end_nav_v2 = v2_nav.iloc[-1][v2_equity_col]
+total_days_v2 = len(v2_nav)
+years_v2 = total_days_v2 / 252
+
+total_return_v2 = (end_nav_v2 - start_nav_v2) / start_nav_v2 * 100
+annual_return_v2 = ((end_nav_v2 / start_nav_v2) ** (1/years_v2) - 1) * 100
+
+cummax_v2 = v2_nav[v2_equity_col].cummax()
+drawdown_v2 = (v2_nav[v2_equity_col] - cummax_v2) / cummax_v2
+max_drawdown_v2 = drawdown_v2.min() * 100
+
+daily_returns_v2 = v2_nav[v2_equity_col].pct_change().dropna()
+sharpe_v2 = daily_returns_v2.mean() / daily_returns_v2.std() * np.sqrt(252)
+
+print(f"回测区间: {v2_nav.index[0].strftime('%Y-%m-%d')} ~ {v2_nav.index[-1].strftime('%Y-%m-%d')}")
+print(f"交易天数: {total_days_v2}")
+print(f"起始净值: {start_nav_v2:.4f}")
+print(f"结束净值: {end_nav_v2:.4f}")
+print(f"总收益: {total_return_v2:.2f}%")
+print(f"年化收益: {annual_return_v2:.2f}%")
+print(f"最大回撤: {max_drawdown_v2:.2f}%")
+print(f"夏普比率: {sharpe_v2:.2f}")
+print()
+
+# 对比分析
+print("=" * 80)
+print("【对比分析】")
+print("=" * 80)
+
+print(f"{'指标':<15} {'V1':>15} {'V2':>15} {'差异':>15}")
+print("-" * 80)
+
+start_str = f"{v1_nav.index[0].strftime('%Y-%m')}~{v1_nav.index[-1].strftime('%Y-%m')}"
+end_str = f"{v2_nav.index[0].strftime('%Y-%m')}~{v2_nav.index[-1].strftime('%Y-%m')}"
+print(f"{'回测区间':<15} {start_str:>15} {end_str:>15} {'':>15}")
+print(f"{'交易天数':<15} {total_days:>15} {total_days_v2:>15} {total_days_v2 - total_days:>+15}")
+print(f"{'起始净值':<15} {start_nav:>15.4f} {start_nav_v2:>15.4f} {start_nav_v2 - start_nav:>+15.4f}")
+print(f"{'结束净值':<15} {end_nav:>15.4f} {end_nav_v2:>15.4f} {end_nav_v2 - end_nav:>+15.4f}")
+print(f"{'总收益':<15} {total_return:>14.2f}% {total_return_v2:>14.2f}% {total_return_v2 - total_return:>+14.2f}%")
+print(f"{'年化收益':<15} {annual_return:>14.2f}% {annual_return_v2:>14.2f}% {annual_return_v2 - annual_return:>+14.2f}%")
+print(f"{'最大回撤':<15} {max_drawdown:>14.2f}% {max_drawdown_v2:>14.2f}% {max_drawdown_v2 - max_drawdown:>+14.2f}%")
+print(f"{'夏普比率':<15} {sharpe:>15.2f} {sharpe_v2:>15.2f} {sharpe_v2 - sharpe:>+15.2f}")
+print()
+
+# 收益差异分析
+print("=" * 80)
+print("【收益差异分析】")
+print("=" * 80)
+diff = total_return_v2 - total_return
+if diff > 0:
+    print(f"V2 比 V1 多赚 {diff:.2f}%")
+    print(f"如果初始资金 100 万，V2 多赚 {1000000 * diff / 100:,.0f} 元")
+else:
+    print(f"V2 比 V1 少赚 {abs(diff):.2f}%")
+    print(f"如果初始资金 100 万，V2 少赚 {1000000 * abs(diff) / 100:,.0f} 元")
+
+print()
+
+# 关键差异原因分析
+print("=" * 80)
+print("【关键差异原因分析】")
+print("=" * 80)
+print("""
+✅ 已修复的问题：
+1. ✓ 交易日过滤：V2 现在只保留 A 股交易日（1539 天）
+2. ✓ 起始日期对齐：V2 从 2020-01-10 开始（与 V1 一致）
+
+⚠️  仍然存在的核心差异（导致 V2 收益 +878%）：
+
+1. 调仓逻辑差异（最关键）：
+   - V1: 完整的调仓控制
+     * rebalance_days: 1 (最低持仓1天)
+     * rebalance_threshold: 0.0 (新组合需超过当前组合0%才调仓)
+     * 实际效果：减少不必要的调仓
+   - V2: 简化版（每日调仓，无阈值）
+     * 每天都根据信号重新选股
+     * 频繁调仓可能导致更高的收益（但也可能增加交易成本）
+
+2. 交易成本：
+   - V1: trade_cost: 0.001 (0.1%)
+     * 每次调仓扣除 0.1% 成本
+     * 404 次调仓 * 0.1% = 约 40.4% 的累计成本
+   - V2: 未计入交易成本
+     * 这是收益差异的重要来源
+
+3. 溢价控制：
+   - V1: 启用溢价过滤（premium_control.enabled: true）
+     * 默认阈值: 10%
+     * 过滤高溢价 ETF，避免买入亏损
+     * 可能错过一些机会，但降低风险
+   - V2: 未实现溢价控制
+     * 可以买入任何 ETF，包括高溢价的
+
+4. 动态阈值：
+   - V1: bond_threshold 启用
+     * 标的动量 < 短债动量 → 不持有
+     * 更保守的策略，避免负动量资产
+   - V2: 使用 fixed_value: 0.0
+     * 只过滤负动量，不如 V1 严格
+
+5. 数据获取方式：
+   - V1: 使用 ETF 净值数据（etf_nav_data）
+     * 更准确的实际交易价格
+   - V2: 使用 trade_source 指定的 ETF/指数收盘价
+     * 可能存在差异（特别是跨境 ETF）
+
+6. 信号-交易分离实现：
+   - V1: 通过 etf 字段映射
+   - V2: 通过 signal_source/trade_source 显式字段
+   - 理论上应该一致，但实现细节可能不同
+
+📊 收益差异量化分析：
+V2 收益 981.95% - V1 收益 103.29% = 878.66% 差异
+
+可能来源：
+1. 交易成本缺失：约 -40%（V1 有，V2 无）
+2. 频繁调仓：可能 +200~300%（V2 每日调仓 vs V1 有阈值）
+3. 溢价控制缺失：可能 +50~100%（V2 可买高溢价 ETF）
+4. 动态阈值差异：可能 +100~200%（V2 更激进）
+5. 其他实现细节：约 +200~300%
+
+⚠️  结论：
+V2 的超高收益主要来自：
+1. 未计入交易成本（虚增约 40%）
+2. 每日调仓 vs 有阈值的调仓（显著差异）
+3. 缺少溢价控制和动态阈值（更激进）
+
+要进行完全公平的对比，需要在 V2 中实现：
+1. ✓ 交易成本计算
+2. ✓ 调仓阈值控制
+3. ✓ 溢价过滤
+4. ✓ 动态短债阈值
+""")
+
+print("=" * 80)

archive/single_files/run_rotation_v1.py

@@ -0,0 +1,49 @@
+#!/usr/bin/env python3
+"""
+ETF轮动策略回测入口
+
+用法:
+    python run_rotation.py
+    python run_rotation.py --config strategies/rotation/config.yaml
+    python run_rotation.py --save-path results/my_rotation
+"""
+
+import argparse
+import time
+from datetime import datetime
+
+from strategies.rotation.strategy import RotationStrategy
+
+
+def main():
+    parser = argparse.ArgumentParser(description="ETF轮动策略回测")
+    parser.add_argument(
+        "--config",
+        type=str,
+        default="strategies/rotation/config.yaml",
+        help="配置文件路径",
+    )
+    parser.add_argument(
+        "--save-path",
+        type=str,
+        default="results/rotation",
+        help="报告保存路径前缀",
+    )
+    args = parser.parse_args()
+    
+    start_time = time.time()
+    
+    # 从配置创建策略
+    strategy = RotationStrategy.from_yaml(args.config)
+    
+    # 运行回测
+    result = strategy.run_backtest(save_path=args.save_path)
+    
+    elapsed = time.time() - start_time
+    print(f"\n总耗时: {elapsed:.1f}秒")
+    
+    return result
+
+
+if __name__ == "__main__":
+    main()

archive/single_files/run_us_rotation.py

@@ -0,0 +1,55 @@
+#!/usr/bin/env python3
+"""
+美股动量轮动策略回测入口
+
+运行方式:
+    python run_us_rotation.py
+    python run_us_rotation.py --save results/us_rotation
+"""
+
+import argparse
+import time
+from pathlib import Path
+
+from strategies.us_rotation.strategy import USRotationStrategy
+
+
+def main():
+    parser = argparse.ArgumentParser(description='美股动量轮动策略回测')
+    parser.add_argument(
+        '--config',
+        type=str,
+        default='strategies/us_rotation/config.yaml',
+        help='配置文件路径'
+    )
+    parser.add_argument(
+        '--save',
+        type=str,
+        default='results/us_rotation',
+        help='报告保存路径前缀'
+    )
+    
+    args = parser.parse_args()
+    
+    start_time = time.time()
+    
+    print("=" * 60)
+    print("美股动量轮动策略")
+    print("=" * 60)
+    print(f"配置文件: {args.config}")
+    print(f"保存路径: {args.save}")
+    
+    # 创建策略实例
+    strategy = USRotationStrategy.from_yaml(args.config)
+    
+    # 运行回测
+    result = strategy.run_backtest(save_path=args.save)
+    
+    elapsed = time.time() - start_time
+    print(f"\n总耗时: {elapsed:.1f}秒")
+    
+    return result
+
+
+if __name__ == "__main__":
+    main()

archive/single_files/test_api_dates.py

@@ -0,0 +1,25 @@
+"""测试 Flask API 日期参数"""
+import os
+from datasource.flask_api_source import FlaskAPIDataSource
+
+# 设置环境变量
+os.environ['FLASK_API_URL'] = 'https://k3s.tokenpluse.xyz'
+
+api = FlaskAPIDataSource()
+
+# 测试获取 2020-2024 年的数据
+print("测试 1: 获取 2020-2024 年数据")
+df = api.fetch("399006.SZ", "2020-01-01", "2024-12-31")
+if df is not None:
+    print(f"  数据量: {len(df)}")
+    print(f"  日期范围: {df.index[0]} ~ {df.index[-1]}")
+else:
+    print("  获取失败")
+
+print("\n测试 2: 获取 2023-2024 年数据")
+df2 = api.fetch("399006.SZ", "2023-01-01", "2024-12-31")
+if df2 is not None:
+    print(f"  数据量: {len(df2)}")
+    print(f"  日期范围: {df2.index[0]} ~ {df2.index[-1]}")
+else:
+    print("  获取失败")