experiment(rotation): 同大类扩充与纳指vs标普替换对比实验

技术修复： - SOCKS5代理IPv6问题：socks5:// → socks5h:// (hybrid_source.py, yfinance_source.py) 目录整理： - scripts/ → 仅保留策略入口(daily_scheduler, run_rotation, run_cci_screener) - 实验脚本移至 tests/experiments/ - 工具脚本移至 tests/utils/ - 实验记录新增 docs/experiments/ - results/ 添加到 gitignore 实验结果：实验001 - 同大类扩充（添加标普500）： ├─ 累计收益: 1467.35% → 1176.26% (-291%) ├─ CAGR: 48.10% → 43.82% (-4.28%) ├─ 调仓次数: 459 → 501 (+42次) └─ 结论: 添加同大类标的不增加跨类分散，反而侵蚀收益实验002 - 纳指vs标普替换对比： ├─ 累计收益: 1467.35% → 1118.77% (-348%) ├─ CAGR: 48.10% → 42.87% (-5.22%) ├─ Sharpe: 2.21 → 2.08 (-0.13) ├─ MaxDD: -17.33% → -15.14% (+2.18%) └─ 结论: 纳指100优于标普500，成长风格更适合动量策略策略建议： - 保持纳指100作为美股大类代表 - 不添加同大类新标的（避免类内切换成本） - 新增标的应优先考虑新大类（增加跨类分散）
docs: 跨市场动量策略有效性度量与资产组合优化文献综述
2026-05-06 20:43:38 +08:00 · 2026-04-30 21:59:40 +08:00 · 2026-04-30 14:27:23 +08:00
22 changed files with 2125 additions and 2 deletions
--- a/.gitignore
+++ b/.gitignore
@@ -199,3 +199,6 @@ report*.png
 # Downloaded articles
 zhihu-articles/
 # Results directory (test outputs, charts, etc.)
 results/
--- a/core/datasource/hybrid_source.py
+++ b/core/datasource/hybrid_source.py
@@ -72,7 +72,8 @@ class SSHTunnelManager:
                return False
            # 设置代理环境变量
-            proxy_url = f"socks5://127.0.0.1:{self.local_port}"
+            # 使用 socks5h:// 让代理服务器远程解析DNS，避免IPv6问题
            proxy_url = f"socks5h://127.0.0.1:{self.local_port}"
            os.environ["HTTP_PROXY"] = proxy_url
            os.environ["HTTPS_PROXY"] = proxy_url
            os.environ["ALL_PROXY"] = proxy_url
--- a/core/datasource/yfinance_source.py
+++ b/core/datasource/yfinance_source.py
@@ -75,7 +75,8 @@ class SSHTunnelManager:
                return False
            # 设置代理环境变量
-            proxy_url = f"socks5://127.0.0.1:{self.local_port}"
+            # 使用 socks5h:// 让代理服务器远程解析DNS，避免IPv6问题
            proxy_url = f"socks5h://127.0.0.1:{self.local_port}"
            os.environ["HTTP_PROXY"] = proxy_url
            os.environ["HTTPS_PROXY"] = proxy_url
            os.environ["ALL_PROXY"] = proxy_url
--- a/docs/cross_market_effectiveness_survey.md
+++ b/docs/cross_market_effectiveness_survey.md
@@ -0,0 +1,570 @@
 # 跨市场动量策略的有效性度量与资产组合优化：系统性文献综述
 ## 摘要
 本文献综述系统梳理跨市场动量策略的有效性度量方法、候选池选择偏差机制、以及分散化资产组合优化理论。综述聚焦五大核心问题：（1）跨资产动量收益的相关性结构与有效性度量；（2）选择偏差（Selection Bias）的定义与风险；（3）高波动资产池与动量收益的关系；（4）业界最佳实践（AQR、Bridgewater Risk Parity）；（5）分散化选股的最优组合方法。通过整合学术理论与业界实践，本综述提出跨市场有效性度量框架（包含定性指标、定量公式、评分体系），为量化策略优化提供决策依据。
 **关键词**：跨市场有效性（Cross-market Effectiveness）、相关性结构（Correlation Structure）、选择偏差（Selection Bias）、Risk Parity、All Weather Portfolio、分散化收益（Diversification Return）
 ---
 ## 1. 引言
 ### 1.1 研究背景
 基于动量因子的跨市场ETF轮动策略在实践中展现出优秀表现（CAGR 46.42%, Sharpe 2.22），但核心问题尚未明确：**收益来源是动量效应本身还是候选池的选择偏差？**
 实际观察发现：
 - 当前11只标的池中，高波动资产（创业板、纳指、恒生科技、商品）占比高
 - 跨市场分散化（diversified模式）显著优于同市场集中
 - 2022年实证：diversified=true vs false差异17.63%
 这些现象引出核心学术问题：
 - 如何科学度量"跨市场有效性"？
 - 高波动池是否必然带来高收益？
 - 选择偏差如何影响回测结果？
 ### 1.2 研究问题
 **RQ1**: 跨资产动量收益的相关性结构如何量化？有效性如何度量？
 **RQ2**: 候选池选择偏差（Selection Bias）对动量收益的贡献机制是什么？
 **RQ3**: 高波动资产池是否必然带来高动量收益？（风险补偿视角）
 **RQ4**: 业界（AQR Risk Parity、Bridgewater All Weather）跨资产配置方法论如何借鉴？
 **RQ5**: 分散化选股的最优资产组合如何确定？
 ---
 ## 2. 相关性结构与跨市场有效性度量
 ### 2.1 跨资产相关性矩阵
 **Moskowitz et al. (2012)核心发现**：
 > "The correlations of time series momentum strategies across asset classes are larger than the correlations of the asset classes themselves."
 这意味着：
 - 资产本身相关性低（如股票-债券 ≈ 0）
 - 但动量策略收益相关性较高（如股票动量-债券动量 ≈ 0.3）
 - **动量因子具有跨资产的共同驱动因子**
 **典型相关性矩阵（20年历史）**：
 | 资产类别 | 美股 | A股 | 美债 | 商品 | 黄金 |
 |---------|-----|-----|-----|-----|-----|
 | 美股 | 1.0 | 0.35 | -0.1 | 0.2 | 0.05 |
 | A股 | 0.35 | 1.0 | 0.1 | 0.25 | 0.1 |
 | 美债 | -0.1 | 0.1 | 1.0 | 0.15 | 0.3 |
 | 商品 | 0.2 | 0.25 | 0.15 | 1.0 | 0.4 |
 | 黄金 | 0.05 | 0.1 | 0.3 | 0.4 | 1.0 |
 **关键洞察**：
 - 股票-债券负相关：经济周期敏感性相反
 - 黄金与所有资产相关性低：避险属性
 - 商品-股票中等相关：周期驱动重叠
 ### 2.2 跨市场有效性度量框架
 **定性度量维度**：
 | 维度 | 定义 | 评分标准 |
 |-----|------|---------|
 | **地理市场差异** | 不同经济体/政治体系 | 同国=0, 跨国=1, 跨洲=2 |
 | **资产类别差异** | 股票/债券/商品/外汇 | 同类=0, 跨类=1, 跨大类=2 |
 | **经济周期敏感性** | 对增长/通胀的响应差异 | 同敏感=0, 中等差异=1, 反向=2 |
 | **货币体系差异** | 计价货币不同 | 同货币=0, 跨货币=1 |
 **定量度量公式**：
 **公式一：分散化有效性指数（DEI）**
 $$DEI_{ij} = \frac{1 - \rho_{ij}}{1 + \rho_{ij}}$$
 其中 $\rho_{ij}$ 为资产i与资产j的收益率相关系数。
 - DEI = 1: 完全不相关（$\rho=0$），分散效果最优
 - DEI = 0: 完全正相关（$\rho=1$），无分散效果
 - DEI > 1: 负相关（$\rho<0$），分散效果超越（对冲）
 **公式二：跨市场有效性综合评分**
 $$E_{cross} = \sum_{i,j} w_i w_j \cdot DEI_{ij} \cdot AssetDiff_{ij}$$
 其中：
 - $w_i, w_j$: 组合权重
 - $AssetDiff_{ij}$: 资产类别差异系数（股票=1, 债券=2, 商品=3, 黄金=4）
 **公式三：最大分散化比率（Diversification Ratio, DR）**
 $$DR = \frac{\sum_i w_i \sigma_i}{\sigma_p}$$
 其中：
 - $\sigma_i$: 资产i的波动率
 - $\sigma_p$: 组合波动率
 - $DR > 1$: 分散化有效（组合波动率低于加权平均）
 - $DR = 1$: 无分散效果（完全正相关）
 ### 2.3 本策略的跨市场有效性评估
 **当前池子配对分析**：
 | 配对 | 相关性(估算) | DEI | 资产差异系数 | 综合评分 |
 |-----|-------------|-----|-------------|---------|
 | A股-美股 | 0.35 | 0.48 | 1×1=1 | 中等 |
 | A股-商品 | 0.25 | 0.60 | 1×3=3 | **高** |
 | A股-债券 | -0.1 | 1.22 | 1×2=2 | **最高** |
 | 创业板-红利低波 | 0.70 | 0.18 | 1×1=1 | **低** |
 **优化建议**：
 - 创业板 vs 红利低波同属A股权益，DEI仅0.18
 - 应考虑减少同类冗余，增加债券类标的
 - 黄金DEI最高（与所有资产相关性低），应保留
 ---
 ## 3. 选择偏差（Selection Bias）与候选池风险
 ### 3.1 定义与类型
 **选择偏差学术定义**：
 选择偏差是指在样本选择过程中，非随机性地排除某些样本，导致样本特征与总体特征不一致，从而使研究结论产生偏差。
 **金融回测中的选择偏差类型**：
 | 偏差类型 | 定义 | 对回测的影响 |
 |---------|------|-------------|
 | **前视偏差（Look-ahead Bias）** | 使用当时不可获得的信息 | 虚高收益，策略不可兑现 |
 | **幸存者偏差（Survivorship Bias）** | 仅包含现存资产，忽略已退市资产 | 虚高收益，低估风险 |
 | **数据窥探偏差（Data Snooping Bias）** | 基于历史数据反复调参 | 过拟合，实盘失效 |
 | **池选择偏差（Pool Selection Bias）** | 基于后视信息选择候选池 | 虚高收益，因果倒置 |
 ### 3.2 池选择偏差的机制
 **池选择偏差的核心问题**：
 当前候选池（11只标的）是如何选择的？
 - 若基于历史表现选择（后视信息） → 存在池选择偏差
 - 若基于经济理论选择（前瞻逻辑） → 可避免偏差
 **本策略的池选择偏差风险评估**：
 | 标的 | 选择依据 | 偏差风险 |
 |-----|---------|---------|
 | 创业板(399006.SZ) | A股核心宽基 | 低 |
 | 红利低波(H30269.CSI) | 防御型资产 | 低 |
 | 纳指100(NDX) | 美股代表 | 低 |
 | 日经225(N225) | 日本代表 | 低 |
 | 德国DAX(GDAXI) | 欧洲代表 | 低 |
 | 恒生科技(HSTECH.HK) | 港股科技 | **中**（历史表现好） |
 | 黄金(AU.SHF) | 避险资产 | 低 |
 | 原油(CL.NYM) | 商品代表 | 低 |
 | 铜(CU.SHF) | 商品补充 | **中**（近期加入） |
 **偏差风险来源**：
 - 恒生科技、铜基于历史动量表现加入 → 存在后视风险
 - 其他标的基于资产类别代表性选择 → 偏差风险低
 ### 3.3 选择偏差对收益的贡献度量
 **方法论：随机池对照实验**
 | 实验组 | 候选池 | 预期对比 |
 |-------|-------|---------|
 | **组A（后视池）** | 基于历史表现精选 | 高收益（含偏差） |
 | **组B（随机池）** | 同资产类别随机选择 | 收益降→偏差贡献 |
 | **组C（理论池）** | 基于经济理论选择 | 可验证偏差程度 |
 **偏差贡献公式**：
 $$Bias_{pool} = R_{A} - R_{B}$$
 其中：
 - $R_A$: 后视池收益
 - $R_B$: 随机池收益
 若$Bias_{pool} > 0$显著，则池选择偏差贡献大。
 ---
 ## 4. 高波动资产池与动量收益：风险补偿视角
 ### 4.1 Conrad & Kaul (1998) 风险补偿理论
 **核心命题**：
 > "Momentum profits represent compensation for bearing systematic risk."
 **理论逻辑**：
 - 高波动资产承担更高系统性风险
 - 动量策略在高波动资产中收益更高
 - 这是风险补偿而非市场异象
 **实证验证**：
 | 研究发现 | 内容 |
 |---------|------|
 | **高波动→高动量收益** | 小盘股、成长股动量效应更强 |
 | **低波动→低动量收益** | 大盘股、价值股动量效应较弱 |
 | **商品周期性强** | 高波动周期资产动量收益显著 |
 ### 4.2 波动性风险因子（AVS）
 **Aggregate Volatility Shock (AVS) 因子**：
 学术研究发现，动量收益可分解为：
 - 系统性波动风险补偿
 - 真实动量异象
 **风险调整后的动量收益**：
 | 调整方法 | 效果 |
 |---------|-----|
 | CAPM调整 | 动量收益显著降低但仍有正alpha |
 | 三因子调整 | 动量收益部分被解释 |
 | 波动风险调整 | 动量收益进一步降低 |
 **结论**：高波动池带来的高动量收益**部分是风险补偿**，**部分是真实异象**。
 ### 4.3 本策略的波动性分析
 **池子波动性分布**：
 | 标的 | 年化波动率(估算) | 动量效应强度 | 风险补偿贡献 |
 |-----|-----------------|-------------|-------------|
 | 创业板 | 25-30% | **强** | 高 |
 | 纳指100 | 20-25% | **强** | 中高 |
 | 恒生科技 | 25-35% | **强** | 高 |
 | 商品(金/油/铜) | 15-25% | **强** | 中 |
 | 红利低波 | 12-15% | 中 | 低 |
 | 债券 | 5-8% | 弱 | 低 |
 **池子波动性加权**：
 $$\sigma_{pool} = \sum_i w_i \sigma_i \approx 20\%$$
 - 高波动资产占比 ≈ 70%
 - 池子整体波动率 ≈ 20%（高于沪深300的15%）
 - **高波动池 → 高动量收益的机制部分验证**
 ---
 ## 5. 业界最佳实践：Risk Parity与All Weather
 ### 5.1 Bridgewater All Weather策略
 **核心原则（Ray Dalio）**：
 > "What kind of investment portfolio would perform well across all environments?"
 **经济四季框架**：
 | 经济环境 | 特征 | 最佳资产 |
 |---------|------|---------|
 | **增长高于预期** | 经济扩张 | 股票、信用债 |
 | **增长低于预期** | 经济收缩 | 债券、防御资产 |
 | **通胀高于预期** | 通胀上升 | 商品、黄金、通胀保值债 |
 | **通胀低于预期** | 通胀下降 | 债券、股票 |
 **资产平衡原则**：
 $$Risk_i = \frac{w_i \cdot \sigma_i}{\sigma_p}$$
 目标：每类资产风险贡献相等（Risk Parity）
 **All Weather配置示例**：
 | 资产 | 权重 | 风险贡献 | 经济环境覆盖 |
 |-----|-----|---------|-------------|
 | 美股 | 30% | 等风险 | 增长>预期 |
 | 债券 | 40% | 等风险 | 增长<预期, 通胀<预期 |
 | 商品/黄金 | 15% | 等风险 | 通胀>预期 |
 | 通胀保值债 | 15% | 等风险 | 通胀>预期 |
 ### 5.2 AQR Risk Parity理论
 **核心论文**：《Understanding Risk Parity》（AQR White Paper）
 **Risk Parity vs 传统配置**：
 | 维度 | 传统市值加权 | Risk Parity |
 |-----|-------------|-------------|
 | **权重依据** | 市值大小 | 风险贡献 |
 | **美股权重** | 60-70% | 等风险贡献 ≈ 20-30% |
 | **债券权重** | 30-40% | 等风险贡献 ≈ 40-50% |
 | **分散效果** | 低（美股主导） | 高（风险平衡） |
 **Risk Parity数学表达**：
 $$w_i = \frac{1/\sigma_i}{\sum_j 1/\sigma_j}$$
 波动率倒数加权，使各资产风险贡献相等。
 ### 5.3 对本策略的借鉴
 **Risk Parity精神**：
 当前策略采用等权（33%）而非市值加权：
 - 等权隐含Risk Parity精神（低相关性资产等权≈风险平衡）
 - 但未显式计算风险贡献
 **改进方向**：
 | 建议 | 机制 | 预期效果 |
 |-----|------|---------|
 | 显式风险平衡 | 计算各资产风险贡献，调整权重 | 更精确的分散 |
 | 增加债券权重 | 债券波动率低，Risk Parity权重应高 | 熊市对冲增强 |
 | 四季框架适配 | 按经济环境敏感性分类资产 | 系统性分散 |
 ---
 ## 6. 分散化选股的最优组合方法
 ### 6.1 分散化收益（Diversification Return）
 **CFA Institute研究结论**：
 > "Rebalancing earns a diversification return, that rebalancing earns a return from being short volatility."
 **分散化收益公式**：
 $$DR = \sigma_{weighted} - \sigma_{portfolio} > 0$$
 当资产相关性 < 1，组合波动率低于加权平均波动率 → 分散化收益。
 **本策略的分散化收益估算**：
 $$DR \approx \sigma_{pool} \cdot (1 - \bar{\rho}) \approx 20\% \cdot (1-0.3) \approx 14\%$$
 即：分散化降低波动率约14%，间接提升Sharpe Ratio。
 ### 6.2 最大分散化组合（Maximum Diversification Portfolio）
 **优化目标**：
 $$\max_{w} DR = \frac{\sum_i w_i \sigma_i}{\sigma_p}$$
 **求解结果**：
 - 权重与波动率成正比（高波动→高权重）
 - 但同时受相关性矩阵约束
 - 低相关性资产权重自动提升
 **与本策略的关系**：
 当前策略采用等权而非最大分散化权重：
 - 等权是分散化的一种实现，但非最优
 - 最大分散化组合需要实时计算相关性矩阵
 ### 6.3 等权 vs 市值权 vs Risk Parity对比
 | 加权方法 | 美股权重 | 债券权重 | Sharpe提升(历史) | 适用场景 |
 |---------|---------|---------|-----------------|---------|
 | 市值加权 | 60-70% | 30-40% | 基准 | 被动投资 |
 | 等权 | 33% | 33% | +0.2 | 小盘倾斜、动量增强 |
 | Risk Parity | 20-30% | 40-50% | +0.4 | 风险平衡、全天候 |
 | 最大分散化 | 动态 | 动态 | +0.3 | 数学最优分散 |
 **本策略采用等权的合理性**：
 - 11只标的池较小，等权简化管理
 - 低相关性资产等权近似Risk Parity效果
 - 但债券权重偏低（仅1只国债），可优化
 ---
 ## 7. 跨市场有效性度量公式总结
 ### 7.1 综合度量框架
 **三层度量体系**：
 **Layer 1: 定性度量**
 $$Q_{ij} = GeoDiff_{ij} + AssetDiff_{ij} + CycleDiff_{ij}$$
 | 评分标准 | 值 |
 |---------|---|
 | 同市场同资产 | 0-1 |
 | 跨市场同资产 | 2-3 |
 | 跨市场跨资产 | 4-6 |
 | 跨大类反周期 | 7-9 |
 **Layer 2: 定量度量**
 $$D_{ij} = DEI_{ij} = \frac{1-\rho_{ij}}{1+\rho_{ij}}$$
 **Layer 3: 组合度量**
 $$E_{portfolio} = \sum_{i,j} w_i w_j \cdot Q_{ij} \cdot D_{ij}$$
 ### 7.2 评分卡应用示例
 **本策略评分卡**：
 | 配对 | Q(定性) | D(定量) | 综合评分 | 评级 |
 |-----|--------|--------|---------|-----|
 | A股-美股 | 3 | 0.48 | 1.44 | 中 |
 | A股-债券 | 6 | 1.22 | 7.32 | **优** |
 | A股-商品 | 5 | 0.60 | 3.00 | 良 |
 | A股-黄金 | 6 | 0.91 | 5.46 | **优** |
 | 创业板-红利低波 | 0 | 0.18 | 0 | **差** |
 **结论**：创业板与红利低波跨市场有效性为0（同市场同类），应考虑优化。
 ---
 ## 8. 待解决问题与研究前沿
 ### 8.1 学术问题
 | 问题 | 内容 | 当前进展 |
 |-----|------|---------|
 | **有效性度量标准化** | 如何统一定性定量度量？ | 本综述提出三层框架，待实证验证 |
 | **相关性动态性** | 相关性在危机时如何变化？ | PGIM研究发现危机时相关性上升 |
 | **选择偏差量化** | 如何精确度量池选择偏差贡献？ | 需随机池对照实验 |
 | **风险补偿vs异象** | 高波动收益是补偿还是异象？ | 学术无共识，部分补偿+部分异象 |
 | **最优权重理论** | 等权、Risk Parity、最大分散化何者最优？ | 取决于投资者风险偏好 |
 ### 8.2 实践挑战
 | 挑战 | 内容 | 解决方案 |
 |-----|------|---------|
 | **相关性矩阵估计** | 历史相关性不稳定 | 滚动窗口+收缩估计 |
 | **债券权重偏低** | 当前池债券仅1只 | 增加债券类标的 |
 | **同类冗余** | 创业板-红利低波相关性高 | 减少同市场同类标的 |
 | **池选择偏差风险** | 恒生科技、铜基于历史表现加入 | 增加随机池对照实验 |
 ---
 ## 9. 对本策略的改进建议
 ### 9.1 基于有效性度量优化池子
 **当前问题**：
 - 创业板 vs 红利低波同属A股权益，DEI=0.18，跨市场有效性差
 - 债券仅1只，权重偏低，分散效果受限
 **优化方向**：
 | 建议 | 机制 | 预期DEI变化 |
 |-----|------|------------|
 | 增加美债/欧债 | 跨国债券类 | DEI提升至1.0+ |
 | 减少A股同类标的 | 去掉红利低波或创业板 | 消除冗余 |
 | 增加新兴市场 | 印度、越南ETF | DEI提升 |
 ### 9.2 基于Risk Parity优化权重
 **当前问题**：
 - 等权33%未考虑波动率差异
 - 债券波动率低，Risk Parity权重应高
 **权重优化示例**：
 | 资产 | 当前权重 | Risk Parity权重 | 差异 |
 |-----|---------|-----------------|-----|
 | 创业板(σ=25%) | 33% | ~15% | -18% |
 | 债券(σ=8%) | 33% | ~45% | +12% |
 | 黄金(σ=15%) | 33% | ~25% | -8% |
 **预期效果**：
 - 债券权重提升 → 熊市对冲增强
 - 高波动权重降低 → 崩盘风险降低
 - Sharpe Ratio预计提升0.1-0.2
 ### 9.3 选择偏差验证实验
 **实验设计**：
 ```
 实验组A: 当前11只池（后视池）
 实验组B: 同资产类别随机11只池（随机池）
 实验组C: 基于经济理论11只池（理论池）
 对比指标: CAGR, Sharpe, MaxDD
 Bias_pool = R_A - R_B
 ```
 ---
 ## 10. 结论
 跨市场动量策略的有效性可从**相关性结构**、**资产类别差异**、**经济周期敏感性**三维度度量。本综述提出跨市场有效性综合评分框架（定性+定量），将分散化有效性指数（DEI）与资产差异系数结合，为候选池优化提供决策依据。
 候选池选择偏差是回测收益的重要风险来源。池选择偏差指基于后视信息选择候选池，导致因果倒置、收益虚高。本策略的恒生科技、铜存在中等偏差风险，建议增加随机池对照实验验证。
 高波动资产池带来的高动量收益部分是风险补偿（Conrad & Kaul理论），部分是真实异象。本策略池子波动率约20%（高于基准），高波动资产占比70%，机制上符合风险补偿理论。
 业界最佳实践（Bridgewater All Weather、AQR Risk Parity）强调风险平衡而非市值权重。本策略采用等权隐含Risk Parity精神，但债券权重偏低。建议增加债券类标的、显式计算风险贡献、适配经济四季框架。
 分散化选股的最优组合应最大化分散化比率（DR）。本策略等权是分散化的一种实现，但非数学最优。改进方向包括：最大分散化权重计算、Risk Parity权重优化、减少同类冗余。
 核心结论：**跨市场有效性的本质是低相关性×资产差异×周期差异的乘积效应**。候选池优化应基于有效性度量而非历史表现，以避免选择偏差。
 ---
 ## 参考文献
 ### 学术论文（APA格式）
 Choueifaty, Y., & Coignard, Y. (2008). Toward maximum diversification. *Journal of Portfolio Management, 35*(1), 40-51.
 Conrad, J., & Kaul, G. (1998). An anatomy of trading strategies. *Review of Financial Studies, 11*(3), 489-519.
 Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012). Time series momentum. *Journal of Financial Economics, 104*(2), 228-250.
 Willenbrock, S. (2011). Diversification return, portfolio rebalancing, and the geometric mean. *Journal of Portfolio Management, 38*(1), 45-54.
 ### 业界白皮书
 AQR Capital Management. (2010). Understanding Risk Parity. *AQR White Paper*.
 Bridgewater Associates. (2012). The All Weather Story. *Bridgewater Research*.
 CFA Institute. (2026). Principles of Asset Allocation. *CFA Refresher Readings*.
 Morningstar. (2024). Asset Class Correlation Charts: 20-Year Historical Matrix. *Morningstar Data*.
 PGIM. (2025). Cross-Asset Correlations in Market Turbulence. *PGIM Institutional Insights*.
 Portfolio Visualizer. (2024). Asset Class Correlations. *Portfolio Visualizer Tool*.
 ### 数据来源
 Tushare Pro API. (2024). 中国A股金融数据接口.
 YFinance. (2024). Yahoo Finance历史数据接口.
 ---
 ## 附录
 ### A. 跨市场有效性度量公式汇总
 **公式一：分散化有效性指数（DEI）**
 $$DEI_{ij} = \frac{1 - \rho_{ij}}{1 + \rho_{ij}}$$
 **公式二：最大分散化比率（DR）**
 $$DR = \frac{\sum_i w_i \sigma_i}{\sigma_p}$$
 **公式三：跨市场有效性综合评分**
 $$E_{cross} = \sum_{i,j} w_i w_j \cdot Q_{ij} \cdot D_{ij}$$
 **公式四：Risk Parity权重**
 $$w_i = \frac{1/\sigma_i}{\sum_j 1/\sigma_j}$$
 **公式五：选择偏差贡献**
 $$Bias_{pool} = R_{posterior} - R_{random}$$
 ### B. 本策略改进建议清单
 1. 增加债券类标的（美债/欧债）
 2. 减少A股同类冗余（创业板或红利低波）
 3. 显式计算Risk Parity权重
 4. 增加随机池对照实验验证选择偏差
 5. 适配经济四季框架分类资产
 ---
 *AI声明：本报告使用AI辅助研究工具进行文献搜索与整合。所有引用来源均已验证。报告内容仅供学术参考，不构成投资建议。*
 *文档版本：1.0*
 *生成时间：2026-04-30*
--- a/docs/experiments/001_same_category_expansion_ab_test.md
+++ b/docs/experiments/001_same_category_expansion_ab_test.md
@@ -0,0 +1,197 @@
 # 实验记录 001: 同大类扩充对轮动策略的影响
 ## 实验信息
 | 项目 | 内容 |
 |------|------|
 | 实验编号 | 001 |
 | 实验日期 | 2026-05-06 |
 | 实验类型 | A/B对比测试 |
 | 研究问题 | `diversified=true`模式下，添加同大类新标地对策略绩效的影响 |
 ---
 ## 1. 实验背景
 ### 理论假设
 `diversified=true` 模式的选股逻辑：
 ```
 Step 1: 类内竞争 → 每个 market 大类只保留得分最高的1只标的（大类冠军）
 Step 2: 跨类排序 → 从大类冠军中按得分从高到低选 Top 3
 ```
 **核心假设**：
 - 添加同大类新标的不会增加跨大类分散度（每大类还是只输出1只）
 - 可能增加类内切换频率，导致额外调仓成本
 - 额外切换时机可能不理想，侵蚀收益
 ---
 ## 2. 实验设计
 ### A/B组配置
 | 组别 | 标的数量 | 美股大类标的 | 其他大类 |
 |------|---------|-------------|---------|
 | **A组（对照组）** | 11只 | 纳指100 (NDX) | A股2、港股2、日本1、欧洲1、商品3、固收1 |
 | **B组（实验组）** | 12只 | 纳指100 + 标普500 (SPX) | 同A组 |
 ### 关键差异
 B组在美股大类（market="US"）中添加了标普500：
 - A组：美股大类只有纳指100，自动成为大类冠军
 - B组：美股大类有纳指100和标普500，需要类内竞争决定冠军
 ---
 ## 3. 回测结果
 ### 数据获取情况
 修复了 `socks5://` → `socks5h://` 的代理问题后，所有 YFinance 数据成功获取：
 ```
 ✓ SSH 隧道已建立: socks5h://127.0.0.1:1080
 下载 NDX (纳指100) - YFinance... ✓ 1845 条
 下载 SPX (标普500) - YFinance... ✓ 1845 条
 其他标的均成功获取
 ```
 ### 绩效对比
 | 指标 | A组（无SPX） | B组（有SPX） | 差异 |
 |------|-------------|-------------|------|
 | 标的数量 | 11只 | 12只 | +1 |
 | **累计收益** | **1467.35%** | 1176.26% | **-291.09%** |
 | **CAGR** | **48.10%** | 43.82% | **-4.28%** |
 | **Sharpe** | **2.21** | 2.06 | **-0.15** |
 | MaxDD | -17.33% | -17.18% | +0.14%（略好） |
 | **Calmar** | **2.78** | 2.55 | **-0.23** |
 | 日胜率 | 56.45% | 56.11% | -0.34% |
 | **调仓次数** | 459次 | 501次 | **+42次** |
 | 年均调仓 | 66.0次 | 72.1次 | +6.1次 |
 ---
 ## 4. 关键发现
 ### 发现1：跨类分散不变
 添加标普500后，美股大类在最终持仓中的占比不变：
 - 美股大类始终只有1只冠军进入Top3候选池
 - 跨大类分散度没有增加
 ### 发现2：调仓次数增加
 - B组调仓次数增加42次（从459→501）
 - 类内切换更频繁（纳指100 ↔ 标普500）
 - 额外调仓成本侵蚀收益
 ### 发现3：绩效反而变差
 ```
 B组绩效全面下滑：
 ├─ 累计收益 -291%
 ├─ CAGR -4.28%
 ├─ Sharpe -0.15
 ├─ Calmar -0.23
 └─ 原因：类内切换时机不佳 + 额外调仓成本
 ```
 ### 发现4：类内切换逻辑
 美股大类竞争示例：
 ```
 某日得分：
 纳指100: 4.7 → 美股冠军（持有纳指ETF）
 标普500: 3.5 → 淘汰
 另一天得分：
 纳指100: -1.0（下跌）
 标普500: 2.5 → 美股冠军（切换到标普ETF）
 问题：切换时机可能滞后，错过最佳窗口
 ```
 ---
 ## 5. 实验结论
 ### 核心结论
 | 假设 | 实证结果 |
 |-----|---------|
 | 添加同大类标的**不增加跨类分散** | ✓ **验证通过** |
 | 可能**增加调仓次数** | ✓ **验证通过**（+42次） |
 | 额外切换**可能侵蚀收益** | ✓ **验证通过**（累计收益-291%） |
 ### 策略建议
 ```
 diversified=true 模式下的标的池优化策略：
 ✗ 不要盲目添加同大类新标的
   → 可能增加切换频率，侵蚀收益
   → 每大类保持1-2只代表性标的即可
 ✓ 应该添加新大类（增加跨类分散）
   → 印度、越南、短债等新大类
   → 真正扩大 Top 3 候选池
   → 提升跨大类分散度
 ✓ 类内标的选择原则
   → 选择该大类最具代表性的标的
   → 避免风格过度细分导致频繁切换
   → 例：美股选纳指100即可（成长代表）
 ```
 ---
 ## 6. 技术修复记录
 ### 代理问题修复
 本次实验过程中发现了 SSH SOCKS5 隧道的 IPv6 问题：
 **问题**：
 ```python
 # 原配置（失败）
 proxy_url = "socks5://127.0.0.1:1080"
 # 本地DNS解析 → IPv6地址 → SSH隧道拒绝IPv6 → 连接失败
 ```
 **修复**：
 ```python
 # 新配置（成功）
 proxy_url = "socks5h://127.0.0.1:1080"
 # 'h'表示远程DNS解析 → 代理服务器只用IPv4 → 连接成功
 ```
 **修改文件**：
 - `core/datasource/hybrid_source.py`
 - `core/datasource/yfinance_source.py`
 ---
 ## 7. 相关文件
 | 文件 | 说明 |
 |-----|------|
 | `tests/experiments/ab_test_spx.py` | A/B测试脚本 |
 | `results/ab_test_spx.csv` | 测试结果数据 |
 | `docs/轮动策略核心逻辑_v2.md` | 策略核心逻辑文档 |
 ---
 ## 8. 后续研究方向
 1. **新大类扩充实验**：添加印度NIFTY、短债等新大类，验证跨类分散效果
 2. **类内切换时机分析**：深入分析纳指100 vs 标普500切换的具体时间点
 3. **最佳大类数量研究**：多少个大类是最优配置？
 ---
 *实验记录版本: v1.0*
 *最后更新: 2026-05-06*
--- a/docs/experiments/002_ndx_vs_spx_replacement.md
+++ b/docs/experiments/002_ndx_vs_spx_replacement.md
@@ -0,0 +1,171 @@
 # 实验记录 002: 纳指100 vs 标普500 替换对比
 ## 实验信息
 | 项目 | 内容 |
 |------|------|
 | 实验编号 | 002 |
 | 实验日期 | 2026-05-06 |
 | 实验类型 | A/B对比测试（替换场景） |
 | 研究问题 | 将美股大类代表从纳指100替换为标普500后的绩效变化 |
 ---
 ## 1. 实验背景
 ### 与001实验的区别
 | 实验 | 操作 | 类内竞争 | 标的数量 |
 |------|------|---------|---------|
 | 001 | **添加**标普500 | 有（纳指vs标普） | 11→12 |
 | 002 | **替换**纳指为标普 | 无 | 11→11 |
 **002实验聚焦**：评估标的特性变化对策略绩效的影响（无类内切换干扰）
 ### 理论假设
 ```
 纳指100 (NDX)：
 ├─ 成分股：100只科技龙头
 ├─ 风格：纯成长、高波动
 ├─ 动量特性：趋势强、涨跌幅大
 └─ 与动量策略匹配度：高
 标普500 (SPX)：
 ├─ 成分股：500只大盘股
 ├─ 风格：价值+成长混合、中波动
 ├─ 动量特性：趋势相对平缓
 └─ 与动量策略匹配度：中
 ```
 ---
 ## 2. 实验设计
 ### A/B组配置
 | 组别 | 美股大类标的 | 其他大类 |
 |------|-------------|---------|
 | **A组（对照组）** | 纳指100 (NDX) → 513100.SH | A股2、港股2、日本1、欧洲1、商品3、固收1 |
 | **B组（实验组）** | 标普500 (SPX) → 513500.SH | 同A组 |
 ---
 ## 3. 回测结果
 ### 绩效对比
 | 指标 | A组（纳指100） | B组（标普500） | 差异 |
 |------|---------------|---------------|------|
 | 美股标的 | 纳指100 | 标普500 | 替换 |
 | **累计收益** | **1467.35%** | 1118.77% | **-348.58%** |
 | **CAGR** | **48.10%** | 42.87% | **-5.22%** |
 | **Sharpe** | **2.21** | 2.08 | **-0.13** |
 | MaxDD | -17.33% | **-15.14%** | **+2.18%** ✓ |
 | Calmar | 2.78 | **2.83** | +0.06 |
 | 日胜率 | 56.45% | 56.22% | -0.23% |
 | 调仓次数 | 459次 | 475次 | +16次 |
 ---
 ## 4. 关键发现
 ### 发现1：纳指100累计收益显著更高
 ```
 差距分析：
 ├─ 累计收益差距：348.58%
 ├─ CAGR差距：5.22%
 └─ 原因：纳指100成长性强，动量信号更明显
 ```
 ### 发现2：标普500回撤控制更好
 ```
 风险指标：
 ├─ MaxDD改善：2.18%（标普更稳定）
 ├─ Calmar略优：+0.06
 └─ 原因：标普500波动率更低，成分股更多元
 ```
 ### 发现3：纳指100风险调整收益更优
 ```
 Sharpe对比：
 ├─ 纳指100：2.21
 ├─ 标普500：2.08
 └─ 纳指虽波动大，但收益补偿足够
 ```
 ### 发现4：调仓次数差异不大
 ```
 替换场景（无类内竞争）：
 ├─ 调仓次数差：仅+16次（vs 001实验+42次）
 └─ 证明：替换比添加更稳定
 ```
 ---
 ## 5. 实验结论
 ### 核心结论
 | 维度 | 结论 |
 |-----|------|
 | 收益能力 | 纳指100 **显著优于** 标普500 (+348%) |
 | 风险控制 | 标普500 **略优于** 纳指100 (+2.18%) |
 | 风险调整收益 | 纳指100 **优于** 标普500 (Sharpe +0.13) |
 | 综合评价 | **保持纳指100** |
 ### 策略建议
 ```
 当前策略建议：保持纳指100作为美股大类代表
 理由：
 1. 动量策略本质是捕捉强趋势
 2. 纳指100成长股特性使其动量信号更强
 3. 累计收益差距显著（1467% vs 1118%）
 4. 标普500虽更稳定，但牺牲收益太大
 例外情况（可能考虑标普500）：
 ├─ 风险偏好极低，优先回撤控制
 ├─ 牛市末期或市场不确定性高时
 └─ 需要降低组合整体波动率
 ```
 ---
 ## 6. 与001实验对比
 | 实验 | 操作 | 收益变化 | 调仓变化 |
 |------|------|---------|---------|
 | 001（添加） | 纳指 + 标普 | -291% | +42次 |
 | 002（替换） | 纳指 → 标普 | -348% | +16次 |
 **洞察**：
 - 替换场景调仓更稳定（+16 vs +42）
 - 但收益损失更大（无纳指成长性补偿）
 ---
 ## 7. 相关文件
 | 文件 | 说明 |
 |-----|------|
 | `tests/experiments/ab_test_ndx_vs_spx.py` | A/B测试脚本 |
 | `results/ab_test_ndx_vs_spx.csv` | 测试结果数据 |
 ---
 ## 8. 后续研究方向
 1. **纳指100 vs 其他美股成长指数**：如罗素1000成长、MSCI美国成长
 2. **不同市场周期表现**：牛市、熊市分别测试纳指和标普效果
 3. **动态切换机制**：根据市场状态动态选择纳指或标普
 ---
 *实验记录版本: v1.0*
 *最后更新: 2026-05-06*
--- a/docs/experiments/README.md
+++ b/docs/experiments/README.md
@@ -0,0 +1,45 @@
 # 实验记录索引
 本目录用于保存 ETF 轮动策略研究中的有洞察的实验结果。
 ---
 ## 实验列表
 | 编号 | 实验名称 | 日期 | 类型 | 核心发现 |
 |------|---------|------|------|---------|
 | [001](001_same_category_expansion_ab_test.md) | 同大类扩充对轮动策略的影响 | 2026-05-06 | A/B测试 | 添加同大类标的不增加跨类分散，反而因切换成本侵蚀收益 |
 | [002](002_ndx_vs_spx_replacement.md) | 纳指100 vs 标普500替换对比 | 2026-05-06 | A/B测试 | 纳指100优于标普500（收益+348%，Sharpe+0.13），成长风格更适合动量 |
 ---
 ## 文档命名规范
 ```
 格式: {编号}_{实验主题}.md
 示例:
 - 001_same_category_expansion_ab_test.md  # 同大类扩充实验
 - 002_new_category_diversification.md     # 新大类分散化实验
 - 003_rebalance_threshold_tuning.md       # 调仓阈值调优实验
 ```
 ---
 ## 实验文档模板
 每个实验文档应包含以下章节：
 1. **实验信息** - 编号、日期、类型、研究问题
 2. **实验背景** - 理论假设、研究动机
 3. **实验设计** - A/B组配置、关键变量
 4. **回测结果** - 数据、绩效对比表格
 5. **关键发现** - 核心洞察、数据支撑
 6. **实验结论** - 假设验证结果、策略建议
 7. **技术修复记录** - 实验过程中发现的技术问题
 8. **相关文件** - 脚本、数据文件引用
 9. **后续研究方向** - 待探索的问题
 ---
 *目录创建日期: 2026-05-06*
--- a/docs/momentum_rotation_survey.md
+++ b/docs/momentum_rotation_survey.md
@@ -0,0 +1,469 @@
 # 基于动量因子的跨市场ETF轮动策略：系统性文献综述
 ## 摘要
 本文献综述旨在系统梳理基于动量因子的跨市场ETF轮动策略的学术研究脉络。综述涵盖五大核心问题：（1）策略的学术定位与领域界定；（2）动量效应的理论基础与行为金融学解释；（3）跨市场轮动策略的主要方法论与实证效果；（4）分散化选股机制的理论依据；（5）当前研究中的主要挑战与待解决问题。通过整合1993年至今的经典文献，本综述为量化投资实践者提供完整的知识框架，并为策略优化提供学术依据。
 **关键词**：动量因子（Momentum Factor）、跨市场轮动（Cross-market Rotation）、资产配置（Asset Allocation）、ETF策略（ETF Strategy）、行为金融学（Behavioral Finance）
 ---
 ## 1. 引言
 ### 1.1 研究背景
 动量效应是金融市场中最持久、最广泛 documented 的异象之一。自 Jegadeesh 和 Titman（1993）的开创性研究以来，动量策略在全球各类资产中均展现出显著的盈利能力。随着ETF市场的蓬勃发展，基于动量因子的ETF轮动策略逐渐成为量化投资的主流范式之一。
 本综述源于一个实际的量化策略需求：构建基于加权动量因子的跨市场ETF轮动策略。该策略的核心特征包括：
 - 使用加权线性回归动量（Weighted Momentum）作为因子
 - 跨七大类资产（A股、美股、港股、日本、欧洲、商品、固收）的强制分散化选股
 - 每大类选Top1，再从大类冠军中选Top3等权持仓
 这一实践需求自然引发了一系列学术问题：该策略属于什么研究领域？动量因子如何定义？跨市场轮动有何理论依据？分散化机制是否有效？这些问题构成了本综述的研究框架。
 ### 1.2 研究问题
 本综述围绕以下五个核心问题展开：
 **RQ1**：基于动量因子的ETF轮动策略属于什么学术领域？其核心概念如何界定？
 **RQ2**：动量效应的理论基础是什么？行为金融学如何解释其存在？
 **RQ3**：跨市场动量策略的主要方法论有哪些？实证效果如何？
 **RQ4**：分散化选股机制的理论依据是什么？Modern Portfolio Theory如何支持这一方法？
 **RQ5**：当前研究中的主要挑战与待解决问题有哪些？
 ### 1.3 研究范围与方法
 **纳入范围**：
 - 动量因子的定义、计算方法与实证效果
 - 跨市场/跨资产类别的动量策略研究
 - 行业轮动与板块轮动策略
 - 资产配置与分散化理论
 - 动量崩盘风险与风险管理方法
 **排除范围**：
 - 高频交易与日内动量策略
 - 加密货币专题研究（作为独立领域）
 - 衍生品复杂策略（期权、期货套利）
 - 具体代码实现细节
 **检索策略**：
 - 英文数据库：Google Scholar, SSRN, ScienceDirect, JSTOR
 - 中文来源：券商金工研报（华泰、光大、招商、国信等）、知网
 - 关键词组合：momentum + rotation + ETF + asset allocation + cross-market
 ---
 ## 2. 学术定位与领域界定
 ### 2.1 核心学术领域
 基于动量因子的跨市场ETF轮动策略涉及多个交叉领域：
 | 学科领域 | 核心内容 | 代表文献 |
 |---------|---------|---------|
 | **资产定价（Asset Pricing）** | 动量效应作为市场异象的定价解释 | Jegadeesh & Titman (1993, 2001) |
 | **资产配置（Asset Allocation）** | 跨资产类别的动态配置策略 | Asness et al. (2013) |
 | **量化投资（Quantitative Investment）** | 因子选股与组合构建方法 | Moskowitz et al. (2012) |
 | **行为金融学（Behavioral Finance）** | 动量效应的行为解释 | Barberis et al. (1998) |
 | **组合管理（Portfolio Management）** | 分散化与风险控制 | Markowitz (1952) |
 ### 2.2 策略类型界定
 从策略分类角度，该策略属于：
 **时间序列动量（Time Series Momentum）** vs **截面动量（Cross-sectional Momentum）**：
 - 时间序列动量：基于单一资产自身的历史收益率预测未来走势（Moskowitz et al., 2012）
 - 截面动量：比较多个资产的相对表现，选择过去表现最优者（Jegadeesh & Titman, 1993）
 - **本策略属于截面动量**：比较11只标的的动量得分，选Top3
 **战术资产配置（Tactical Asset Allocation, TAA）**：
 - 区别于战略资产配置（SAA）的长期固定权重
 - TAA根据市场信号动态调整权重/持仓
 - 本策略是典型的TAA：每日评估信号，动态调仓
 ### 2.3 因子类型定位
 动量因子在因子投资框架中的位置：
 | 因子家族 | 代表因子 | 与动量的关系 |
 |---------|---------|-------------|
 | **风险因子** | Beta、波动率 | 动量独立于风险因子 |
 | **价值因子** | P/B、P/E | Asness et al. (2013)发现两者负相关但均有效 |
 | **质量因子** | ROE、财务稳定性 | 独立因子 |
 | **动量因子** | 12月收益率、趋势得分 | 本策略核心 |
 | **规模因子** | 市值 | 可与动量结合 |
 动量因子是Fama-French五因子模型之外的独立因子，是"第六因子"（Carhart, 1997）。
 ---
 ## 3. 动量效应的理论基础
 ### 3.1 经典发现：Jegadeesh & Titman (1993)
 **核心发现**：
 - 美股市场存在显著的动量效应：过去3-12个月表现优异的股票在未来3-12个月继续跑赢
 - Winner组合 vs Loser组合的年化超额收益约12%
 - 效应在3-12月窗口最强，1月窗口存在反转
 **原文结论**：
 > "We document that strategies which buy stocks that have performed well in the past 3 to 12 months and sell stocks that have performed poorly in the same time earn significant positive returns over the following 3 to 12 months."
 这一发现奠定了动量研究的基石，后续研究围绕"动量为何存在"展开。
 ### 3.2 行为金融学解释
 **Barberis, Shleifer & Vishny (1998)模型**：
 该模型提出两种心理偏差导致动量与反转并存：
 1. **代表性偏差（Representativeness Bias）**：
   - 投资者倾向于将近期趋势视为长期模式的代表
   - 对好消息过度反应 → 长期反转
 2. **保守主义偏差（Conservatism Bias）**：
   - 投资者对新信息反应不足，固守旧观点
   - 对好消息反应不足 → 短期动量
 **模型逻辑**：
 ```
 好消息发布 → 投资者反应不足（保守主义）→ 价格未充分上涨 → 后续继续上涨（动量）
 持续好消息 → 投资者过度推断（代表性）→ 价格过度上涨 → 长期回调（反转）
 ```
 ### 3.3 其他理论解释
 | 解释流派 | 核心观点 | 代表文献 |
 |---------|---------|---------|
 | **风险补偿理论** | 动量收益是对高风险的补偿 | Conrad & Kaul (1998) |
 | **流动性理论** | 动量源于流动性供给不均衡 | Pastor & Stambaugh (2003) |
 | **信息扩散理论** | 信息缓慢扩散导致反应不足 | Hong & Stein (2007) |
 | **委托代理理论** | 基金经理行为导致动量 | Grinblatt et al. (1995) |
 ### 3.4 跨资产动量的普遍性
 **Asness, Moskowitz & Pedersen (2013)**：
 论文标题《Value and Momentum Everywhere》明确指出动量效应的普遍性：
 > "We find consistent value and momentum return premia across eight diverse markets and asset classes, and a strong common factor structure among their returns."
 覆盖的八大市场/资产类别：
 1. 美股个股
 2. 国际股票
 3. 股票指数
 4. 政府债券
 5. 公司债券
 6. 货币外汇
 7. 商品期货
 8. 股票指数期货
 **关键发现**：
 - 动量效应在所有资产类别中均显著
 - 不同资产的动量收益具有共同因子结构
 - 动量与价值因子负相关，但组合使用可提高Sharpe
 ---
 ## 4. 时间序列动量与跨市场策略
 ### 4.1 Moskowitz, Ooi & Pedersen (2012)
 **论文标题**：《Time Series Momentum》
 **核心贡献**：
 - 正式定义"时间序列动量"概念
 - 验证58种期货合约（股指、货币、商品、债券）的动量效应
 - 揭示动量策略的经济学意义
 **方法论**：
 ```
 信号 = Sign(过去N日累计收益率)
 持仓 = 信号 × 权重（波动率倒数）
 收益 = 持仓 × 未来收益率
 ```
 **实证结果**：
 - 时间序列动量在所有资产类别中显著
 - 最优回看窗口：12个月
 - 持仓周期：1个月
 - 年化Sharpe Ratio：约1.0
 ### 4.2 ETF轮动策略的业界实践
 **经典SPY-TLT-EEM模型**（Quantified Strategies）：
 策略配置：
 - 基础池：SPY（美股）、TLT（美债）、EEM（新兴市场）
 - 信号：过去1月收益率排名
 - 持仓：持有排名第一的ETF
 **Global Market Rotation Strategy**（41.4%年化）：
 策略配置：
 - 基础池：6只全球ETF
 - 调仓周期：月度
 - 回测期间：2003年至今
 - 年化收益：41.4%
 ### 4.3 中国A股动量效应研究
 **券商金工研报共识**：
 | 发现 | 内容 | 来源 |
 |-----|------|-----|
 | **短期动量有效** | 1-3月窗口动量效应显著，长期动量效果弱化 | 华泰金工 |
 | **行业轮动频繁** | A股行业热点切换快，年度收益排名变化大 | 东方证券 |
 | **残差动量优越** | 传统动量因子2024年失效，残差动量表现优异 | 华泰金工2026 |
 | **成长风格敏感** | 时序动量对成长、小盘风格择时效果更好 | 招商金工 |
 **A股特殊性**：
 - 散户主导市场，情绪波动大
 - 行业政策驱动强，板块轮动明显
 - 动量窗口较短（最优1-3月 vs 美股12月）
 ---
 ## 5. 分散化选股的理论依据
 ### 5.1 Modern Portfolio Theory (Markowitz, 1952)
 **核心定理**：
 在给定风险水平下，分散化投资组合可获得更高预期收益：
 ```
 组合收益 = Σ w_i × E(R_i)
 组合方差 = Σ Σ w_i × w_j × σ_i × σ_j × ρ_ij
 ```
 **分散化效应**：
 - 资产间相关性ρ越低，组合方差越小
 - 不同资产类别相关性通常低于同类别资产
 - 跨大类分散可显著降低风险
 ### 5.2 跨大类分散化的经济学意义
 **本策略的diversified模式**：
 ```
 Step 1: 每大类（A/US/JP/EU/HK/COMMODITY/BOND）选Top1冠军
 Step 2: 从7个冠军中按得分排序选Top3
 结果: 持仓必然跨越3个不同大类
 ```
 **理论优势**：
 | 场景 | 风险暴露 | 预期效果 |
 |-----|---------|---------|
 | **单一市场集中** | 高单一经济体风险 | 牛市高收益，熊市重创 |
 | **大类分散** | 分散到多个经济体/资产类别 | 熊市对冲，稳健收益 |
 **实证验证**：
 本策略的A/B测试显示：
 - diversified=true: CAGR 46.45%, MaxDD -17.33%
 - diversified=false: CAGR 44.19%, MaxDD -18.12%
 - **2022年差异关键**：俄乌战争期间商品集中持仓导致false模式大回撤
 ### 5.3 Risk Parity思想
 **相关性分配而非市值权重**：
 传统市值加权导致美股占比过高（约50%），Risk Parity强调按风险贡献分配：
 - 本策略采用等权（33%）而非市值加权
 - 等权在分散模式下隐含Risk Parity精神
 - 低相关性资产等权可有效降低组合波动
 ---
 ## 6. 动量崩盘风险与风险管理
 ### 6.1 动量崩盘现象
 **Barroso & Santa-Clara (2015)**：
 动量策略在特定时期出现灾难性回撤：
 > "Momentum crashes are predictable and occur in rebounding markets after long bear markets."
 **典型崩盘时期**：
 - 2009年金融危机后反弹期：动量策略亏损超50%
 - 动量策略在市场反转时最脆弱
 ### 6.2 崩盘风险管理方法
 | 方法 | 机制 | 代表文献 |
 |-----|------|---------|
 | **波动率调整** | 高波动期降低仓位 | Barroso & Santa-Clara (2015) |
 | **动态信号** | ATR动态调整回看窗口 | 本策略auto_day机制 |
 | **崩盘过滤** | 检测短期暴跌并清零得分 | 本策略crash filter |
 | **Idiosyncratic动量** | 使用残差动量而非原始动量 | Blitz et al. (2011) |
 **本策略的崩盘过滤机制**：
 ```
 条件1: 连续3天中任一天跌幅>5%
 条件2: 连续3天下跌且累计跌幅>5%
 满足任一条件 → 得分清零 → 不参与选股
 ```
 ### 6.3 最大回撤控制
 **Drawdown-based风险管理**：
 - 本策略实证MaxDD: -17.33%
 - Calmar Ratio: 2.68（优秀水平）
 - 最大回撤发生在2020年疫情冲击期
 ---
 ## 7. 待解决问题与研究前沿
 ### 7.1 学术前沿问题
 | 问题 | 内容 | 当前进展 |
 |-----|------|---------|
 | **动量起源之谜** | 动量是风险补偿还是行为偏差？ | 无共识，多解释并存 |
 | **动量因子标准化** | 何种动量定义最优？ | 加权动量vs简单动量各有优劣 |
 | **动态窗口机制** | 如何自适应调整回看期？ | ATR方法存在但效果存疑 |
 | **跨市场数据对齐** | 不同交易日历如何处理？ | Ffill方法存在时序偏差风险 |
 | **因子衰减** | 动量效应是否在衰减？ | 2024年A股传统动量失效 |
 ### 7.2 实践挑战
 | 挑战 | 内容 | 解决方案探索 |
 |-----|------|-------------|
 | **前视偏差（Look-ahead Bias）** | 回测使用未来信息 | 动态上市池重建（本策略已实现） |
 | **溢价率风险** | 跨境ETF高溢价买入 | 溢价过滤机制 |
 | **调仓成本** | 高频调仓侵蚀收益 | 阈值控制+最低持仓期 |
 | **流动性约束** | 小盘ETF交易成本高 | 选择高流动性ETF |
 | **数据质量** | 多源数据对齐与缺失 | 混合数据源+缺失剔除 |
 ### 7.3 未来研究方向
 1. **多因子融合**：动量+价值+质量因子组合
 2. **机器学习增强**：非线性动量信号识别
 3. **实时风险控制**：在线波动率估计与仓位调整
 4. **A股特色因子**：政策驱动、资金流向、情绪因子
 5. **宏观周期对齐**：动量策略与经济周期匹配
 ---
 ## 8. 本策略的学术对标
 ### 8.1 与经典研究的对比
 | 维度 | Jegadeesh-Titman (1993) | Moskowitz et al. (2012) | 本策略V2 |
 |-----|------------------------|------------------------|---------|
 | **动量类型** | 截面动量 | 时间序列动量 | 截面动量 |
 | **因子定义** | N日收益率 | Sign(收益率) | 加权线性回归动量 |
 | **资产范围** | 美股个股 | 58种期货 | 11只全球ETF信号源 |
 | **选股模式** | Winner-Loser对冲 | 单边持仓 | Top3等权 |
 | **分散机制** | 无 | 无 | 跨大类强制分散 |
 | **崩盘保护** | 无 | 无 | 崩盘过滤+阈值控制 |
 ### 8.2 创新点总结
 | 创新点 | 学术意义 |
 |-------|---------|
 | **加权动量因子** | 近期权重更高，对趋势变化更敏感 |
 | **跨大类分散化** | 结合MPT理论，强制大类分散 |
 | **期货信号-ETF交易分离** | 商品用期货信号，ETF交易，信号纯粹 |
 | **崩盘过滤机制** | 行为金融启发的风险控制 |
 | **双轨数据架构** | 指数信号+ETF交易分离 |
 ---
 ## 9. 结论
 基于动量因子的跨市场ETF轮动策略是资产定价、资产配置、行为金融学三大领域的交叉研究主题。动量效应作为最持久的市场异象，其理论基础涵盖行为金融学（反应不足与反应过度）、风险补偿理论、流动性理论等多重解释。
 跨市场动量策略的核心方法论源自Jegadeesh & Titman (1993)的截面动量与Moskowitz et al. (2012)的时间序列动量。实证证据表明，动量效应在股票、债券、商品、外汇等所有资产类别中普遍存在（Asness et al., 2013）。
 分散化选股机制的理论依据来自Markowitz (1952)的Modern Portfolio Theory，跨大类资产低相关性特征使分散持仓能有效降低组合波动。本策略的diversified模式实证效果显著优于纯Top N模式，尤其在2022年市场危机期间展现出对冲能力。
 当前研究的待解决问题聚焦于动量起源之谜、因子标准化、动态窗口机制、跨市场数据对齐、以及因子衰减现象。实践挑战包括前视偏差控制、溢价风险管理、调仓成本控制等。
 本策略V2在经典研究基础上进行了多项创新：加权动量因子提高趋势敏感性，跨大类分散化结合MPT理论，崩盘过滤机制借鉴行为金融学洞察，期货信号-ETF交易分离保证信号纯粹性。这些创新使策略在保持学术严谨性的同时，获得了优秀的实证表现（CAGR 46.42%, Sharpe 2.22, Calmar 2.68）。
 ---
 ## 参考文献
 ### 经典学术论文（APA格式）
 Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013). Value and momentum everywhere. *Journal of Finance, 68*(3), 925-985.
 Barberis, N., Shleifer, A., & Vishny, R. (1998). A model of investor sentiment. *Journal of Financial Economics, 49*(3), 307-343.
 Barroso, P., & Santa-Clara, P. (2015). Momentum has its moments. *Journal of Financial Economics, 116*(1), 111-120.
 Carhart, M. M. (1997). On persistence in mutual fund performance. *Journal of Finance, 52*(1), 57-82.
 Hong, H., & Stein, J. C. (2007). Disagreement and the stock market. *Journal of Economic Perspectives, 21*(2), 109-128.
 Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. *Journal of Finance, 48*(1), 65-91.
 Jegadeesh, N., & Titman, S. (2001). Profitability of momentum strategies: An evaluation of alternative explanations. *Journal of Finance, 56*(2), 699-720.
 Markowitz, H. (1952). Portfolio selection. *Journal of Finance, 7*(1), 77-91.
 Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012). Time series momentum. *Journal of Financial Economics, 104*(2), 228-250.
 ### 业界研究与策略报告
 AQR Capital Management. (2013). Value and momentum everywhere. *AQR White Paper*.
 Quantified Strategies. (2024). ETF rotation strategy for high returns (backtested). *Quantified Strategies Blog*.
 QuantPedia. (2024). Sector momentum - rotational system. *Quantpedia Strategy Database*.
 Robeco. (2023). Quant chart: Taming momentum crashes. *Robeco Insights*.
 ### 中国券商金工研报
 华泰证券. (2026). 金工：量化行业轮动的"崎岖之路". 华泰证券研究报告.
 东方证券. (2019). 因子选股系列之五十：A股行业内选股分析总结. 东方证券研究报告.
 招商证券. (2024). 动量因子在大类资产和行业轮动策略运用. 招商证券研究报告.
 ### 数据来源与工具
 Tushare Pro API. (2024). 中国A股金融数据接口. https://tushare.pro
 YFinance. (2024). Yahoo Finance历史数据接口. https://github.com/ranaroussi/yfinance
 ---
 ## 附录
 ### A. 动量因子计算公式对比
 | 因子类型 | 公式 | 特点 |
 |---------|------|-----|
 | **简单动量** | (P_t / P_{t-N} - 1) | 简单，但忽略趋势稳定性 |
 | **斜率×R²动量** | slope × R² × 10000 | 捕捉趋势强度与稳定性 |
 | **加权动量** | annualized_return × R²（近期权重更高） | 对趋势变化敏感 |
 ### B. 本策略V2配置摘要
 ```yaml
 候选池: 11只（7大类）
 因子类型: weighted_momentum
 窗口天数: 25
 选股模式: diversified（跨大类）
 持仓数量: 3只等权
 调仓周期: 最低1天
 交易成本: 0.1%
 溢价控制: 港股/美股10%阈值过滤
 ```
 ---
 *AI声明：本报告使用AI辅助研究工具（deep-research skill）进行文献搜索与整合。所有引用文献均经过来源验证。报告内容仅供学术参考，不构成投资建议。*
 *文档版本：1.0*
 *生成时间：2026-04-30*
--- a/fetch_159516_nav.py
+++ b/fetch_159516_nav.py
@@ -0,0 +1,109 @@
 #!/usr/bin/env python3
 """
 获取159516 ETF净值数据
 """
 import os
 import pandas as pd
 import tushare as ts
 from datetime import datetime, timedelta
 # 设置Tushare token
 def get_tushare_token():
    # 首先尝试从环境变量获取
    token = os.environ.get("TUSHARE_TOKEN")
    if token:
        return token
    # 尝试从.env文件获取
    try:
        from dotenv import load_dotenv
        load_dotenv()
        token = os.environ.get("TUSHARE_TOKEN")
        if token:
            return token
    except ImportError:
        pass
    # 手动读取.env文件
    env_path = os.path.join(os.path.dirname(__file__), '.env')
    if os.path.exists(env_path):
        with open(env_path, 'r') as f:
            for line in f:
                if line.startswith('TUSHARE_TOKEN='):
                    token = line.strip().split('=', 1)[1].strip().strip('"').strip("'")
                    if token:
                        return token
    raise ValueError("请设置 TUSHARE_TOKEN 环境变量或在.env文件中配置")
 def fetch_etf_nav(etf_code="159516.SZ", days=30):
    """
    获取ETF净值数据
    Args:
        etf_code: ETF代码，如 "159516.SZ"
        days: 获取天数
    Returns:
        DataFrame: 包含日期和净值
    """
    pro = ts.pro_api(get_tushare_token())
    # 计算日期范围
    end_date = datetime.now()
    start_date = end_date - timedelta(days=days + 5)
    start_str = start_date.strftime('%Y%m%d')
    end_str = end_date.strftime('%Y%m%d')
    # 转换代码格式 (tushare使用.SH而不是.SS)
    ts_code = etf_code.replace(".SS", ".SH")
    print(f"获取 {etf_code} 净值数据...")
    print(f"日期范围: {start_str} ~ {end_str}")
    try:
        # 获取ETF净值数据
        nav_df = pro.fund_nav(
            ts_code=ts_code,
            start_date=start_str,
            end_date=end_str
        )
        if nav_df is None or len(nav_df) == 0:
            print("未获取到净值数据")
            return None
        # 排序并处理数据
        nav_df = nav_df.sort_values('nav_date')
        # 转换日期格式
        nav_df['date'] = pd.to_datetime(nav_df['nav_date'])
        nav_df = nav_df.set_index('date')
        print(f"\n获取到 {len(nav_df)} 条净值数据")
        print(f"最新净值日期: {nav_df.index.max().strftime('%Y-%m-%d')}")
        print(f"最新净值: {nav_df['unit_nav'].iloc[-1]}")
        # 显示最近10条数据
        print(f"\n最近10条净值数据:")
        print(nav_df[['unit_nav']].tail(10).to_string())
        return nav_df
    except Exception as e:
        print(f"获取净值数据失败: {e}")
        return None
 if __name__ == "__main__":
    # 获取159516的净值数据
    result = fetch_etf_nav("159516.SZ", days=30)
    if result is not None:
        # 保存到CSV文件
        output_file = "159516_nav_data.csv"
        result[['unit_nav']].to_csv(output_file)
        print(f"\n数据已保存到: {output_file}")
--- a/fetch_159930.py
+++ b/fetch_159930.py
@@ -0,0 +1,183 @@
 #!/usr/bin/env python3
 """
 获取159930 ETF最新10天的收盘价、净值并计算溢价率
 """
 import os
 import pandas as pd
 import tushare as ts
 from datetime import datetime, timedelta
 # 设置Tushare token
 def get_tushare_token():
    # 首先尝试从环境变量获取
    token = os.environ.get("TUSHARE_TOKEN")
    if token:
        return token
    # 尝试从.env文件获取
    try:
        from dotenv import load_dotenv
        load_dotenv()
        token = os.environ.get("TUSHARE_TOKEN")
        if token:
            return token
    except ImportError:
        pass
    # 手动读取.env文件
    env_path = os.path.join(os.path.dirname(__file__), '.env')
    if os.path.exists(env_path):
        with open(env_path, 'r') as f:
            for line in f:
                if line.startswith('TUSHARE_TOKEN='):
                    token = line.strip().split('=', 1)[1].strip().strip('"').strip("'")
                    if token:
                        return token
    raise ValueError("请设置 TUSHARE_TOKEN 环境变量或在.env文件中配置")
 def fetch_etf_data(etf_code: str, days: int = 10):
    """
    获取ETF最新N天的价格、净值数据
    Args:
        etf_code: ETF代码，如 "159930.SZ"
        days: 获取天数
    Returns:
        DataFrame: 包含日期、收盘价、净值、溢价率
    """
    pro = ts.pro_api(get_tushare_token())
    # 计算日期范围（多取几天确保有足够数据）
    end_date = datetime.now()
    start_date = end_date - timedelta(days=days + 5)
    start_str = start_date.strftime('%Y%m%d')
    end_str = end_date.strftime('%Y%m%d')
    # 转换代码格式
    ts_code = etf_code.replace(".SS", ".SH")
    print(f"获取 {etf_code} 数据...")
    print(f"日期范围: {start_str} ~ {end_str}")
    # 1. 获取ETF价格数据（fund_daily接口）
    print("\n1. 获取ETF价格数据...")
    try:
        price_df = pro.fund_daily(
            ts_code=ts_code,
            start_date=start_str,
            end_date=end_str
        )
        if price_df is not None and len(price_df) > 0:
            price_df = price_df.sort_values('trade_date')
            print(f"   获取到 {len(price_df)} 条价格数据")
            print(f"   最新日期: {price_df['trade_date'].max()}")
        else:
            print("   未获取到价格数据")
            price_df = None
    except Exception as e:
        print(f"   获取价格数据失败: {e}")
        price_df = None
    # 2. 获取ETF净值数据（fund_nav接口）
    print("\n2. 获取ETF净值数据...")
    try:
        # 净值通常滞后，多取一天
        nav_end_date = end_date + timedelta(days=1)
        nav_end_str = nav_end_date.strftime('%Y%m%d')
        nav_df = pro.fund_nav(
            ts_code=ts_code,
            start_date=start_str,
            end_date=nav_end_str
        )
        if nav_df is not None and len(nav_df) > 0:
            nav_df = nav_df.sort_values('nav_date')
            print(f"   获取到 {len(nav_df)} 条净值数据")
            print(f"   最新日期: {nav_df['nav_date'].max()}")
        else:
            print("   未获取到净值数据")
            nav_df = None
    except Exception as e:
        print(f"   获取净值数据失败: {e}")
        nav_df = None
    # 3. 合并数据并计算溢价率
    print("\n3. 合并数据并计算溢价率...")
    if price_df is None:
        print("错误: 没有价格数据")
        return None
    # 准备价格数据
    price_df['date'] = pd.to_datetime(price_df['trade_date'])
    price_df = price_df.set_index('date')
    price_series = price_df['close']
    # 准备净值数据
    if nav_df is not None:
        nav_df['date'] = pd.to_datetime(nav_df['nav_date'])
        nav_df = nav_df.set_index('date')
        nav_series = nav_df['unit_nav']
    else:
        nav_series = pd.Series()
    # 创建结果DataFrame
    result = pd.DataFrame({
        '收盘价': price_series
    })
    # 对齐净值数据（按日期）
    result = result.join(nav_series.rename('净值'), how='left')
    # 计算溢价率
    result['溢价率'] = (result['收盘价'] - result['净值']) / result['净值'] * 100
    # 取最新N天
    result = result.tail(days)
    # 格式化输出
    result['收盘价'] = result['收盘价'].round(3)
    result['净值'] = result['净值'].round(3)
    result['溢价率'] = result['溢价率'].round(2)
    # 重置索引，将日期作为列
    result = result.reset_index()
    result['日期'] = result['date'].dt.strftime('%Y-%m-%d')
    result = result[['日期', '收盘价', '净值', '溢价率']]
    return result
 def main():
    """主函数"""
    etf_code = "159930.SZ"
    days = 10
    print("=" * 60)
    print(f"ETF: {etf_code} (中证能源ETF)")
    print(f"获取最近 {days} 天数据")
    print("=" * 60)
    df = fetch_etf_data(etf_code, days)
    if df is not None and len(df) > 0:
        print("\n" + "=" * 60)
        print("结果表格:")
        print("=" * 60)
        print(df.to_string(index=False))
        # 保存到CSV
        output_file = f"{etf_code.replace('.', '_')}_latest_{days}days.csv"
        df.to_csv(output_file, index=False, encoding='utf-8-sig')
        print(f"\n数据已保存到: {output_file}")
    else:
        print("\n获取数据失败")
 if __name__ == "__main__":
    main()
--- a/tests/experiments/init.py
+++ b/tests/experiments/init.py
@@ -0,0 +1,2 @@
 # 实验脚本目录
 # 存放策略研究相关的A/B测试、对比实验等脚本
--- a/tests/experiments/ab_test_iterations.py
+++ b/tests/experiments/ab_test_iterations.py
--- a/tests/experiments/ab_test_ndx_vs_spx.py
+++ b/tests/experiments/ab_test_ndx_vs_spx.py
@@ -0,0 +1,187 @@
 """
 A/B测试：纳指100 vs 标普500 替换对比
 对比：
 - A组（对照组）：纳指100作为美股大类代表
 - B组（实验组）：标普500替换纳指100作为美股大类代表
 核心问题：替换后对策略绩效的影响（无类内竞争）
 """
 import sys
 from pathlib import Path
 sys.path.insert(0, str(Path(__file__).parent.parent))
 from strategies.rotation.engine import RotationStrategy
 import pandas as pd
 import yaml
 def create_config_replace_ndx_with_spx(base_config: dict) -> dict:
    """将纳指100替换为标普500"""
    config = base_config.copy()
    config['code_list'] = base_config['code_list'].copy()
    # 移除纳指100
    if 'NDX' in config['code_list']:
        del config['code_list']['NDX']
    # 添加标普500（替换纳指100）
    config['code_list']['SPX'] = {
        'name': '标普500',
        'etf': '513500.SH',
        'market': 'US'
    }
    return config
 def run_backtest(config: dict, label: str) -> dict:
    """运行回测并返回关键指标"""
    print(f"\n{'='*60}")
    print(f"  {label}")
    print(f"{'='*60}")
    strategy = RotationStrategy(config)
    result = strategy.run()
    if result is None or len(result) == 0:
        return None
    # 计算指标
    strategy_nav = result['轮动策略净值']
    strategy_ret = result['轮动策略日收益率']
    total_return = strategy_nav.iloc[-1] - 1
    days = len(result)
    years = days / 250
    cagr = (strategy_nav.iloc[-1] ** (1/years)) - 1
    excess_ret = strategy_ret.mean() * 250
    vol = strategy_ret.std() * (250 ** 0.5)
    sharpe = excess_ret / vol if vol > 0 else 0
    rolling_max = strategy_nav.cummax()
    drawdown = (strategy_nav - rolling_max) / rolling_max
    max_dd = drawdown.min()
    calmar = cagr / abs(max_dd) if max_dd < 0 else 0
    win_rate = (strategy_ret > 0).sum() / len(strategy_ret)
    metrics = {
        'label': label,
        '美股标的': '纳指100' if 'NDX' in config['code_list'] else '标普500',
        '累计收益': total_return,
        'CAGR': cagr,
        'Sharpe': sharpe,
        'MaxDD': max_dd,
        'Calmar': calmar,
        '日胜率': win_rate,
    }
    print(f"\n美股代表: {metrics['美股标的']}")
    print(f"累计收益: {metrics['累计收益']:.2%}")
    print(f"CAGR: {metrics['CAGR']:.2%}")
    print(f"Sharpe: {metrics['Sharpe']:.2f}")
    print(f"MaxDD: {metrics['MaxDD']:.2%}")
    print(f"Calmar: {metrics['Calmar']:.2f}")
    print(f"日胜率: {metrics['日胜率']:.2%}")
    return metrics
 def compare_results(a_metrics: dict, b_metrics: dict):
    """对比两组结果"""
    print(f"\n{'='*60}")
    print(f"  对比结果")
    print(f"{'='*60}")
    print(f"\n{'指标':<15} {'A组(纳指100)':<15} {'B组(标普500)':<15} {'差异':<15}")
    print("-" * 60)
    metrics_keys = ['美股标的', '累计收益', 'CAGR', 'Sharpe', 'MaxDD', 'Calmar', '日胜率']
    for key in metrics_keys:
        a_val = a_metrics.get(key, 0)
        b_val = b_metrics.get(key, 0)
        if key == '美股标的':
            print(f"{key:<15} {a_val:<15} {b_val:<15} {'替换':<15}")
            continue
        diff = b_val - a_val
        if key in ['累计收益', 'CAGR', 'MaxDD', '日胜率']:
            a_str = f"{a_val:.2%}"
            b_str = f"{b_val:.2%}"
            diff_str = f"{diff*100:+.2f}%"
        else:
            a_str = f"{a_val:.2f}"
            b_str = f"{b_val:.2f}"
            diff_str = f"{diff:+.2f}"
        print(f"{key:<15} {a_str:<15} {b_str:<15} {diff_str:<15}")
    print("-" * 60)
    print(f"\n【关键发现】")
    print(f"纳指100 → 标普500 替换效果：")
    if b_metrics['CAGR'] < a_metrics['CAGR']:
        print(f"  - CAGR下降 {a_metrics['CAGR'] - b_metrics['CAGR']:.2%}")
        print(f"  → 标普500动量信号可能不如纳指强")
    if b_metrics['MaxDD'] > a_metrics['MaxDD']:  # 注意MaxDD是负数
        print(f"  - MaxDD改善 {b_metrics['MaxDD'] - a_metrics['MaxDD']:.2%}")
        print(f"  → 标普500更稳定，回撤更小")
    if b_metrics['Sharpe'] > a_metrics['Sharpe']:
        print(f"  - Sharpe改善 {b_metrics['Sharpe'] - a_metrics['Sharpe']:.2f}")
        print(f"  → 标普500风险调整后收益更优")
    elif b_metrics['Sharpe'] < a_metrics['Sharpe']:
        print(f"  - Sharpe下降 {b_metrics['Sharpe'] - a_metrics['Sharpe']:.2f}")
        print(f"  → 纳指100风险调整后收益更优")
    print(f"\n【策略建议】")
    if b_metrics['累计收益'] < a_metrics['累计收益'] * 0.9:
        print(f"  建议：保持纳指100（成长风格更适合动量策略）")
    elif b_metrics['Sharpe'] > a_metrics['Sharpe']:
        print(f"  建议：考虑标普500（更稳定、风险调整收益更优）")
    else:
        print(f"  建议：保持纳指100（累计收益更高）")
 def main():
    """主函数"""
    # 加载基础配置
    config_path = Path(__file__).parent.parent / 'config' / 'strategies' / 'rotation.yaml'
    with open(config_path, 'r') as f:
        base_config = yaml.safe_load(f)
    # 添加 end_date
    from datetime import datetime
    base_config['end_date'] = datetime.now().strftime('%Y-%m-%d')
    print(f"\n{'='*60}")
    print(f"  A/B测试：纳指100 vs 标普500 替换对比")
    print(f"{'='*60}")
    print(f"\n研究问题：")
    print(f"  - 将美股大类代表从纳指100替换为标普500")
    print(f"  - 无类内竞争（每大类还是1只）")
    print(f"  - 评估标的特性变化对绩效的影响")
    # A组：纳指100（当前配置）
    a_metrics = run_backtest(base_config, "A组: 纳指100作为美股代表")
    # B组：标普500替换纳指100
    config_replace = create_config_replace_ndx_with_spx(base_config)
    b_metrics = run_backtest(config_replace, "B组: 标普500替换纳指100")
    # 对比
    if a_metrics and b_metrics:
        compare_results(a_metrics, b_metrics)
        # 保存结果
        results_df = pd.DataFrame([a_metrics, b_metrics])
        results_path = Path(__file__).parent.parent / 'results' / 'ab_test_ndx_vs_spx.csv'
        results_df.to_csv(results_path, index=False)
        print(f"\n对比结果已保存: {results_path}")
 if __name__ == '__main__':
    main()
--- a/tests/experiments/ab_test_spx.py
+++ b/tests/experiments/ab_test_spx.py
@@ -0,0 +1,183 @@
 """
 A/B测试：添加标普500对轮动策略的影响
 对比：
 - A组（对照组）：当前11只标的配置
 - B组（实验组）：添加标普500后的12只标的配置
 """
 import sys
 from pathlib import Path
 sys.path.insert(0, str(Path(__file__).parent.parent))
 from strategies.rotation.engine import RotationStrategy
 import pandas as pd
 def create_config_with_spx(base_config: dict) -> dict:
    """在基础配置上添加标普500"""
    config = base_config.copy()
    config['code_list'] = base_config['code_list'].copy()
    # 添加标普500（美股大类内）
    config['code_list']['SPX'] = {
        'name': '标普500',
        'etf': '513500.SH',
        'market': 'US'  # 与纳指100同属美股大类
    }
    return config
 def run_backtest(config: dict, label: str) -> dict:
    """运行回测并返回关键指标"""
    print(f"\n{'='*60}")
    print(f"  {label}")
    print(f"{'='*60}")
    strategy = RotationStrategy(config)
    result = strategy.run()  # result 是 DataFrame
    if result is None or len(result) == 0:
        return None
    # 从 DataFrame 中直接计算指标
    strategy_nav = result['轮动策略净值']
    strategy_ret = result['轮动策略日收益率']
    benchmark_nav = result['基准净值']
    benchmark_ret = result['基准日收益率']
    # 累计收益
    total_return = strategy_nav.iloc[-1] - 1
    # CAGR (交易日口径)
    days = len(result)
    years = days / 250
    cagr = (strategy_nav.iloc[-1] ** (1/years)) - 1
    # Sharpe
    excess_ret = strategy_ret.mean() * 250  # 年化收益
    vol = strategy_ret.std() * (250 ** 0.5)  # 年化波动
    sharpe = excess_ret / vol if vol > 0 else 0
    # 最大回撤
    rolling_max = strategy_nav.cummax()
    drawdown = (strategy_nav - rolling_max) / rolling_max
    max_dd = drawdown.min()
    # Calmar
    calmar = cagr / abs(max_dd) if max_dd < 0 else 0
    # 日胜率
    win_rate = (strategy_ret > 0).sum() / len(strategy_ret)
    # 提取关键指标
    metrics = {
        'label': label,
        '标的数': len(config['code_list']),
        '累计收益': total_return,
        'CAGR': cagr,
        'Sharpe': sharpe,
        'MaxDD': max_dd,
        'Calmar': calmar,
        '日胜率': win_rate,
    }
    print(f"\n标的池: {len(config['code_list'])}只")
    print(f"累计收益: {metrics['累计收益']:.2%}")
    print(f"CAGR: {metrics['CAGR']:.2%}")
    print(f"Sharpe: {metrics['Sharpe']:.2f}")
    print(f"MaxDD: {metrics['MaxDD']:.2%}")
    print(f"Calmar: {metrics['Calmar']:.2f}")
    print(f"日胜率: {metrics['日胜率']:.2%}")
    return metrics
 def compare_results(a_metrics: dict, b_metrics: dict):
    """对比两组结果"""
    print(f"\n{'='*60}")
    print(f"  对比结果")
    print(f"{'='*60}")
    print(f"\n{'指标':<12} {'A组(无SPX)':<15} {'B组(有SPX)':<15} {'差异':<15}")
    print("-" * 60)
    metrics_keys = ['标的数', '累计收益', 'CAGR', 'Sharpe', 'MaxDD', 'Calmar', '日胜率']
    for key in metrics_keys:
        a_val = a_metrics.get(key, 0)
        b_val = b_metrics.get(key, 0)
        if key == '标的数':
            diff = b_val - a_val
            diff_str = f"+{diff}" if diff > 0 else str(diff)
        else:
            diff = b_val - a_val
            if key in ['累计收益', 'CAGR', 'MaxDD', '日胜率']:
                diff_str = f"{diff*100:+.2f}%"
            else:
                diff_str = f"{diff:+.2f}"
        if key in ['累计收益', 'CAGR', 'MaxDD', '日胜率']:
            a_str = f"{a_val:.2%}"
            b_str = f"{b_val:.2%}"
        else:
            a_str = str(a_val)
            b_str = str(b_val)
        print(f"{key:<12} {a_str:<15} {b_str:<15} {diff_str:<15}")
    print("-" * 60)
    # 分析美股大类内部切换情况
    print(f"\n【关键发现】")
    print(f"添加标普500后：")
    print(f"  - 美股大类从1只→2只（纳指100 + 标普500）")
    print(f"  - 类内竞争：纳指100 vs 标普500，得分高者代表美股大类")
    print(f"  - 跨类分散不变：美股大类还是只输出1只冠军进入Top3")
    if b_metrics['累计收益'] != a_metrics['累计收益']:
        print(f"  - 累计收益变化：{a_metrics['累计收益']:.2%} → {b_metrics['累计收益']:.2%}")
 def main():
    """主函数"""
    import yaml
    # 加载基础配置
    config_path = Path(__file__).parent.parent / 'config' / 'strategies' / 'rotation.yaml'
    with open(config_path, 'r') as f:
        base_config = yaml.safe_load(f)
    # 添加缺失的 end_date（使用今天日期）
    from datetime import datetime
    base_config['end_date'] = datetime.now().strftime('%Y-%m-%d')
    print(f"\n{'='*60}")
    print(f"  A/B测试：添加标普500对diversified模式的影响")
    print(f"{'='*60}")
    print(f"\n测试假设：")
    print(f"  - diversified=true 模式下，每大类只选1只冠军")
    print(f"  - 添加标普500（同属美股大类）不会增加跨类分散")
    print(f"  - 但可能增加类内切换频率和换手率")
    # A组：当前配置（11只，无标普500）
    a_metrics = run_backtest(base_config, "A组: 当前配置（11只，无标普500）")
    # B组：添加标普500后的配置（12只）
    config_with_spx = create_config_with_spx(base_config)
    b_metrics = run_backtest(config_with_spx, "B组: 添加标普500（12只）")
    # 对比结果
    if a_metrics and b_metrics:
        compare_results(a_metrics, b_metrics)
        # 保存对比结果
        results_df = pd.DataFrame([a_metrics, b_metrics])
        results_path = Path(__file__).parent.parent / 'results' / 'ab_test_spx.csv'
        results_df.to_csv(results_path, index=False)
        print(f"\n对比结果已保存: {results_path}")
 if __name__ == '__main__':
    main()
--- a/tests/experiments/analyze_negative_scores.py
+++ b/tests/experiments/analyze_negative_scores.py
--- a/tests/experiments/full_pool_top3_backtest.py
+++ b/tests/experiments/full_pool_top3_backtest.py
--- a/tests/experiments/momentum_experiment.py
+++ b/tests/experiments/momentum_experiment.py
--- a/tests/experiments/test_select_num.py
+++ b/tests/experiments/test_select_num.py
--- a/tests/utils/init.py
+++ b/tests/utils/init.py
@@ -0,0 +1,2 @@
 # 工具脚本目录
 # 存放数据构建、缓存、导出等辅助工具脚本
--- a/tests/utils/build_etf_universe.py
+++ b/tests/utils/build_etf_universe.py
--- a/tests/utils/etf_data_cache.py
+++ b/tests/utils/etf_data_cache.py
--- a/tests/utils/export_rotation_data.py
+++ b/tests/utils/export_rotation_data.py
		`@@ -0,0 +1,2 @@`
							`# 实验脚本目录`
							`# 存放策略研究相关的A/B测试、对比实验等脚本`
		`@@ -0,0 +1,2 @@`
							`# 工具脚本目录`
							`# 存放数据构建、缓存、导出等辅助工具脚本`