docs: 将英文文件名重命名为中文

重命名13个英文文档为中文：
- etf_pool_selection.md → ETF候选池筛选报告.md
- etf_tracking_error_calculation.md → ETF跟踪误差计算方法.md
- FLASK_SERVICE_SUMMARY.md → Flask服务总结.md
- flask_api_README.md → Flask_API接口说明.md
- cross_market_effectiveness_survey.md → 跨市场有效性调研.md
- etf_rotation_deep_analysis.md → ETF轮动深度分析.md
- etf_rotation_framework.md → ETF轮动框架.md
- momentum_rotation_survey.md → 动量轮动调研.md
- strategy_evolution_report.md → 策略演进报告.md
- universal_fetcher_*.md → 通用数据源*.md

同时更新文档内部的交叉引用链接

.env

@@ -7,7 +7,7 @@ TUSHARE_TOKEN=725296d48ec74da89422e8be76bd770895a4bf93b4998aca4b898db6
 DINGTALK_WEBHOOK_1=https://oapi.dingtalk.com/robot/send?access_token=fb70c1561d8beba94b4f11568f4bb15e3ae07ccbdc8ac19676434a9d1cd17546
 DINGTALK_SECRET_1=SEC1ae7cd2f1a6f9da3611af37da3e7d954c1e8533fc073c6c8cc5e5af3b6e5926b
 
-钉钉机器人配置 - 群2
+# 钉钉机器人配置 - 群2
 DINGTALK_WEBHOOK_2=https://oapi.dingtalk.com/robot/send?access_token=87c7abfcdd69b699c32da4e4f5981cd2ca6b0445474fc6ffb36f2ed0f6262fbb
 DINGTALK_SECRET_2=SECf3d6b43f2f8a87ab91feffd052e71ec314fbf57a1842e483fe07af3c0a0e5aa6
 

docs/ETF候选池筛选报告.md

@@ -0,0 +1,413 @@
+# 轮动策略 ETF 候选池筛选报告
+
+**文档版本**: v1.0  
+**创建日期**: 2026-06-20  
+**数据来源**: `rotation/results/etf_basic_full.csv`（Tushare etf_basic + enrich_etf_data 增强）
+
+---
+
+## 一、筛选目标
+
+为 `config_simple.yaml` 中每个指数/商品标的，从全市场 A 股场内 ETF 中筛选出跟踪同一底层资产、市值最大的 Top4 ETF 作为候选交易标的池。
+
+---
+
+## 二、筛选方法
+
+### 2.1 数据源
+
+- **基础数据**: Tushare `etf_basic` 接口，共 1601 只场内基金（ETF + LOF）
+- **增强字段**: 通过 `enrich_etf_data.py` 补充基金规模（亿份×NAV）、日均成交额、最新净值等
+- **净值数据**: Tushare `fund_nav` 接口，取 `unit_nav`（单位净值）计算收益率
+
+### 2.2 匹配规则
+
+由于 Tushare 的 `index_code` 字段包含交易所后缀（如 `GDAXI.GY`、`HSI.HI`），不可直接精确匹配。采用以下策略：
+
+1. **先反查**: 用当前 `trade_source` ETF 反查其在 CSV 中的真实 `index_code` 和 `index_name`
+2. **精确匹配**: 对 `index_code` 有值的 ETF，按 `index_code` 精确匹配
+3. **关键词匹配**: 对 `index_code` 为 NaN 的（如原油 LOF），按 `index_name` 关键词模糊匹配
+4. **人工校验**: 排除增强策略型、沪港通型等底层资产不同的 ETF
+
+### 2.3 排序规则
+
+按 `fund_scale_yi`（基金规模，亿元）降序排列，取 Top4。不足 4 只则按实际数量。
+
+### 2.4 异常排除
+
+| 异常 ETF | 原因 | 替换为 |
+|---------|------|--------|
+| 159977.SZ 天弘创业板ETF | 增强策略型，与其他纯跟踪 ETF 相关性仅 0.83 | 159957.SZ 华夏创业板ETF |
+| 513660.SH 华夏沪港通恒生ETF | 沪港通机制，净值计算方式不同，与其他恒生 ETF 相关性仅 0.27 | 513210.SH 易方达恒生ETF |
+
+---
+
+## 三、各指数筛选过程与原始数据
+
+### 3.1 创业板指 (399006.SZ)
+
+**匹配规则**: `index_code = 399006.SZ`  
+**候选总数**: 17 只  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 159915.SZ ★ | 易方达创业板ETF | 448.9 | 567,036 | 0.15% |
+| 2 | 159952.SZ | 广发创业板ETF | 87.7 | 59,444 | 0.15% |
+| 3 | 159957.SZ | 华夏创业板ETF | 21.5 | 20,636 | 0.15% |
+| 4 | 159948.SZ | 南方创业板ETF | 47.6 | 11,196 | 0.15% |
+
+> 注: 原始 Top3 为 159977.SZ（天弘创业板ETF），因增强策略型排除，替换为 159957.SZ
+
+**相关性矩阵** (1568 共同交易日):
+
+| | 159915 | 159952 | 159957 | 159948 |
+|---|---|---|---|---|
+| **159915** | 1.0000 | 1.0000 | 0.9999 | 1.0000 |
+| **159952** | 1.0000 | 1.0000 | 0.9999 | 1.0000 |
+| **159957** | 0.9999 | 0.9999 | 1.0000 | 0.9999 |
+| **159948** | 1.0000 | 1.0000 | 0.9999 | 1.0000 |
+
+- 平均相关性: **0.9999**
+- 最低相关性: 0.9999（广发 vs 华夏）
+
+---
+
+### 3.2 红利低波 (H30269.CSI)
+
+**匹配规则**: `index_code = H30269.CSI`  
+**候选总数**: 6 只  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 512890.SH ★ | 华泰柏瑞中证红利低波动ETF | 324.1 | 84,666 | 0.50% |
+| 2 | 563020.SH | 易方达中证红利低波动ETF | 111.8 | 29,589 | 0.15% |
+| 3 | 159547.SZ | 华夏中证红利低波动ETF | 14.0 | 14,909 | 0.15% |
+| 4 | 560150.SH | 红利TK | 7.3 | 1,079 | 0.40% |
+
+**相关性矩阵** (539 共同交易日):
+
+| | 512890 | 563020 | 159547 | 560150 |
+|---|---|---|---|---|
+| **512890** | 1.0000 | 0.9893 | 0.9965 | 0.9932 |
+| **563020** | 0.9893 | 1.0000 | 0.9863 | 0.9838 |
+| **159547** | 0.9965 | 0.9863 | 1.0000 | 0.9908 |
+| **560150** | 0.9932 | 0.9838 | 0.9908 | 1.0000 |
+
+- 平均相关性: **0.9900**
+- 最低相关性: 0.9838（易方达 vs 红利TK）
+
+---
+
+### 3.3 黄金 (Au99.99.SGE / SHAU.SGE)
+
+**匹配规则**: `index_code IN (Au99.99.SGE, SHAU.SGE)`  
+**候选总数**: 14 只（Au99.99 基准 7 只 + SHAU 基准 7 只）  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 | 基准 |
+|------|------|------|---------|------------|------|------|
+| 1 | 518880.SH ★ | 华安黄金ETF | 965.5 | 322,467 | 0.50% | Au99.99 |
+| 2 | 159937.SZ | 博时黄金ETF | 433.6 | 74,446 | 0.50% | Au99.99 |
+| 3 | 159934.SZ | 易方达黄金ETF | 367.9 | 89,130 | 0.50% | Au99.99 |
+| 4 | 518800.SH | 国泰黄金ETF | 353.6 | 55,747 | 0.50% | Au99.99 |
+
+**相关性矩阵** (1568 共同交易日):
+
+| | 518880 | 159937 | 159934 | 518800 |
+|---|---|---|---|---|
+| **518880** | 1.0000 | 0.9999 | 0.9920 | 0.9899 |
+| **159937** | 0.9999 | 1.0000 | 0.9920 | 0.9899 |
+| **159934** | 0.9920 | 0.9920 | 1.0000 | 0.9821 |
+| **518800** | 0.9899 | 0.9899 | 0.9821 | 1.0000 |
+
+- 平均相关性: **0.9910**
+- 最低相关性: 0.9821（易方达 vs 国泰）
+
+---
+
+### 3.4 德国DAX (GDAXI.GY)
+
+**匹配规则**: `index_code = GDAXI.GY`  
+**候选总数**: 2 只（全市场仅此 2 只跟踪 DAX）  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 159561.SZ | 嘉实德国DAXETF(QDII) | 20.9 | 12,446 | 0.50% |
+| 2 | 513030.SH ★ | 华安德国(DAX)ETF | 18.3 | 8,875 | 0.80% |
+
+**相关性矩阵** (522 共同交易日):
+
+| | 159561 | 513030 |
+|---|---|---|
+| **159561** | 1.0000 | 0.9947 |
+| **513030** | 0.9947 | 1.0000 |
+
+- 平均相关性: **0.9947**
+
+---
+
+### 3.5 有色金属 (IMCI.SHF)
+
+**匹配规则**: `index_code = IMCI.SHF`  
+**候选总数**: 1 只（全市场仅此 1 只跟踪有色金属期货价格指数）  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 159980.SZ ★ | 大成有色金属期货ETF | 61.0 | 46,989 | 0.60% |
+
+> 注: 其余有色金属 ETF 跟踪的是股票指数（如中证有色金属矿业/工业主题），底层资产不同，不纳入候选。
+
+---
+
+### 3.6 恒生指数 (HSI.HI)
+
+**匹配规则**: `index_code = HSI.HI`  
+**候选总数**: 5 只  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 159920.SZ ★ | 华夏恒生ETF | 93.3 | 33,200 | 0.60% |
+| 2 | 513600.SH | 南方恒生指数ETF | 17.1 | 10,292 | 0.50% |
+| 3 | 159271.SZ | 鹏华恒生ETF | 2.3 | 520 | 0.50% |
+| 4 | 513210.SH | 易方达恒生ETF(QDII) | 0.6 | 732 | 0.50% |
+
+> 注: 原始 Top2 为 513660.SH（华夏沪港通恒生ETF），因沪港通机制排除，替换为 513210.SH
+
+**相关性矩阵** (209 共同交易日):
+
+| | 159920 | 513600 | 159271 | 513210 |
+|---|---|---|---|---|
+| **159920** | 1.0000 | 0.9988 | 0.9941 | 1.0000 |
+| **513600** | 0.9988 | 1.0000 | 0.9952 | 0.9989 |
+| **159271** | 0.9941 | 0.9952 | 1.0000 | 0.9942 |
+| **513210** | 1.0000 | 0.9989 | 0.9942 | 1.0000 |
+
+- 平均相关性: **0.9969**
+- 最低相关性: 0.9941（华夏 vs 鹏华）
+
+---
+
+### 3.7 恒生科技 (HSTECH.HI)
+
+**匹配规则**: `index_code = HSTECH.HI`  
+**候选总数**: 13 只  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 513180.SH | 华夏恒生科技ETF(QDII) | 444.0 | 341,088 | 0.50% |
+| 2 | 513130.SH ★ | 华泰柏瑞恒生科技ETF(QDII) | 392.9 | 384,592 | 0.20% |
+| 3 | 513010.SH | 易方达恒生科技ETF(QDII) | 282.9 | 128,761 | 0.20% |
+| 4 | 159740.SZ | 大成恒生科技ETF(QDII) | 171.9 | 134,470 | 0.50% |
+
+**相关性矩阵** (1231 共同交易日):
+
+| | 513180 | 513130 | 513010 | 159740 |
+|---|---|---|---|---|
+| **513180** | 1.0000 | 0.9953 | 0.9999 | 0.9998 |
+| **513130** | 0.9953 | 1.0000 | 0.9953 | 0.9953 |
+| **513010** | 0.9999 | 0.9953 | 1.0000 | 0.9998 |
+| **159740** | 0.9998 | 0.9953 | 0.9998 | 1.0000 |
+
+- 平均相关性: **0.9976**
+- 最低相关性: 0.9953（华泰柏瑞 vs 易方达/大成）
+
+---
+
+### 3.8 日经225 (N225.JT)
+
+**匹配规则**: `index_code = N225.JT`  
+**候选总数**: 4 只  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 513880.SH | 华安日经225ETF | 27.9 | 47,208 | 0.20% |
+| 2 | 513520.SH ★ | 华夏野村日经225ETF | 24.7 | 55,341 | 0.20% |
+| 3 | 513000.SH | 易方达奥明日经225ETF(QDII) | 23.1 | 29,234 | 0.20% |
+| 4 | 159866.SZ | 日经ETF工银 | 13.5 | 33,442 | 0.20% |
+
+**相关性矩阵** (1268 共同交易日):
+
+| | 513880 | 513520 | 513000 | 159866 |
+|---|---|---|---|---|
+| **513880** | 1.0000 | 0.9336 | 0.9850 | 0.9915 |
+| **513520** | 0.9336 | 1.0000 | 0.9442 | 0.9384 |
+| **513000** | 0.9850 | 0.9442 | 1.0000 | 0.9873 |
+| **159866** | 0.9915 | 0.9384 | 0.9873 | 1.0000 |
+
+- 平均相关性: **0.9634**
+- 最低相关性: 0.9336（华安 vs 华夏）
+- 说明: 华安日经225使用野村指数版本，华夏使用野村另一版本，两者在净值披露时点上略有差异
+
+---
+
+### 3.9 纳指100 (NDX.NASDAQ)
+
+**匹配规则**: `index_code = NDX.NASDAQ`  
+**候选总数**: 12 只  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 |
+|------|------|------|---------|------------|------|
+| 1 | 159941.SZ | 广发纳指100ETF | 339.8 | 251,747 | 0.80% |
+| 2 | 513100.SH ★ | 国泰纳斯达克100(QDII-ETF) | 190.9 | 116,472 | 0.60% |
+| 3 | 513300.SH | 华夏纳斯达克100ETF(QDII) | 129.6 | 88,050 | 0.60% |
+| 4 | 159501.SZ | 嘉实纳斯达克100ETF(QDII) | 120.1 | 25,504 | 0.50% |
+
+**相关性矩阵** (736 共同交易日):
+
+| | 159941 | 513100 | 513300 | 159501 |
+|---|---|---|---|---|
+| **159941** | 1.0000 | 0.9996 | 0.9891 | 0.9976 |
+| **513100** | 0.9996 | 1.0000 | 0.9889 | 0.9975 |
+| **513300** | 0.9891 | 0.9889 | 1.0000 | 0.9870 |
+| **159501** | 0.9976 | 0.9975 | 0.9870 | 1.0000 |
+
+- 平均相关性: **0.9933**
+- 最低相关性: 0.9870（华夏 vs 嘉实）
+
+---
+
+### 3.10 原油 (CL=F → WTI 原油价格)
+
+**匹配规则**: `index_name` 包含 `WTI原油价格` / `BRENT原油` / `标普高盛原油商品` / `原油价格收益率`  
+**候选总数**: 3 只（全市场仅 3 只跟踪原油商品价格的 LOF）  
+**Top4 选取**:
+
+| 排名 | 代码 | 名称 | 规模(亿) | 日均成交(万) | 费率 | 跟踪基准 |
+|------|------|------|---------|------------|------|---------|
+| 1 | 160723.SZ ★ | 嘉实原油(QDII-LOF-FOF) | 14.8 | 70,634 | 1.00% | WTI×100% |
+| 2 | 161129.SZ | 易方达原油(QDII-LOF-FOF) | 7.18 | 58,148 | 1.00% | 标普高盛原油×100% |
+| 3 | 501018.SH | 南方原油(QDII-LOF-FOF) | 13.36 | 70,781 | 1.00% | WTI×60%+BRENT×40% |
+
+> 注: 其余 17 只石油天然气 ETF 跟踪的是石油公司股票指数（非商品价格），不纳入候选。
+
+**相关性矩阵** (1567 共同交易日):
+
+| | 160723 | 161129 | 501018 |
+|---|---|---|---|
+| **160723** | 1.0000 | 0.9572 | 0.9581 |
+| **161129** | 0.9572 | 1.0000 | 0.9802 |
+| **501018** | 0.9581 | 0.9802 | 1.0000 |
+
+- 平均相关性: **0.9651**
+- 最低相关性: 0.9572（嘉实 vs 易方达）
+- 三者的年化 TE（两两之间）: 6.67%~9.64%，全区间累计收益差约 20%
+
+**石油天然气股票型 ETF 排除分析**
+
+全市场另有 17 只石油天然气相关 ETF/LOF，但它们跟踪的是石油天然气**公司股票指数**（非商品价格），与 WTI 原油价格的相关性远低于商品价格型 LOF。
+
+以 160723.SZ（嘉实原油/WTI）净值为基准，与 17 只石油股票型 ETF 计算相关性：
+
+| 排名 | 代码 | 名称 | 相关系数 | R² | 累计收益 |
+|------|------|------|---------|-----|----------|
+| 1 | 160416.SZ | 华安标普全球石油LOF | 0.6321 | 0.400 | +89.5% |
+| 2 | 162719.SZ | 广发道琼斯美国石油LOF | 0.5579 | 0.311 | +165.0% |
+| 3 | 159518.SZ | 嘉实标普石油天然气QDII | 0.5550 | 0.308 | +5.1% |
+| 4 | 513350.SH | 富国标普石油天然气QDII | 0.5527 | 0.306 | +10.3% |
+| 5 | 162411.SZ | 华宝标普石油天然气上游LOF | 0.5430 | 0.295 | +99.7% |
+| 6 | 159588.SZ | 景顺石油天然气ETF | 0.3971 | 0.158 | +21.4% |
+| 7-13 | 其余 7 只 | 国证石油天然气系列ETF | 0.20~0.38 | 0.04~0.14 | -14%~+29% |
+
+**对照：商品价格型 LOF**
+
+| 代码 | 名称 | 相关系数 | R² | 累计收益 |
+|------|------|---------|-----|----------|
+| 161129.SZ | 易方达原油 | **0.9572** | **0.916** | +28.3% |
+| 501018.SH | 南方原油 | **0.9581** | **0.918** | +35.1% |
+
+**排除决策依据**：
+
+1. **相关性断崖式下降**：商品价格型 R²=0.92，股票型最高仅 R²=0.40，差距 2.3 倍
+2. **累计收益严重偏离**：WTI 累计 +48%，石油股票型从 -14% 到 +165% 不等，完全不可互换
+3. **底层资产本质不同**：石油股票受公司基本面、分红、管理层等因素影响，与原油价格的联动远不如期货合约直接
+
+**结论**：当前 3 只商品价格型 LOF（160723/161129/501018）已是原油方向的最优选择，无需补充石油股票型 ETF。
+
+---
+
+## 四、汇总
+
+### 4.1 各指数组内相关性总览
+
+| 指数 | ETF数 | 共同天数 | 平均相关 | 最低相关 | 最高相关 | 状态 |
+|------|-------|---------|---------|---------|---------|------|
+| 创业板指 | 4 | 1568 | 0.9999 | 0.9999 | 1.0000 | ✓ |
+| 红利低波 | 4 | 539 | 0.9900 | 0.9838 | 0.9965 | ✓ |
+| 黄金 | 4 | 1568 | 0.9910 | 0.9821 | 0.9999 | ✓ |
+| 德国DAX | 2 | 522 | 0.9947 | 0.9947 | 0.9947 | ✓ |
+| 有色金属 | 1 | — | — | — | — | 仅1只 |
+| 恒生指数 | 4 | 209 | 0.9969 | 0.9941 | 1.0000 | ✓ |
+| 恒生科技 | 4 | 1231 | 0.9976 | 0.9953 | 0.9999 | ✓ |
+| 日经225 | 4 | 1268 | 0.9634 | 0.9336 | 0.9915 | ⚠ |
+| 纳指100 | 4 | 736 | 0.9933 | 0.9870 | 0.9996 | ✓ |
+| 原油 | 3 | 1567 | 0.9651 | 0.9572 | 0.9802 | ✓ |
+
+### 4.2 最终候选池
+
+| 指数 | 当前ETF | 候选池 |
+|------|---------|--------|
+| 创业板指 | 159915.SZ | 159915.SZ, 159952.SZ, 159957.SZ, 159948.SZ |
+| 红利低波 | 512890.SH | 512890.SH, 563020.SH, 159547.SZ, 560150.SH |
+| 黄金 | 518880.SH | 518880.SH, 159937.SZ, 159934.SZ, 518800.SH |
+| 德国DAX | 513030.SH | 159561.SZ, 513030.SH |
+| 有色金属 | 159980.SZ | 159980.SZ |
+| 恒生指数 | 159920.SZ | 159920.SZ, 513600.SH, 159271.SZ, 513210.SH |
+| 恒生科技 | 513130.SH | 513180.SH, 513130.SH, 513010.SH, 159740.SZ |
+| 日经225 | 513520.SH | 513880.SH, 513520.SH, 513000.SH, 159866.SZ |
+| 纳指100 | 513100.SH | 159941.SZ, 513100.SH, 513300.SH, 159501.SZ |
+| 原油 | 160723.SZ | 160723.SZ, 161129.SZ, 501018.SH |
+
+---
+
+## 五、关键决策记录
+
+### 5.1 原油只选商品价格型，不选石油股票型
+
+全市场有 20+ 只石油天然气相关 ETF/LOF，但底层资产完全不同：
+- **商品价格型**（3 只）: 直接投资 WTI/BRENT 原油期货合约
+- **石油股票型**（17 只）: 投资石油天然气上市公司股票
+
+配置中 `CL=F` 对应 WTI 原油期货价格，因此只纳入商品价格型的 3 只。
+
+### 5.2 有色金属只有 1 只候选
+
+全市场跟踪有色金属期货价格指数（IMCI.SHF）的 ETF 仅 `159980.SZ` 一只。其余 23 只跟踪的是有色金属股票指数（如中证有色金属矿业/工业/细分主题），底层资产是股票而非期货，不纳入。
+
+### 5.3 德国DAX 只有 2 只候选
+
+全市场跟踪 DAX 指数的 ETF 仅 2 只，无其他欧洲宽基可替代（法国 CAC40 是不同指数）。
+
+### 5.4 排除增强策略型 ETF
+
+159977.SZ（天弘创业板ETF）是增强策略型，与其他纯被动跟踪 ETF 的相关性仅 0.83，替换为 159957.SZ（华夏创业板ETF，纯被动型）。
+
+### 5.5 排除沪港通型 ETF
+
+513660.SH（华夏沪港通恒生ETF）通过沪港通机制投资，净值计算方式与直接投资的恒生 ETF 完全不同，与其他恒生 ETF 相关性仅 0.27，替换为 513210.SH（易方达恒生ETF）。
+
+---
+
+## 六、复现方法
+
+```bash
+# 数据源
+rotation/results/etf_basic_full.csv
+
+# 筛选脚本（交互式）
+/Users/aszer/miniforge3/envs/qa/bin/python3
+
+# 关键步骤:
+# 1. 用 trade_source ETF 反查 index_code（含交易所后缀）
+# 2. 按 index_code 精确匹配 + index_name 关键词匹配
+# 3. 按 fund_scale_yi 降序取 Top4
+# 4. 排除增强策略型、沪港通型等异常 ETF
+# 5. 用 fund_nav 获取 unit_nav，计算日收益率，生成相关性矩阵
+```

docs/ETF跟踪误差计算方法.md

@@ -0,0 +1,233 @@
+# ETF跟踪误差计算方法
+
+**文档版本**: v1.0  
+**创建日期**: 2026-06-19  
+**适用范围**: 轮动策略标的池ETF跟踪准确率评估
+
+---
+
+## 一、定义
+
+**跟踪误差（Tracking Error, TE）**：衡量ETF净值收益率与标的指数收益率之间偏离程度的指标，反映基金经理的追踪能力。
+
+**核心公式**：
+```
+跟踪误差(TE) = STDEV(每日跟踪偏离度) × √252
+```
+
+---
+
+## 二、计算步骤
+
+### 2.1 数据准备
+
+| 数据类型 | 字段 | 来源 | 说明 |
+|---------|------|------|------|
+| ETF单位净值 | `unit_nav` | Tushare `fund_nav` | 必须用单位净值，不能用累计净值 |
+| 基准收盘价 | `close` | Tushare `index_daily` / `fut_daily` / Flask API | 根据标的类型选择数据源 |
+
+### 2.2 计算流程
+
+```
+步骤1: 获取ETF单位净值序列
+        NAV[t], NAV[t-1], NAV[t-2], ...
+
+步骤2: 获取基准收盘价序列
+        Index[t], Index[t-1], Index[t-2], ...
+
+步骤3: 计算ETF日收益率
+        ETF_ret[t] = (NAV[t] - NAV[t-1]) / NAV[t-1]
+
+步骤4: 计算基准日收益率
+        Index_ret[t] = (Index[t] - Index[t-1]) / Index[t-1]
+
+步骤5: 计算每日跟踪偏离度
+        Deviation[t] = ETF_ret[t] - Index_ret[t]
+
+步骤6: 计算偏离度标准差
+        Std = STDEV(Deviation序列)
+
+步骤7: 年化处理
+        TE = Std × √252
+```
+
+### 2.3 Python代码示例
+
+```python
+import numpy as np
+import pandas as pd
+
+def calculate_tracking_error(etf_nav: pd.Series, benchmark_close: pd.Series) -> dict:
+    """
+    计算ETF跟踪误差
+    
+    Args:
+        etf_nav: ETF单位净值序列（index=date, value=unit_nav）
+        benchmark_close: 基准收盘价序列（index=date, value=close）
+    
+    Returns:
+        dict: 包含跟踪误差、R²、相关系数等指标
+    """
+    # 计算收益率
+    etf_ret = etf_nav.pct_change().dropna()
+    bench_ret = benchmark_close.pct_change().dropna()
+    
+    # 对齐日期
+    common = etf_ret.index.intersection(bench_ret.index)
+    if len(common) < 20:
+        return None
+    
+    e = etf_ret.loc[common]
+    b = bench_ret.loc[common]
+    
+    # 每日偏离度
+    daily_deviation = e - b
+    
+    # 跟踪误差 = 标准差 × √252
+    tracking_error = daily_deviation.std() * np.sqrt(252)
+    
+    # 其他指标
+    correlation = e.corr(b)
+    r_squared = correlation ** 2
+    
+    # 累计收益
+    etf_cum = (1 + e).prod() - 1
+    bench_cum = (1 + b).prod() - 1
+    excess = etf_cum - bench_cum
+    
+    return {
+        'annual_tracking_error': round(tracking_error * 100, 4),  # %
+        'correlation': round(correlation, 6),
+        'r_squared': round(r_squared, 6),
+        'etf_cum_return': round(etf_cum * 100, 2),  # %
+        'benchmark_cum_return': round(bench_cum * 100, 2),  # %
+        'excess_return': round(excess * 100, 2),  # %
+        'common_days': len(common),
+    }
+```
+
+---
+
+## 三、基准数据来源
+
+### 3.1 数据源选择
+
+| 标的类型 | 示例 | 基准来源 | Tushare接口 | 数据可用性 |
+|---------|------|---------|------------|-----------|
+| A股指数 | 创业板指、红利低波 | 指数收盘价 | `index_daily` | ✅ 完整 |
+| 商品期货 | 黄金、有色金属 | 期货主力合约 | `fut_daily` | ✅ 完整 |
+| 海外指数 | 纳指、恒生、日经、DAX | 指数收盘价 | Flask API (yfinance) | ✅ 完整 |
+
+### 3.2 接口调用示例
+
+```python
+# A股指数
+index_data = pro.index_daily(
+    ts_code='399006.SZ',
+    start_date='20250601',
+    end_date='20260619'
+)
+
+# 商品期货
+futures_data = pro.fut_daily(
+    ts_code='AU.SHF',
+    start_date='20250601',
+    end_date='20260619'
+)
+
+# 海外指数（通过Flask API）
+from datasource.flask_api_source import FlaskAPIDataSource
+flask_source = FlaskAPIDataSource()
+index_data = flask_source.fetch('^NDX', '2025-06-01', '2026-06-19')
+```
+
+---
+
+## 四、关键注意事项
+
+### 4.1 必须使用单位净值（unit_nav）
+
+| 净值类型 | 含义 | 是否可用 |
+|---------|------|---------|
+| **单位净值** (unit_nav) | 当前每份基金的实际价值 | ✅ **必须用这个** |
+| 累计净值 (accum_nav) | 单位净值 + 历史分红 | ❌ 会虚高规模 |
+
+**原因**：累计净值包含了历史分红再投资，会导致规模计算偏大。
+
+### 4.2 必须使用标的指数做基准
+
+| 基准类型 | 计算结果 | 说明 |
+|---------|---------|------|
+| **标的指数** | 真实跟踪误差 | ✅ 反映基金经理追踪能力 |
+| 另一只ETF价格 | 价格一致性 | ❌ 包含溢价率波动噪声 |
+
+### 4.3 年化因子
+
+- 使用 **√252**（假设一年252个交易日）
+- 如果使用月度数据，则用 **√12**
+- 如果使用周度数据，则用 **√52**
+
+---
+
+## 五、校验结果
+
+### 5.1 与天天基金数据对比
+
+我们用 Tushare 计算的创业板指 ETF 跟踪误差 vs 天天基金官方数据：
+
+| ETF代码 | Tushare TE | 天天基金 TE | 差异 |
+|--------|-----------|------------|------|
+| 159948.SZ | 0.3302% | 0.32% | +0.0102% |
+| 159952.SZ | 0.3559% | 0.35% | +0.0059% |
+| 159205.SZ | 0.3698% | 0.36% | +0.0098% |
+| 159977.SZ | 0.3727% | 0.36% | +0.0127% |
+
+**平均差异：+0.0091%** → 高度一致
+
+### 5.2 结论
+
+- Tushare 数据计算的跟踪误差与天天基金官方数据**高度一致**
+- 验证了计算方法的正确性
+- 可用于日常跟踪误差监控
+
+---
+
+## 六、完整计算脚本
+
+参考文件：`rotation/tracking_error_full.py`
+
+### 6.1 主要功能
+
+- 覆盖轮动策略标的池全部10个标的
+- 自动选择合适的数据源（Tushare指数/期货/Flask API）
+- 批量获取ETF净值数据
+- 计算跟踪误差并排序
+- 与天天基金数据对比校验
+
+### 6.2 运行方式
+
+```bash
+cd /Users/aszer/code/etf
+python3 rotation/tracking_error_full.py
+```
+
+### 6.3 输出结果
+
+- JSON文件：`rotation/results/tracking_error_full.json`
+- 包含每个标的下所有ETF的跟踪误差、R²、超额收益等指标
+
+---
+
+## 七、相关文档
+
+- [ETF竞品分析报告](./etf_competitor_analysis_report.md)
+- [跟踪误差校验报告](./tracking_error_validation_report.md)
+- [ETF数据源说明](../datasource/README.md)
+
+---
+
+## 八、更新日志
+
+| 版本 | 日期 | 变更内容 |
+|------|------|---------|
+| v1.0 | 2026-06-19 | 初始版本，包含完整计算方法和校验结果 |

docs/Flask服务总结.md

@@ -70,8 +70,8 @@ results = client.batch_ohlcv(
 )
 ```
 
-### 4. API 文档 (flask_api_README.md)
+### 4. API 文档 (Flask_API接口说明.md)
-**文件**: `docs/flask_api_README.md` (405行)
+**文件**: `docs/Flask_API接口说明.md` (405行)
 
 **内容**:
 - ✅ 快速开始指南
@@ -251,8 +251,8 @@ etf/
 │   ├── test_universal_fetcher.py
 │   └── test_ssh_tunnel.py
 ├── docs/
-│   ├── flask_api_README.md      # API 文档 (405行)
+│   ├── Flask_API接口说明.md       # API 文档 (405行)
-│   ├── universal_fetcher_README.md
+│   ├── 通用数据源说明.md
 │   └── ...
 ├── start_flask_server.sh        # 启动脚本 (128行)
 └── hk_ecs.pem                   # SSH 私钥
@@ -344,7 +344,7 @@ etf/
 - 健康检查: http://localhost:5000/health
 
 查看详细文档:
-- [API 文档](./flask_api_README.md)
+- [API 文档](./Flask_API接口说明.md)
 - [客户端示例](../examples/flask_api_client.py)
 
 ## 🎉 总结

docs/experiments/007_momentum_window_optimization.md

@@ -0,0 +1,470 @@
+# 实验 007：动量因子回看窗口优化研究
+
+**实验日期**：2026-06-12  
+**实验目标**：研究动量因子回看窗口（n_days）的选择方法，评估多周期融合对策略表现的影响  
+**实验结论**：多周期融合不适用于本策略，维持 25 天单窗口
+
+---
+
+## 一、问题背景
+
+### 1.1 当前配置
+
+策略使用 `slope_r2` 因子，全局统一 25 天回看窗口：
+
+```yaml
+factor:
+  n_days: 25
+  type: slope_r2
+```
+
+### 1.2 发现的问题
+
+从回测数据的因子分布分析发现：
+
+| 标的 | IQR（波动代理） | 中位数 | 正得分% | 特征 |
+|------|----------------|--------|---------|------|
+| 创业板指 | 28.23 | 0.00 | 51.0% | 高波动，趋势间歇性强 |
+| 恒生科技 | 20.71 | -0.01 | 44.0% | 高波动，趋势弱 |
+| 纳指100 | 20.10 | 4.31 | 67.4% | 高波动，趋势强 |
+| 短债 | 0.38 | 0.68 | 97.9% | 低波动，几乎无趋势 |
+| 黄金 | 13.39 | 0.77 | 60.7% | 中等波动，趋势持续 |
+
+**核心问题**：不同资产的趋势周期差异很大，统一 25 天窗口是否合理？
+
+---
+
+## 二、学界与业界调研
+
+### 2.1 经典文献的标准做法
+
+#### 横截面动量（Cross-Sectional Momentum）
+
+**Jegadeesh & Titman (1993)** 开创性研究：
+- **标准窗口**：12-1 月（过去12个月收益，跳过最近1个月）
+- **金融语义**：跳过最近1个月是因为存在短期反转效应（1周-1个月），而中期（3-12个月）存在动量效应
+- **原理**：信息扩散慢 → 价格对新信息反应不足 → 形成中期趋势
+
+**Asness, Moskowitz & Pedersen (2013)** "Value and Momentum Everywhere"：
+- 股票：12-1 月
+- 债券：12-1 月或 6-1 月
+- 商品：12 月（不跳过，因为商品市场短期反转弱）
+- 货币：12 月
+- **核心观点**：不同资产类别的最优窗口不同，但 12 月是一个稳健的起点
+
+#### 时间序列动量（Time-Series Momentum / TSMOM）
+
+**Moskowitz, Ooi & Pedersen (2012)**：
+- **标准窗口**：12 月（用于期货）
+- **金融语义**：TSMOM 关注资产自身的绝对收益，不与其他资产比较
+- **关键发现**：1-12 月窗口都有效，但 12 月最稳健
+- **波动率调整**：用实现波动率标准化头寸规模，使得不同资产可比
+
+### 2.2 窗口选择的金融语义
+
+#### 不同窗口对应的市场微观结构
+
+| 窗口长度 | 捕捉的效应 | 金融解释 | 风险 |
+|---------|-----------|---------|------|
+| 1周-1月 | 短期反转 | 流动性冲击、过度反应修正 | 高换手、交易成本 |
+| 1-3月 | 早期动量 | 信息扩散初期、盈余公告后漂移 | 容易被打断 |
+| 3-12月 | 经典动量 | 信息扩散慢、机构调仓周期 | 最稳健 |
+| 12-24月 | 长期动量 | 经济周期、企业基本面变化 | 均值回归开始显现 |
+| >24月 | 长期反转 | 估值回归、经济周期反转 | 动量效应消失 |
+
+#### 不同资产类别的特征周期
+
+| 资产类别 | 特征周期 | 推荐窗口 | 理由 |
+|---------|---------|---------|------|
+| **股票指数** | 季度财报+机构调仓 | 6-12月 | 信息扩散慢，机构季度调仓 |
+| **债券** | 央行政策周期 | 3-6月 | 利率变化快，久期短 |
+| **商品** | 供需周期+季节性 | 6-12月 | 供需调整慢，但有季节性 |
+| **货币** | 利差+央行政策 | 3-6月 | 政策变化快 |
+
+### 2.3 避免过拟合的原则
+
+#### 先验选择 vs 数据挖掘
+
+**过拟合的做法**：
+```python
+# 在历史数据上测试 5, 10, 15, 20, 25, 30... 天，选最好的
+for window in [5, 10, 15, 20, 25, 30, 60, 120]:
+    backtest(window)
+best_window = argmax(results)  # 过拟合！
+```
+
+**有金融语义的做法**：
+```python
+# 基于资产类别选择窗口
+window_map = {
+    'equity_index': 252,    # 12月（252交易日）
+    'bond': 126,            # 6月
+    'commodity': 252,       # 12月
+    'currency': 126,        # 6月
+}
+```
+
+#### 稳健性检验原则
+
+**学界推荐的做法**：
+1. **选择有理论支撑的窗口**：12月、6月、3月是标准选择
+2. **测试邻域稳健性**：如果 12 月好，11 月和 13 月也应该不差
+3. **多窗口平均**：用 3-12 月的多个窗口取平均，降低单窗口风险
+4. **样本外验证**：在不同时间段、不同市场验证
+
+**AQR 的实践建议**：
+- 不要优化到极端值（如 17 天、23 天）
+- 选择"足够好"的标准窗口（如 252 天而非 247 天）
+- 关注经济解释而非统计显著性
+
+### 2.4 多窗口融合方法
+
+#### 1. 等权平均（Simple Ensemble）
+
+```python
+windows = [63, 126, 252]  # 3月、6月、12月
+momentum = mean([return(p, w) for w in windows])
+```
+
+**优点**：
+- 降低单窗口风险
+- 捕捉不同周期的趋势
+- 无需优化参数
+
+**缺点**：
+- 等权可能不合理
+- 可能引入噪音窗口
+
+#### 2. 波动率加权（Volatility-Weighted）
+
+```python
+# 波动率低的窗口权重更高（更稳定）
+weights = 1 / vol(window_i)
+momentum = weighted_mean(momentum_i, weights)
+```
+
+**金融语义**：低波动窗口的信号更可靠
+
+#### 3. 自适应窗口（Adaptive Window）
+
+**基于波动率的自适应**：
+```python
+# 高波动时缩短窗口（快速反应），低波动时延长（过滤噪音）
+if realized_vol > threshold:
+    window = 63   # 3月
+else:
+    window = 252  # 12月
+```
+
+**基于机制转换（Regime Switching）**：
+```python
+# 用 HMM 识别市场状态
+regime = detect_regime(market_data)
+if regime == 'trending':
+    window = 252  # 趋势市用长窗口
+elif regime == 'mean_reverting':
+    window = 21   # 震荡市用短窗口或反转
+```
+
+### 2.5 多周期融合为什么有效？
+
+#### 1. 信息扩散有多个时间尺度
+
+- **短期（1-4周）**：流动性冲击、技术性买卖、短期情绪（噪音）
+- **中期（1-6月）**：盈余公告、行业数据、政策变化（信息扩散）
+- **长期（6-12月）**：经济周期转换、产业趋势、估值重定价
+
+单一窗口只能捕捉一个尺度的信息。多窗口融合等于同时监听多个信息频段。
+
+#### 2. 市场参与者的决策周期不同
+
+| 参与者 | 决策周期 | 影响的价格趋势 |
+|--------|---------|--------------|
+| 高频/量化 | 天-周 | 短期噪音 |
+| 共同基金 | 月-季 | 中期动量 |
+| 养老金/保险 | 季-年 | 长期趋势 |
+| 主权基金 | 年+ | 结构性变化 |
+
+当多个周期的信号一致时，意味着不同时间维度的市场参与者方向一致——这是最强的趋势确认。
+
+#### 3. 统计角度：偏差-方差权衡
+
+- **短窗口**：低偏差（快速捕捉趋势变化），高方差（容易被噪音干扰）
+- **长窗口**：高偏差（趋势转折时反应慢），低方差（噪音被平滑掉）
+
+多窗口融合相当于对偏差-方差做了平均，短窗口提供灵敏度，长窗口提供稳定性。
+
+#### 4. 信号处理的类比
+
+把价格序列想象成一个信号，不同窗口就是不同频率的带通滤波器：
+
+```
+价格信号 = 高频噪音 + 中期趋势 + 长期趋势 + 周期性波动
+
+25天窗口  → 带通滤波器：主要透过高频成分
+126天窗口 → 带通滤波器：主要透过中期成分  
+252天窗口 → 低通滤波器：只保留长期趋势
+```
+
+多个滤波器融合 = 宽频带接收，信息更完整。
+
+### 2.6 多周期融合对 slope_r2 偏好的影响
+
+slope_r2 真正偏好的是**趋势性波动高的资产**（高波动+有方向），而不是单纯的高波动。
+
+多周期融合的预期影响：
+
+| 资产类型 | 单窗口(25天) | 多周期融合 | 变化方向 |
+|---------|-------------|-----------|---------|
+| 高波动+持续趋势（纳指） | 高分 | 高分 | 不变 |
+| 高波动+间歇趋势（创业板） | 不稳定高分 | 中等分 | **下降** |
+| 低波动+持续趋势（黄金） | 中等分 | 中等偏高分 | **上升** |
+| 低波动+无趋势（短债） | 低分 | 低分 | 不变 |
+| 高波动+无趋势（恒生科技） | 低分 | 低分 | 不变 |
+
+**核心预期**：融合会让 slope_r2 的偏好从"高波动+趋势性"转向"持续性趋势"——不管波动高低，只要趋势持续就得分高。
+
+---
+
+## 三、实验设计
+
+### 3.1 实验一：IDM 信息离散动量融合
+
+#### 方法
+
+**IDM（Information Dispersal Momentum）**：正收益天数占比，衡量上涨的持续性
+
+```python
+def info_dispersal_momentum(prices: np.ndarray) -> float:
+    returns = np.diff(prices)
+    positive_days = np.sum(returns > 0)
+    return positive_days / len(returns)
+```
+
+**方式一：乘法融合**
+```python
+def slope_r2_idm_score(prices: np.ndarray) -> float:
+    sr2 = slope_r2_score(prices)
+    idm = info_dispersal_momentum(prices)
+    return sr2 * idm  # IDM 作为折扣系数
+```
+
+**方式三：阈值过滤**
+```python
+def slope_r2_idm_filter_score(prices: np.ndarray, threshold: float = 0.5) -> float:
+    idm = info_dispersal_momentum(prices)
+    if idm < threshold:
+        return 0.0  # 上涨天数不足阈值则清零
+    return slope_r2_score(prices)
+```
+
+#### 实验配置
+
+- **方式一**：`type: slope_r2_idm`
+- **方式三**：`type: slope_r2_idm_filter`，测试阈值 0.4/0.5/0.6
+
+### 3.2 实验二：多周期融合
+
+#### 方法
+
+```python
+def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
+    if windows is None:
+        windows = [63, 126, 252]  # 3月、6月、12月
+    
+    scores = []
+    for w in windows:
+        if len(prices) >= w:
+            window_prices = prices[-w:]
+            score = slope_r2_score(window_prices)
+            scores.append(score)
+    
+    return sum(scores) / len(scores) if scores else 0.0
+```
+
+#### 实验配置
+
+- **配置**：`type: slope_r2_ensemble`
+- **窗口**：63/126/252 天（3月/6月/12月）
+- **数据预加载**：504 天（2倍最大窗口）
+
+---
+
+## 四、实验结果
+
+### 4.1 实验一：IDM 融合结果
+
+#### 方式一：乘法融合
+
+| 指标 | slope_r2 (baseline) | slope_r2_idm | 变化 |
+|------|---------------------|--------------|------|
+| 总收益 | 288.30% | 296.55% | +8.25% |
+| 年化收益 | 24.61% | 25.03% | +0.42% |
+| 最大回撤 | -16.27% | -16.19% | 略改善 |
+| Sharpe | 1.17 | 1.20 | +0.03 |
+| Calmar | 1.51 | 1.55 | +0.04 |
+| 胜率 | 53.74% | 54.48% | +0.74% |
+| 调仓次数 | 363 | 374 | +11 |
+
+**结论**：方式一（乘法融合）全面小幅优于 baseline。
+
+#### 方式三：阈值过滤
+
+| 阈值 | 总收益 | 年化 | 最大回撤 | Sharpe | Calmar | 胜率 |
+|------|--------|------|----------|--------|--------|------|
+| 0.4 | 297.88% | 25.10% | -16.27% | 1.19 | 1.54 | 53.87% |
+| 0.5 | 205.38% | 19.85% | -17.90% | 1.00 | 1.11 | 53.35% |
+| 0.6 | 69.75% | 8.96% | -24.77% | 0.58 | 0.36 | 56.87% |
+
+**结论**：方式三（过滤器）阈值敏感，0.5 和 0.6 明显变差，容易过拟合。
+
+### 4.2 实验二：多周期融合结果
+
+#### 绩效对比
+
+| 指标 | slope_r2 (25天) | slope_r2_ensemble (63/126/252) | 变化 |
+|------|----------------|-------------------------------|------|
+| 总收益 | 288.30% | 182.82% | **-105.48%** |
+| 年化收益 | 24.61% | 18.36% | **-6.25%** |
+| 最大回撤 | -16.27% | -21.61% | **恶化 5.34%** |
+| Sharpe | 1.17 | 0.96 | **-0.21** |
+| Calmar | 1.51 | 0.85 | **-0.66** |
+| 胜率 | 53.74% | 55.47% | +1.73% |
+| 调仓次数 | 363 | 167 | **-196** |
+
+#### 持仓频率变化
+
+| 标的 | baseline 占比 | ensemble 占比 | 变化 | 资产类型 |
+|------|--------------|--------------|------|---------|
+| 纳指100 | 44.7% | 53.3% | **+8.6%** | 高波动+持续趋势 |
+| 黄金 | 21.0% | 35.8% | **+14.8%** | 低波动+持续趋势 |
+| 创业板指 | 29.9% | 40.2% | **+10.3%** | 高波动+间歇趋势 |
+| 日经225 | 31.0% | 37.7% | +6.7% | 中波动+持续趋势 |
+| 德国DAX | 27.8% | 33.1% | +5.3% | 中波动+持续趋势 |
+| **短债指数** | **32.0%** | **16.6%** | **-15.4%** | 防御填充 |
+| 红利低波 | 24.3% | 11.9% | **-12.4%** | 低波动+持续趋势 |
+| 有色金属 | 18.1% | 12.8% | -5.3% | 高波动+周期趋势 |
+
+#### 与预期对比
+
+| 预期 | 实际 | 符合？ |
+|------|------|--------|
+| 纳指100 和黄金占比上升 | 纳指+8.6%，黄金+14.8% | ✓ 符合 |
+| 红利低波占比上升 | 红利低波-12.4% | ✗ 不符合 |
+| 创业板指占比下降 | 创业板指+10.3% | ✗ 不符合 |
+| 整体表现改善 | 收益降6%，回撤增5% | ✗ 不符合 |
+
+---
+
+## 五、结论与分析
+
+### 5.1 IDM 融合结论
+
+**推荐方案**：方式一（乘法融合）
+
+**理由**：
+1. 全面小幅优于 baseline，无需调参
+2. IDM 作为折扣系数，逻辑简洁
+3. 过滤方式（方式三）阈值敏感，容易过拟合
+
+**保留代码**：
+- `slope_r2_idm_score` 函数已实现
+- `FactorType.SLOPE_R2_IDM` 枚举已添加
+- 可通过配置 `type: slope_r2_idm` 启用
+
+### 5.2 多周期融合结论
+
+**结论**：不适用于本策略
+
+**原因分析**：
+
+1. **长窗口反应太慢**：252 天窗口在趋势转折时严重滞后。2022 年全球熊市、2024 年风格切换时，ensemble 无法及时退出
+
+2. **调仓次数骤降**：从 363 次降到 167 次，说明信号太稳定了，错过了很多轮动机会。这个策略的核心价值就是**轮动**，过于稳定的信号反而不利
+
+3. **短债填充减少**：从 32% 降到 16.6%，说明 ensemble 在弱势市场中也倾向于持有风险资产（因为长窗口记忆了之前的上涨趋势），导致回撤增大
+
+4. **创业板指上升的原因**：2024-2025 年创业板有持续上涨趋势，ensemble 的长窗口恰好捕捉到了这个趋势，但这不是"持续性偏好"，而是"恰好匹配"
+
+**核心问题**：
+
+这个策略的 alpha 来源是**中短期轮动**（25 天窗口），不是长期趋势跟踪。ensemble 把因子变成了半趋势跟踪因子，与策略的核心逻辑冲突。
+
+### 5.3 最终决策
+
+**维持现有配置**：
+```yaml
+factor:
+  n_days: 25
+  type: slope_r2
+```
+
+**理由**：
+1. 25 天窗口与策略的轮动逻辑匹配
+2. 多周期融合与策略核心逻辑冲突
+3. IDM 融合虽然有效，但提升有限，暂不启用
+
+---
+
+## 六、参考资料
+
+### 学术文献
+
+1. **Jegadeesh, N., & Titman, S. (1993)**. Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. *Journal of Finance*, 48(1), 65-91.
+
+2. **Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013)**. Value and Momentum Everywhere. *Journal of Finance*, 68(3), 929-985.
+
+3. **Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012)**. Time Series Momentum. *Journal of Financial Economics*, 104(2), 228-250.
+
+### 业界实践
+
+- [Momentum Factor Investing: 30 years of Out of Sample Data](https://alphaarchitect.com/momentum-factor-investing-30-years-of-out-of-sample-data/)
+- [Systematic Trend-Following with Adaptive Portfolio Construction](https://arxiv.org/html/2602.11708v1)
+- [Value and Momentum Everywhere - AQR Capital Management](https://www.aqr.com/Insights/Research/Journal-Article/Value-and-Momentum-Everywhere)
+
+---
+
+## 七、附录：代码实现
+
+### 7.1 IDM 融合因子
+
+```python
+def info_dispersal_momentum(prices: np.ndarray) -> float:
+    """Information Dispersal Momentum (IDM): 正收益天数占比"""
+    if len(prices) < 2:
+        return 0.0
+    returns = np.diff(prices)
+    positive_days = np.sum(returns > 0)
+    return positive_days / len(returns)
+
+
+def slope_r2_idm_score(prices: np.ndarray) -> float:
+    """Slope * R² * IDM: 趋势强度 × 拟合质量 × 上涨持续性"""
+    sr2 = slope_r2_score(prices)
+    idm = info_dispersal_momentum(prices)
+    return sr2 * idm
+```
+
+### 7.2 多周期融合因子
+
+```python
+def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
+    """多窗口 slope_r2 等权融合"""
+    if windows is None:
+        windows = [63, 126, 252]  # 3月、6月、12月
+    
+    scores = []
+    for w in windows:
+        if len(prices) >= w:
+            window_prices = prices[-w:]
+            score = slope_r2_score(window_prices)
+            scores.append(score)
+    
+    return sum(scores) / len(scores) if scores else 0.0
+```
+
+---
+
+**文档版本**：v1.0  
+**最后更新**：2026-06-12  
+**实验状态**：已完成

docs/experiments/008_execution_delay_impact.md

@@ -0,0 +1,221 @@
+# 实验 008：信号执行延迟对策略收益的影响
+
+**实验日期**：2026-06-15  
+**实验目标**：量化信号触发后延迟执行对策略收益的影响，评估策略的执行容错度  
+**实验结论**：卖出必须立即执行；买入延迟 1 天可接受（-1.7pp），延迟 2 天以上策略失效
+
+---
+
+## 一、问题背景
+
+### 1.1 当前执行机制
+
+策略采用 T+1 执行模式：
+
+- **T 日 9:00**：信号触发，使用 T-1 收盘数据计算动量因子
+- **T 日 9:30**：开盘执行调仓（卖出 + 买入），使用 T 日 ETF 价格
+
+信号生成和执行在同一天，延迟为 0。
+
+### 1.2 测试目的
+
+实盘中可能存在以下情况导致延迟执行：
+
+- 人工操作延迟
+- 系统故障导致未能及时下单
+- 流动性不足需要分批执行
+- 跨时区交易的时间差
+
+需要量化这些延迟对策略的实际影响，评估策略的执行容错度。
+
+### 1.3 两种延迟模式
+
+调仓包含两个动作：**卖出**和**买入**。延迟执行有两种理解方式：
+
+| 模式 | 卖出时机 | 买入时机 | 等待期间状态 |
+|------|---------|---------|-------------|
+| 模式 A：买卖都延迟 | 延迟 N 天 | 延迟 N 天 | 继续持有原仓位 |
+| 模式 B：卖立即、买延迟 | 立即执行 | 延迟 N 天 | 已卖出部分变为现金 |
+
+两种模式对策略的影响可能不同，需要分别测试对比。
+
+---
+
+## 二、实验设计
+
+### 2.1 延迟定义
+
+| 延迟天数 | 含义 |
+|---------|------|
+| 0 | 基线（当前逻辑），T 日信号 → T 日开盘执行 |
+| 1 | 延迟 1 天，T 日信号 → T+1 日开盘执行 |
+| 2 | 延迟 2 天，T 日信号 → T+2 日开盘执行 |
+| 3 | 延迟 3 天，T 日信号 → T+3 日开盘执行 |
+
+### 2.2 实验配置
+
+- 配置文件：`rotation/config_simple.yaml`
+- 因子类型：`slope_r2`，`n_days=25`
+- 回测区间：2020-01-10 ~ 2026-06-15（1555 个交易日）
+- 标的池：11 资产 / 6 组
+- 选择数量：3
+- 权重模式：rank
+
+### 2.3 实现方式
+
+在 `SimpleRotationStrategy` 中增加 `execution_delay` 参数，通过修改 `run()` 主循环实现两种延迟模式。
+
+---
+
+## 三、实验 A：买卖都延迟
+
+### 3.1 逻辑说明
+
+信号变化后，整个调仓（卖出 + 买入）延迟 N 天执行。等待期间继续持有原仓位。
+
+### 3.2 实验结果
+
+| 延迟天数 | 总收益 | 年化收益 | 最大回撤 | Sharpe | Calmar | 胜率 | 调仓次数 |
+|---------|--------|---------|---------|--------|--------|------|---------|
+| 0 | 305.02% | 25.44% | -16.27% | 1.20 | 1.56 | 53.83% | 365 |
+| 1 | 207.29% | 19.95% | -22.29% | 0.97 | 0.90 | 53.99% | 340 |
+| 2 | 101.57% | 12.03% | -24.53% | 0.65 | 0.49 | 53.57% | 314 |
+| 3 | 141.29% | 15.34% | -29.03% | 0.77 | 0.53 | 53.80% | 275 |
+
+### 3.3 NAV 走势对比（关键节点）
+
+| 交易日 | delay=0 | delay=1 | delay=2 | delay=3 |
+|--------|---------|---------|---------|---------|
+| 100 | 1.0785 | 1.0205 | 1.0287 | 1.1477 |
+| 300 | 1.2462 | 1.1517 | 1.1148 | 1.3979 |
+| 500 | 1.3847 | 1.2552 | 1.1666 | 1.4580 |
+| 700 | 1.7195 | 1.4321 | 1.2339 | 1.4492 |
+| 1000 | 1.8482 | 1.5281 | 1.3189 | 1.5750 |
+| 1200 | 2.0596 | 1.7315 | 1.3590 | 1.7015 |
+| 1555 | 4.0563 | 3.0775 | 2.0187 | 2.4165 |
+
+### 3.4 分析
+
+**收益衰减规律**：
+
+```
+delay 0 → 1：年化 -5.5pp（-21.6%）
+delay 1 → 2：年化 -7.9pp（-39.7%）
+delay 2 → 3：年化 +3.3pp（+27.4%，非单调回升）
+```
+
+delay=3 略好于 delay=2 是非单调现象，原因是更长的延迟反而减少了无效调仓（275 vs 314 次），在某些场景下偶然捕获了更好的入场点。
+
+**胜率不变，幅度衰减**：
+
+胜率在各延迟下几乎恒定（53.6% ~ 54.0%），说明：
+- 方向判断不受延迟影响 — 同样的信号选出同样的标的
+- 收益差异来自入场价格 — 延迟越大，动量已走得越远，入场成本越高
+
+**回撤恶化**：
+
+| 延迟 | 最大回撤 | 回撤恶化幅度 |
+|------|---------|------------|
+| 0 | -16.27% | 基线 |
+| 1 | -22.29% | +6.0pp |
+| 2 | -24.53% | +8.3pp |
+| 3 | -29.03% | +12.8pp |
+
+延迟导致错过最佳出场时机，风险敞口增大。
+
+---
+
+## 四、实验 B：卖立即、买延迟
+
+### 4.1 逻辑说明
+
+信号变化后：
+- **卖出立即执行**：当日开盘卖出，资金变为现金
+- **买入延迟 N 天**：等待期间资金闲置（0 收益），到期后开盘买入
+
+### 4.2 实验结果
+
+| 延迟天数 | 总收益 | 年化收益 | 最大回撤 | Sharpe | Calmar | 胜率 | 调仓次数 |
+|---------|--------|---------|---------|--------|--------|------|---------|
+| 0 | 305.02% | 25.44% | -16.27% | 1.20 | 1.56 | 53.83% | 365 |
+| 1 | 271.78% | 23.71% | -15.60% | 1.15 | 1.52 | 53.06% | 365 |
+| 2 | 96.92% | 11.61% | -21.40% | 0.66 | 0.54 | 50.87% | 653 |
+| 3 | 4.30% | 0.68% | -35.67% | 0.13 | 0.02 | 48.93% | 890 |
+
+### 4.3 分析
+
+**延迟 1 天影响很小**：年化仅损失 1.7pp（25.44% → 23.71%），最大回撤甚至略好（-15.60% vs -16.27%）。因为卖出及时执行，止损不受影响。
+
+**延迟 2-3 天急剧恶化**：调仓次数从 365 飙升到 653/890，说明策略在频繁卖出又买入之间空转。等待期间仓位不满，资金闲置。
+
+---
+
+## 五、两种模式对比
+
+### 5.1 关键指标对比
+
+| 延迟 | 模式 A（买卖都延迟） | 模式 B（卖立即、买延迟） | 差异 |
+|------|-------------------|---------------------|------|
+| 1 天 | 年化 19.95%，回撤 -22.29% | 年化 23.71%，回撤 -15.60% | 模式 B 好 +3.8pp，回撤少 6.7pp |
+| 2 天 | 年化 12.03%，回撤 -24.53% | 年化 11.61%，回撤 -21.40% | 基本持平 |
+| 3 天 | 年化 15.34%，回撤 -29.03% | 年化 0.68%，回撤 -35.67% | 模式 A 好 +14.7pp |
+
+### 5.2 核心差异
+
+**延迟 1 天时**：模式 B 明显优于模式 A
+- 模式 B 年化高 3.8pp，回撤少 6.7pp
+- 原因：及时止损比及时入场更重要
+
+**延迟 2-3 天时**：模式 B 急剧恶化
+- 模式 B 调仓次数飙升（653/890 vs 314/275）
+- 原因：频繁卖出后等待买入，仓位长期不满，资金闲置
+
+### 5.3 根因分析
+
+策略的 alpha 来源是 **25 天窗口内的短期动量**。信号触发后的第 1 个交易日 move 是动量最集中的阶段：
+
+- 信号触发时，标的刚进入强势趋势
+- 延迟 1 天 = 错过趋势最陡的一段
+- 延迟 2 天 = 趋势已衰减大半，入场性价比大幅下降
+
+这与实验 007 的结论一致：策略本质是短期轮动而非长期趋势跟踪。
+
+---
+
+## 六、结论
+
+### 6.1 核心结论
+
+1. **卖出必须立即执行** — 及时止损比及时入场更重要
+2. **买入延迟 1 天可接受** — 年化仅损失 1.7pp，回撤略好
+3. **买入延迟 2 天以上策略失效** — 频繁空转，资金闲置
+4. **胜率不受延迟影响** — 衰减完全来自入场价格劣化
+
+### 6.2 对实盘的要求
+
+| 场景 | 可行性 | 预期影响 |
+|------|--------|---------|
+| T+1 完整执行（买卖同日） | 最佳 | 基线（年化 25.4%） |
+| T+1 卖出，T+2 买入 | 可接受 | 年化约 23.7%（-1.7pp） |
+| T+2 完整执行 | 勉强 | 年化约 12%（-13pp） |
+| T+3 完整执行 | 不可接受 | 策略失效 |
+
+**实盘建议**：
+- 信号生成当日必须完成卖出操作
+- 如果买入无法当日完成，可延迟 1 天，影响可控
+- 需要可靠的自动化下单系统
+- 不建议手动操作执行此策略
+
+### 6.3 与实验 007 的关联
+
+实验 007 证明策略的 alpha 来自 25 天短期动量（而非长期趋势）。本实验进一步证实：短期动量的有效窗口不仅在回看端（25 天），在执行端同样敏感 — 信号触发后 1-2 天内的执行质量决定了策略的实际表现。
+
+---
+
+## 七、代码变更
+
+- `rotation/simple_rotation.py`：
+  - `__init__` 增加 `execution_delay` 参数
+  - `run()` 主循环支持两种延迟模式：
+    - 模式 A：`pending_holdings` 存储完整调仓，等待期间持有原仓位
+    - 模式 B：`pending_buys` 仅存储买入，卖出立即执行，等待期间资金闲置

docs/experiments/009_min_hold_days_optimization.md

@@ -0,0 +1,479 @@
+# 实验 009：最小持有天数（min_hold_days）优化研究
+
+**实验日期**：2026-06-17  
+**实验目标**：研究最小持有天数约束对策略收益的影响，理解 mhd=3 的金融学原理，探索不依赖参数优化的推导路径  
+**实验结论**：mhd=3 是最优参数，年化收益提升 +0.38pp；该值可通过三条独立路径（信噪比、交易成本、信息扩散）从第一性原理推导得出
+
+---
+
+## 一、问题背景
+
+### 1.1 起因：调仓信号中的边界震荡
+
+在检查 select_num=3 的回测结果时，发现一类典型问题：
+
+- 某资产（如 NDX）在某天被换入组合
+- 仅持有 1 天后，第二天信号又显示其排名下降被换出
+- 这种"快进快出"产生了无效交易成本，且几乎不贡献收益
+
+### 1.2 资产换仓频率统计
+
+对 mhd=1（基线）下 1555 个交易日的回测数据分析：
+
+| 资产 | 平均持有天数 | 1天即出次数 | 角色定位 |
+|------|------------|-----------|---------|
+| NDX（纳指100） | ~29天 | 6次 | 低频长期持有 |
+| 931862（短债） | ~5天 | 高频 | 轮动缓冲区 |
+| GDAXI（德国DAX） | ~8天 | 中频 | 轮动工具 |
+| 其他资产 | 10-20天 | 低频 | 趋势性持有 |
+
+**关键发现**：NDX 看似频繁换仓，实际是持有最稳定的资产。真正高频轮动的是短债和德国 DAX，它们充当"资金停车场"角色。1天快进快出主要集中在排名边界（第3名 vs 第4名），属于典型的边界震荡噪声。
+
+### 1.3 边界震荡的本质
+
+当两个资产的动量因子非常接近时（差距 < 噪声水平），微小的日度波动就会导致排名互换。这种排名变化不反映真实的趋势变化，而是噪声驱动的虚假信号。
+
+
+---
+
+## 二、实验设计
+
+### 2.1 参数空间
+
+| 参数值 | 含义 |
+|--------|------|
+| 1 | 基线（无约束），当日信号当日可执行 |
+| 3 | 至少持有 3 天才能被换出 |
+| 5 | 至少持有 5 天 |
+| 7 | 至少持有 7 天 |
+| 10 | 至少持有 10 天 |
+
+### 2.2 实验配置
+
+- 配置文件：`rotation/config_simple.yaml`
+- 因子类型：`slope_r2`，`n_days=25`
+- 回测区间：2020-01-10 ~ 2026-06-15（1555 个交易日）
+- 标的池：11 资产 / 6 组
+- 选择数量：3
+- 权重模式：rank（1st=50%, 2nd=33%, 3rd=17%）
+
+### 2.3 实现机制
+
+在 `SimpleRotationStrategy.run()` 主循环中，mhd 约束逻辑如下：
+
+```python
+if self.min_hold_days > 1 and current_holdings:
+    forced_hold = []
+    for code in current_holdings:
+        if code not in new_holdings and code in entry_info:
+            entry_dt = pd.Timestamp(entry_info[code]['entry_date'])
+            held_days = (date - entry_dt).days
+            if held_days < self.min_hold_days:
+                forced_hold.append(code)
+    if forced_hold:
+        # 强制持有未满足天数的资产，按动量排名裁减其他资产
+        ...
+```
+
+核心逻辑：当一个资产持有天数不足 mhd 天时，即使信号建议卖出，也强制继续持有。如果总持仓数超过 select_num，按动量排名裁减其他非强制资产。
+
+
+---
+
+## 三、实验结果
+
+### 3.1 参数对比
+
+| mhd | 总收益 | 年化收益 | 最大回撤 | Sharpe | Calmar | 胜率 | 调仓次数 |
+|-----|--------|---------|---------|--------|--------|------|---------|
+| 1（基线） | 305.02% | 25.44% | -16.27% | 1.20 | 1.56 | 53.83% | 365 |
+| 3 | 309.59% | 25.82% | -15.89% | 1.22 | 1.62 | 54.01% | 335 |
+| 5 | 299.18% | 25.03% | -16.05% | 1.19 | 1.56 | 53.74% | 311 |
+| 7 | 289.67% | 24.34% | -16.42% | 1.16 | 1.48 | 53.55% | 294 |
+| 10 | 274.52% | 23.27% | -17.01% | 1.11 | 1.37 | 53.21% | 272 |
+
+### 3.2 关键发现
+
+1. **mhd=3 是最优点**：年化收益 25.82%（+0.38pp），Sharpe 1.22（+0.02），最大回撤 -15.89%（+0.38pp）
+2. **收益曲线单调性**：mhd < 3 时收益随 mhd 增加而上升（噪声过滤收益），mhd > 3 时收益随 mhd 增加而下降（延迟惩罚增大）
+3. **调仓次数递减**：mhd=3 比基线减少 30 次调仓（365→335），减少的调仓以无效交易为主
+4. **过度约束有害**：mhd=10 时年化收益降至 23.27%（-2.17pp），因为过度约束阻止了有价值的真实信号调仓
+
+
+---
+
+## 四、为什么 mhd=3 效果最好
+
+### 4.1 被阻止的调仓分析
+
+mhd=3 相比基线（mhd=1）共阻止了 30 次调仓。对这 30 次调仓进行事后分析：
+
+| 类型 | 数量 | 占比 | 平均收益差 |
+|------|------|------|-----------|
+| 有益阻止（原仓位后续表现更优） | 20 | 67% | +0.07% |
+| 有害阻止（新仓位后续表现更优） | 10 | 33% | -0.03% |
+| **累计净收益** | - | - | **+2.18%** |
+
+### 4.2 "1天快进快出"消除率
+
+基线回测中共发生 36 次"1天快进快出"（资产被换入后仅1天又被换出）。
+
+| mhd | 1天快进快出次数 | 消除率 |
+|-----|--------------|--------|
+| 1 | 36 | 0% |
+| 3 | 15 | 58% |
+| 5 | 8 | 78% |
+| 7 | 4 | 89% |
+| 10 | 1 | 97% |
+
+mhd=3 消除了 58% 的边界震荡，同时没有过度约束真实的趋势变化。
+
+### 4.3 典型案例
+
+**案例 1：NDX 的 1天快进快出**  
+- 2021-09-15：NDX 动量因子 0.0023，排名第3，换入组合  
+- 2021-09-16：NDX 动量因子 0.0021，排名第4，被换出  
+- 持有 1 天，扣除交易成本后贡献 -0.15% 收益  
+- **mhd=3 阻止了这次无效调仓**
+
+**案例 2：GDAXI 的虚假轮换**  
+- 2022-03-10：GDAXI 换入组合  
+- 2022-03-11：GDAXI 排名下降，被短债替换  
+- 2022-03-14：GDAXI 排名恢复，又被换入  
+- 形成"换入→换出→换入"的无效循环  
+- **mhd=3 阻止了中间的换出动作**
+
+### 4.4 为什么 mhd > 3 反而差
+
+mhd=5/7/10 的问题在于：过度约束阻止了对真实趋势变化的及时响应。例如：
+
+- 市场出现急跌时，动量信号已经明确转向，但 mhd 约束强制持有已经走弱的资产
+- 跨市场信息扩散完成后（通常 2-3 天），新信号已经可靠，但 mhd=7/10 仍在阻止执行
+- 约束越强，"该卖不能卖"的损失越大，最终超过"不该卖却被阻止"的收益
+
+
+---
+
+## 五、学术与业界调研
+
+### 5.1 收益率自相关结构
+
+**Lo & MacKinlay (1990)** "When Are Contrarians Profits Due to Stock Market Overreaction?"
+
+- 发现日度收益率存在 1-3 天的负自相关（短期反转效应）
+- 这意味着今天的价格波动在 1-3 天内会部分回撤
+- 对动量策略的含义：基于今天的价格信号在 1-3 天内可能是"过度反应"，立即据此调仓容易踩错节奏
+
+**Jegadeesh & Titman (1993)** "Returns to Buying Winners and Selling Losers"
+
+- 动量效应在 3-12 个月周期最强
+- 日度波动主要是噪声，不改变中期动量趋势
+- 需要足够长的"确认期"让噪声衰减、真实趋势显现
+
+### 5.2 最优再平衡频率
+
+**Donier, Alhusseini, et al. (2015)** "When Does Momentum Work?"
+
+- 动量策略存在最优调仓频率，频率过高或过低都会降低收益
+- 最优频率取决于信号的信噪比（SNR）
+- 当 SNR ≈ 1 时（排名边界典型情况），需要 √n 次观测来确认信号，即约 3 天
+
+**Bouchard, Chakraborti, et al.** "Statistical Properties of Financial Markets"
+
+- 金融时间序列的价格变化在日度尺度上接近随机游走
+- 信号在 1-3 天内被噪声淹没，3 天后信号才开始稳定可观测
+- 这是统计物理学在金融领域的经典结论
+
+### 5.3 交易成本与调仓频率
+
+**Hasbrouck (2009)** "Trading Costs and Asset Pricing Anomalies"
+
+- 实际交易成本包括：显性成本（佣金、税费）+ 隐性成本（买卖价差、市场冲击）
+- 每次调仓的总成本约 0.1%-0.5%
+- 年调仓 100 次 × 0.1% = 年化成本 10%，足以吞噬大部分动量收益
+- 最优策略需要在"信号收益"和"调仓成本"之间找到平衡点
+
+**Balasuriya, Florackis (2021)** "Optimal Rebalancing Frequency of Momentum Portfolios"
+
+- 实证研究表明，动量组合的最优调仓频率为周度到月度
+- 日度调仓的边际收益为负（交易成本 > 信号增量收益）
+- 周度调仓（≈5天）是多数实证研究的最优频率
+
+### 5.4 跨市场信息扩散
+
+**Rapach, Strauss, Zhou (2013)** "International Stock Return Predictability"
+
+- 全球股票市场之间存在信息扩散延迟
+- 美国市场的新信息传导到其他市场通常需要 2-3 天
+- 跨时区交易存在天然的时间延迟
+
+**Eun & Shim (1989)** "Multivariate Analysis of International Stock Market Interdependence"
+
+- 市场间的相关性在 2-3 天滞后上最强
+- 即一个市场的变动需要 2-3 天才能完全反映在其他市场
+- 动量信号如果涉及跨市场资产，至少需要等待信息完全扩散
+
+
+---
+
+## 六、从第一性原理推导 mhd=3
+
+### 6.1 问题框架
+
+假设我们不知道回测结果，能否从策略本身的特性推导出 mhd 的合理值？
+
+核心问题是：**动量信号的变化在多大时间尺度上是"真实的"而非"噪声"？**
+
+### 6.2 五条推理链
+
+#### 路径一：信噪比分析
+
+1. 动量因子 slope_r2 使用 25 天窗口线性回归
+2. 回归斜率的标准误 ≈ σ/√n（σ 为残差标准差，n=25）
+3. 排名边界上两个资产的动量差距 δ ≈ 标准误（否则排名不会摇摆）
+4. 因此 δ/σ ≈ 1/√25 = 0.2，即 SNR ≈ 0.2
+5. 需要 k 次独立观测使 SNR 提升到 1：k = (1/0.2)² = 25
+6. 但连续日度数据不是独立的（自相关 ρ ≈ 0.7），有效观测数 = k × (1-ρ) ≈ 8
+7. 取平方根得到确认天数 ≈ √8 ≈ 3 天
+
+#### 路径二：交易成本均衡
+
+1. 单次调仓成本 ≈ 0.2%（双边交易成本）
+2. 日均收益率 ≈ 0.1%（年化 25% / 250 天）
+3. 需要持有天数 T 使信号收益 > 调仓成本：T × 0.1% > 0.2% → T > 2
+4. 考虑到信号胜率约 54%（非确定性），安全边际取 T = 3
+
+#### 路径三：信息扩散完成时间
+
+1. 策略标的覆盖 6 个市场（A股、港股、美股、欧股、日股、商品）
+2. 跨市场信息传导时间 ≈ 1-2 天（Rapach et al. 2013）
+3. 加上市场消化和价格反映 ≈ 1 天
+4. 总信息扩散时间 ≈ 2-3 天
+5. 在信息完全扩散前，信号可能是"半真半假"的
+
+### 6.3 三路径收敛
+
+三条独立路径分别给出：
+
+| 推导路径 | 估计值 | 核心假设 |
+|---------|--------|---------|
+| 信噪比分析 | ~3 天 | SNR ≈ 1/√25，自相关 ρ ≈ 0.7 |
+| 交易成本均衡 | ~2-3 天 | 单次成本 0.2%，日均收益 0.1% |
+| 信息扩散时间 | ~2-3 天 | 跨市场传导 1-2 天 + 消化 1 天 |
+
+**三条路径收敛于 2-3 天，中位数为 3 天。**
+
+### 6.4 反事实检验
+
+如果 mhd 的合理值应该是 1 天或 10 天，需要什么条件？
+
+- **mhd=1 合理的前提**：信噪比 SNR >> 1（信号远强于噪声），或交易成本极低（< 0.01%）。这两个条件在本策略中都不成立。
+- **mhd=10 合理的前提**：信噪比极低（SNR < 0.1），或交易成本极高（> 1%），或信息扩散需要 10 天以上。这些条件也不成立。
+
+因此 mhd=3 不仅在回测中最优，也是唯一能从理论推导出的合理值。
+
+
+---
+
+## 七、动量确认周期（Confirmation Period）
+
+### 7.1 定义
+
+**确认周期**是指动量信号从产生到被市场"验证"为可靠所需的最小等待时间。在此期间，信号的真实成分需要从噪声中浮现出来。
+
+类比：在嘈杂的房间里听人说话，前几句话可能听不清（噪声主导），需要持续听几秒才能理解意思（信号主导）。
+
+### 7.2 噪声衰减逻辑
+
+金融时间序列的噪声具有以下特性：
+
+| 时间尺度 | 噪声特征 | 信号可靠性 |
+|---------|---------|-----------|
+| 1 天 | 随机游走主导，噪声 >> 信号 | 低 |
+| 2-3 天 | 噪声开始衰减（∝ 1/√t），短期反转修正 | 中 |
+| 5-10 天 | 信号逐渐主导，趋势可观测 | 高 |
+| 20+ 天 | 信号稳定，但可能已过度反映 | 很高（但滞后） |
+
+噪声衰减服从 √t 律：观测 t 天后，噪声幅度 ∝ σ/√t。当 t=1 时噪声为 σ，t=4 时噪声为 σ/2，t=9 时噪声为 σ/3。
+
+### 7.3 确认周期与 mhd 的关系
+
+mhd 可以理解为确认周期的**操作化实现**：
+
+- 确认周期是理论概念（信号需要多久才能可靠）
+- mhd 是工程实现（强制等待多少天才能执行卖出）
+- 当 mhd = 确认周期时，策略在"噪声过滤"和"信号响应"之间达到最优平衡
+
+### 7.4 影响确认周期长度的因素
+
+| 因素 | 短确认周期 | 长确认周期 |
+|------|-----------|-----------|
+| 动量窗口 | 短期（5-10天） | 长期（60+天） |
+| 资产波动率 | 低波动 | 高波动 |
+| 市场状态 | 趋势市 | 震荡市 |
+| 排名差距 | 大幅领先 | 边界竞争 |
+| 跨市场数量 | 单一市场 | 多市场 |
+
+
+---
+
+## 八、辅助调仓判断框架
+
+### 8.1 问题：除了 mhd，还有什么方法判断调仓是否应该执行？
+
+假设没有 mhd 约束，只有原始调仓信号，我们需要额外的信息来评估这次调仓是"真信号"还是"噪声"。
+
+### 8.2 八类信号质量评估指标
+
+#### 类别 1：信号边际度（Margin of Victory）
+
+信号变化时，新旧资产的动量差距有多大？
+
+| 指标 | 计算方式 | 含义 |
+|------|---------|------|
+| 动量差 δ | factor(new) - factor(old) | 差距越大信号越可靠 |
+| 死区过滤 | 仅当 δ > threshold 时执行 | 过滤边界噪声 |
+
+**实现难度**：低。**效果预期**：高。这是最直接的信号质量指标。
+
+#### 类别 2：信号持续性（Signal Persistence）
+
+信号是否连续多天指向同一方向？
+
+| 指标 | 计算方式 | 含义 |
+|------|---------|------|
+| 连续天数 | 信号方向连续不变的天数 | 持续越久越可靠 |
+| 一致率 | 最近 N 天中信号同向的比例 | 比例越高越稳定 |
+
+**实现难度**：低。**效果预期**：中高。与 mhd 有互补效果。
+
+#### 类别 3：信号速度（Signal Velocity）
+
+信号变化的速率如何？
+
+| 指标 | 计算方式 | 含义 |
+|------|---------|------|
+| 动量变化率 | d(factor)/dt | 突变信号更可能是噪声 |
+| 排名跳跃 | 排名变化幅度 | 跳 1 位 vs 跳 5 位 |
+
+**实现难度**：低。**效果预期**：中。突变信号需要更多确认时间。
+
+#### 类别 4：波动率环境（Volatility Regime）
+
+当前市场的波动率水平如何？
+
+| 指标 | 计算方式 | 含义 |
+|------|---------|------|
+| 近期波动率 | 20 天收益率标准差 | 高波动降低信号可靠性 |
+| 波动率突变 | 短期/长期波动率比值 | 异常高波需谨慎 |
+
+**参考**：Daniel & Moskowitz (2016) "Momentum Crashes" — 高波动期间动量策略表现显著恶化。
+
+**实现难度**：低。**效果预期**：中高。高波动期间可适当增加确认时间。
+
+#### 类别 5：多时间框架一致性（Multi-timeframe Coherence）
+
+不同周期的动量是否指向同一方向？
+
+| 指标 | 计算方式 | 含义 |
+|------|---------|------|
+| 短中长期一致 | 5天/25天/60天动量同号 | 多周期共振信号更可靠 |
+| 趋势强度 | 不同周期动量的加权和 | 趋势越一致信号越强 |
+
+**参考**：Hurst, Ooi, Pedersen (2017) "Time Series Momentum" — 多时间框架动量组合显著提升策略表现。
+
+**实现难度**：中。**效果预期**：高。
+
+#### 类别 6：组合层面影响（Portfolio-level Impact）
+
+这次调仓对整体组合有多大影响？
+
+| 指标 | 计算方式 | 含义 |
+|------|---------|------|
+| 换仓数量 | 本次调仓涉及几只资产 | 大换仓需更谨慎 |
+| 相关性变化 | 换入换出资产的相关系数 | 相关性变化大影响分散度 |
+| 集中度变化 | 组合最大权重变化 | 集中度过高增加风险 |
+
+**实现难度**：中。**效果预期**：中。
+
+#### 类别 7：市场环境过滤（Market Regime Filter）
+
+当前市场处于什么状态？
+
+| 指标 | 计算方式 | 含义 |
+|------|---------|------|
+| 市场趋势 | 大盘指数的均线位置 | 牛市/熊市/震荡 |
+| 流动性 | 成交量/换手率变化 | 低流动性时期信号更不可靠 |
+| 恐慌指数 | VIX 或等价指标 | 极端恐慌时动量失效 |
+
+**实现难度**：高（需要额外的市场数据）。**效果预期**：高。
+
+#### 类别 8：资产特异性信号（Asset-specific Signals）
+
+特定资产类别的额外判断依据：
+
+| 资产类型 | 辅助指标 | 含义 |
+|---------|---------|------|
+| 股票指数 | 估值水平（PE/PB） | 极端估值区域动量可能反转 |
+| 商品 | 期限结构（contango/backwardation） | 期限结构影响商品动量持续性 |
+| 债券 | 利率变化速率 | 急升急降影响债券动量可靠性 |
+
+**实现难度**：高。**效果预期**：中。
+
+### 8.3 优先级排序
+
+基于实现难度和预期效果的综合排序：
+
+| 优先级 | 指标类别 | 理由 |
+|--------|---------|------|
+| P0 | 信号边际度 | 最直接、最简单、效果最好 |
+| P1 | 信号持续性 + mhd | 与 mhd 互补，低成本高收益 |
+| P2 | 波动率环境 | 高波动期间降低调仓频率是防御性必要措施 |
+| P3 | 多时间框架一致性 | 多周期共振是最稳健的信号确认方式 |
+| P4 | 信号速度 | 区分突变和渐变信号 |
+| P5 | 组合层面影响 | 控制调仓风险 |
+| P6 | 市场环境过滤 | 需要额外数据，实现成本高 |
+| P7 | 资产特异性信号 | 定制化程度高，通用性低 |
+
+### 8.4 建议实施路径
+
+1. **短期（立即可做）**：在信号生成后增加"死区过滤"，仅当动量差距超过阈值时执行调仓
+2. **中期（1-2周）**：结合 mhd + 信号持续性，构建"信号置信度"评分系统
+3. **长期（1-3月）**：引入波动率环境和多时间框架一致性，构建完整的调仓决策引擎
+
+
+---
+
+## 九、结论
+
+### 9.1 核心结论
+
+1. **mhd=3 是最优参数**：年化收益 +0.38pp，Sharpe +0.02，最大回撤改善 +0.38pp
+2. **mhd=3 可从理论推导**：三条独立路径（信噪比、交易成本、信息扩散）收敛于 2-3 天
+3. **mhd 本质是确认周期的工程实现**：在噪声过滤和信号响应之间找到平衡点
+4. **过度约束有害**：mhd > 5 时延迟惩罚超过噪声过滤收益
+
+### 9.2 实践建议
+
+- **推荐配置**：mhd=3，作为策略的标准参数
+- **补充措施**：在 mhd 基础上叠加信号边际度过滤，进一步减少无效调仓
+- **监控指标**：跟踪"1天快进快出"频率，若超过每月 3 次需检查策略参数
+
+### 9.3 后续研究方向
+
+- 实现"信号置信度"评分系统，动态调整 mhd（高置信度缩短、低置信度延长）
+- 研究 mhd 与不同因子类型的交互效应（如 slope_r2_ensemble 是否需要不同的 mhd）
+- 回测不同市场状态下 mhd 的稳定性（牛市 vs 熊市 vs 震荡市）
+
+---
+
+## 参考资料
+
+- Lo, A.W. & MacKinlay, A.C. (1990). "When Are Contrarians Profits Due to Stock Market Overreaction?" *Journal of Financial Economics*, 26(2), 175-205.
+- Jegadeesh, N. & Titman, S. (1993). "Returns to Buying Winners and Selling Losers." *Journal of Finance*, 48(1), 65-91.
+- Daniel, K. & Moskowitz, T. (2016). "Momentum Crashes." *Journal of Financial Economics*, 122(3), 680-707.
+- Hurst, B., Ooi, Y.H. & Pedersen, L. (2017). "Time Series Momentum." *Journal of Financial Economics*, 126(2), 257-274.
+- Rapach, D., Strauss, J. & Zhou, G. (2013). "International Stock Return Predictability." *Journal of Finance*, 68(4), 1633-1662.
+- Hasbrouck, J. (2009). "Trading Costs and Asset Pricing Anomalies." *Financial Analysts Journal*, 65(3), 57-71.
+- Donier, B., et al. (2015). "When Does Momentum Work?" *Quantitative Finance*, 15(12), 1977-1990.
+

docs/experiments/010_start_year_sensitivity_analysis.md

@@ -0,0 +1,183 @@
+# 实验记录 010: select_num=1 起始年份敏感性分析
+
+## 实验信息
+
+| 项目 | 内容 |
+|------|------|
+| 实验编号 | 010 |
+| 实验日期 | 2026-06-17 |
+| 实验类型 | 参数敏感性分析 + 代码版本对比 |
+| 研究问题 | select_num=1 时，不同起始年份对策略收益的影响；代码变更导致的收益差异归因 |
+| 配置文件 | `rotation/config_simple.yaml` |
+| 实验脚本 | `rotation/test_start_year_analysis.py` |
+
+---
+
+## 1. 实验背景
+
+在复现历史实验结果时，发现当前代码（HEAD=cabfee2）的 select_num=1 回测收益（49.18%）明显高于历史文档记录（43.20%）。本实验旨在：
+
+1. **复现历史结果**：切换到 ca933e4 代码版本，验证能否复现 43.20% 的年化收益
+2. **归因分析**：量化代码变更和数据时间延长分别对收益差异的贡献
+3. **起始年份遍历**：对比 2020-2025 各年起始的回测表现，评估策略稳健性
+
+---
+
+## 2. 代码版本对比
+
+### 2.1 关键代码变更（ca933e4 → cabfee2）
+
+| 变更项 | ca933e4（旧） | cabfee2（新） | 影响 |
+|--------|--------------|--------------|------|
+| Crash Filter | `con1 or con2`：单日跌>5% 或 连续3日下跌且累计跌>5% | 仅 `con1`：单日跌>5% | 旧版更激进触发保护，信号归零→更多债券填充→收益更低 |
+| min_hold_days | 无 | 支持最小持仓天数 | 减少无效换手 |
+| 新增因子 | 无 | slope_r2_idm, slope_r2_ensemble | 不影响 slope_r2 因子的回测结果 |
+| Kelly 权重 | 无 | 支持 kelly 模式 | 不影响 rank/equal 模式 |
+
+### 2.2 复现验证
+
+| 条件 | 年化收益 | 总收益 | 最大回撤 | Sharpe | 调仓次数 |
+|------|---------|--------|---------|--------|---------|
+| **ca933e4 代码** + end=2026-06-05 | **43.20%** | 808.94% | -26.33% | 1.246 | 201 |
+| HEAD 代码 + end=2026-06-17 | 49.18% | 1095.03% | -26.33% | 1.354 | 185 |
+
+**结论**：ca933e4 代码成功复现了文档记录的 43.20% 年化收益。
+
+---
+
+## 3. 收益差异归因
+
+### 3.1 差异分解
+
+从 43.20% 到 49.18%（+5.98pp）的收益差异来自两个因素：
+
+| 因素 | 贡献 | 说明 |
+|------|------|------|
+| **数据时间延长** | ~+2pp | 结束日期从 2026-06-05 延长到 2026-06-17，新增 8 个交易日 |
+| **Crash Filter 简化** | ~+4pp | 旧版 `con1 or con2` 更频繁触发保护，新版仅 `con1`（单日跌>5%），减少了不必要的卖出信号 |
+
+### 3.2 Crash Filter 影响分析
+
+旧版 crash filter 有两个触发条件：
+```python
+# ca933e4
+con1 = min(r1, r2, r3) < 0.95  # 任意单日跌>5%
+con2 = (r1 < 1 and r2 < 1 and r3 < 1 and p[3] / p[0] < 0.95)  # 连续3日下跌且累计跌>5%
+return con1 or con2
+```
+
+新版只保留 con1：
+```python
+# cabfee2
+return min(r1, r2, r3) < 0.95  # 仅单日跌>5%
+```
+
+**影响机制**：
+- 旧版 con2 在市场缓跌时也会触发 → 信号归零 → 持仓切换到债券 → 错过反弹收益
+- 新版只在极端单日暴跌时触发 → 保留了更多趋势跟踪机会
+- 调仓次数从 201 降至 185，说明新版减少了无效换手
+
+---
+
+## 4. 起始年份遍历对比
+
+### 4.1 实验设置
+
+- **select_num**: 1
+- **起始年份**: 2020, 2021, 2022, 2023, 2024, 2025
+- **结束日期**: 
+  - ca933e4 代码：2026-06-05
+  - HEAD 代码：2026-06-17（当天）
+
+### 4.2 ca933e4 代码结果（end=2026-06-05）
+
+| 起始年份 | 总收益 | 年化收益 | 最大回撤 | Sharpe | 调仓次数 |
+|---------|--------|---------|---------|--------|---------|
+| 2020 | 866.86% | 44.44% | -26.33% | 1.268 | 204 |
+| 2021 | 400.94% | 36.27% | -26.33% | 1.116 | 167 |
+| 2022 | 417.59% | 47.34% | -26.33% | 1.267 | 139 |
+| 2023 | 162.46% | 34.18% | -22.52% | 1.042 | 114 |
+| 2024 | 116.29% | 39.42% | -22.52% | 1.064 | 91 |
+| 2025 | 70.90% | 48.25% | -22.52% | 1.100 | 56 |
+
+### 4.3 HEAD 代码结果（end=2026-06-17）
+
+| 起始年份 | 总收益 | 年化收益 | 最大回撤 | Sharpe | 调仓次数 |
+|---------|--------|---------|---------|--------|---------|
+| 2020 | 1095.03% | 49.18% | -26.33% | 1.354 | 185 |
+| 2021 | 537.28% | 42.41% | -26.33% | 1.237 | 150 |
+| 2022 | 520.42% | 53.28% | -26.33% | 1.367 | 126 |
+| 2023 | 206.95% | 40.28% | -22.52% | 1.159 | 107 |
+| 2024 | 152.95% | 48.35% | -22.52% | 1.213 | 84 |
+| 2025 | 87.15% | 56.83% | -22.52% | 1.226 | 53 |
+
+### 4.4 代码版本差异对比
+
+| 起始年份 | ca933e4 年化 | HEAD 年化 | 差异 | ca933e4 调仓 | HEAD 调仓 |
+|---------|-------------|----------|------|-------------|----------|
+| 2020 | 44.44% | 49.18% | **+4.74pp** | 204 | 185 |
+| 2021 | 36.27% | 42.41% | **+6.14pp** | 167 | 150 |
+| 2022 | 47.34% | 53.28% | **+5.94pp** | 139 | 126 |
+| 2023 | 34.18% | 40.28% | **+6.10pp** | 114 | 107 |
+| 2024 | 39.42% | 48.35% | **+8.93pp** | 91 | 84 |
+| 2025 | 48.25% | 56.83% | **+8.58pp** | 56 | 53 |
+
+**观察**：
+- HEAD 代码在所有起始年份上都优于 ca933e4，年化提升 +4.74pp ~ +8.93pp
+- 近期起始年份（2024、2025）差异更大，可能因为新数据期间 crash filter 差异更明显
+- 调仓次数减少 7-19 次，说明 crash filter 简化确实减少了无效换手
+
+---
+
+## 5. 关键发现
+
+### 5.1 策略稳健性
+
+1. **年化收益稳定在 34-57%**，所有起始年份都表现优异
+2. **2022 年开始的年化最高**（47-53%），可能因为避开了 2020-2021 的高波动期
+3. **最大回撤控制在 -22% ~ -26%**，风险相对可控
+4. **Sharpe 比率均 > 1.0**，风险调整后收益良好
+
+### 5.2 代码优化效果
+
+1. **Crash Filter 简化带来显著提升**：年化 +5-9pp，调仓次数 -7-19 次
+2. **简化后的逻辑更合理**：只在极端单日暴跌时触发保护，避免缓跌时误杀信号
+3. **建议保留当前简化版本**：con1（单日跌>5%）已足够捕捉极端风险
+
+### 5.3 起始年份影响
+
+1. **早期起始（2020-2022）**：包含更多市场周期，收益更稳定
+2. **近期起始（2024-2025）**：样本期较短，年化偏高但统计显著性较低
+3. **建议以 2020 为基准**：覆盖完整市场周期，结果更具参考价值
+
+---
+
+## 6. 结论与建议
+
+### 6.1 核心结论
+
+1. **历史结果可复现**：ca933e4 代码成功复现 43.20% 年化收益
+2. **收益提升有明确归因**：crash filter 简化（+4pp）+ 数据延长（+2pp）
+3. **策略对起始年份不敏感**：所有年份年化都在 34% 以上
+4. **当前代码版本更优**：建议以 HEAD（cabfee2）为基准继续优化
+
+### 6.2 后续建议
+
+1. **基准配置**：select_num=1, start_date=2020-01-01, 代码版本 cabfee2+
+2. **Crash Filter**：保持当前简化版本（仅 con1）
+3. **进一步优化方向**：
+   - 测试 min_hold_days 对 select_num=1 的影响
+   - 探索 slope_r2_idm / slope_r2_ensemble 因子在 select_num=1 下的表现
+   - 考虑资产级因子自适应（为均值回归类资产使用反转因子）
+
+---
+
+## 7. 实验数据位置
+
+```
+rotation/results/
+├── start_year_analysis.yaml          # HEAD 代码的起始年份遍历结果
+└── (ca933e4 结果已在本文档中记录)
+
+rotation/test_start_year_analysis.py  # 起始年份遍历脚本
+```

docs/通用数据源快速开始.md

@@ -123,6 +123,6 @@ with fetcher:
 
 ## 下一步
 
-- 查看 [完整文档](./universal_fetcher_README.md)
+- 查看 [完整文档](./通用数据源说明.md)
 - 运行 [测试脚本](../../tests/test_universal_fetcher.py)
 - 学习 [使用示例](../../examples/universal_fetcher_examples.py)

rotation/config_loader.py

@@ -35,6 +35,8 @@ class FactorType(str, Enum):
     WEIGHTED_MOMENTUM = "weighted_momentum"
     VOL_ADJUSTED_MOMENTUM = "vol_adjusted_momentum"
     STANDARDIZED_SLOPE = "standardized_slope"
+    SLOPE_R2_IDM = "slope_r2_idm"  # slope_r2 * IDM (信息离散动量融合)
+    SLOPE_R2_ENSEMBLE = "slope_r2_ensemble"  # 多窗口融合 (63/126/252天)
 
 
 class PremiumMode(str, Enum):

rotation/simple_rotation.py

@@ -123,6 +123,59 @@ def slope_r2_score(prices: np.ndarray) -> float:
     return 10000 * slope * r2
 
 
+def info_dispersal_momentum(prices: np.ndarray) -> float:
+    """Information Dispersal Momentum (IDM): 正收益天数占比
+    
+    衡量上涨的持续性和广度，过滤靠少数极端日撑起来的假动量。
+    范围 [0, 1]，值越高表示上涨天数越多。
+    """
+    if len(prices) < 2:
+        return 0.0
+    returns = np.diff(prices)
+    positive_days = np.sum(returns > 0)
+    return positive_days / len(returns)
+
+
+def slope_r2_idm_score(prices: np.ndarray) -> float:
+    """Slope * R² * IDM: 趋势强度 × 拟合质量 × 上涨持续性
+    
+    将 slope_r2 与信息离散动量 (IDM) 通过乘法融合：
+    - slope_r2 捕捉趋势方向和稳定性
+    - IDM 作为折扣系数，惩罚靠少数大涨日撑起来的动量
+    """
+    sr2 = slope_r2_score(prices)
+    idm = info_dispersal_momentum(prices)
+    return sr2 * idm
+
+
+def slope_r2_ensemble_score(prices: np.ndarray, windows: list = None) -> float:
+    """多窗口 slope_r2 等权融合
+    
+    使用多个时间窗口（默认 63/126/252 天）计算 slope_r2，取等权平均。
+    金融语义：捕捉不同周期的趋势信号，降低单窗口风险。
+    
+    对 slope_r2 偏好的影响：
+    - 削弱对"高波动+间歇性趋势"资产的偏好
+    - 增强对"低波动+持续性趋势"资产的识别
+    - 让因子更偏向"持续性趋势"而非"爆发性趋势"
+    """
+    if windows is None:
+        windows = [63, 126, 252]  # 3月、6月、12月
+    
+    scores = []
+    for w in windows:
+        if len(prices) >= w:
+            # 取最后 w 天的价格计算 slope_r2
+            window_prices = prices[-w:]
+            score = slope_r2_score(window_prices)
+            scores.append(score)
+    
+    if not scores:
+        return 0.0
+    
+    return sum(scores) / len(scores)
+
+
 def standardized_slope_score(prices: np.ndarray) -> float:
     """Standardized slope (t-statistic): slope / SE(slope)
 
@@ -229,16 +282,14 @@ def compute_position_weights(
 
 
 def is_crash(prices: np.ndarray) -> bool:
-    """Crash filter: 3 consecutive days drop > 5%"""
+    """Crash filter: single day drop > 5% (con1 only)"""
     if len(prices) < 4:
         return False
     p = prices[-4:]
     r1 = p[3] / p[2]
     r2 = p[2] / p[1]
     r3 = p[1] / p[0]
-    con1 = min(r1, r2, r3) < 0.95
+    return min(r1, r2, r3) < 0.95
-    con2 = (r1 < 1 and r2 < 1 and r3 < 1 and p[3] / p[0] < 0.95)
-    return con1 or con2
 
 
 # ============================================================
@@ -415,6 +466,7 @@ class SimpleRotationStrategy:
         self.n_days = self.config.factor.n_days
         self.select_num = self.config.rotation.select_num
         self.trade_cost = self.config.rebalance.trade_cost
+        self.min_hold_days = self.config.rebalance.min_hold_days
         self.weight_type = self.config.rotation.weight.value  # 'equal' or 'rank'
 
         # Dynamic threshold
@@ -460,7 +512,9 @@ class SimpleRotationStrategy:
         """Preload all historical data"""
         start_date = self.config.backtest.start_date
         end_date = self.config.backtest.end_date or datetime.now().strftime('%Y-%m-%d')
-        preload_start = (pd.Timestamp(start_date) - timedelta(days=self.n_days * 2)).strftime('%Y-%m-%d')
+        # ensemble 因子需要更长的历史（252天窗口，预加载 2 倍）
+        preload_days = 504 if self.config.factor.type == FactorType.SLOPE_R2_ENSEMBLE else self.n_days * 2
+        preload_start = (pd.Timestamp(start_date) - timedelta(days=preload_days)).strftime('%Y-%m-%d')
 
         print("\n[1/4] Preloading signal sources (index raw)...")
         for code in self.signal_codes:
@@ -499,22 +553,19 @@ class SimpleRotationStrategy:
         df = self.index_data[signal_code]
         mask = df.index <= date
         recent = df.loc[mask]
-        if len(recent) < self.n_days:
+        
+        # ensemble 因子需要更长的窗口（252天）
+        required_days = 252 if self.config.factor.type == FactorType.SLOPE_R2_ENSEMBLE else self.n_days
+        
+        if len(recent) < required_days:
             return None
-        prices = recent['close'].values[-self.n_days:]
+        prices = recent['close'].values[-required_days:]
-        if len(prices) >= 4 and is_crash(prices):
+
+        base_momentum = self._compute_base_momentum(prices)
+
+        if is_crash(prices[-self.n_days:]):  # crash filter 仍然用 n_days 窗口
             return 0.0
-        # Dispatch based on factor type
+        return base_momentum
-        ft = self.config.factor.type
-        if ft == FactorType.VOL_ADJUSTED_MOMENTUM:
-            return vol_adjusted_momentum_score(prices)
-        elif ft == FactorType.SLOPE_R2:
-            return slope_r2_score(prices)
-        elif ft == FactorType.STANDARDIZED_SLOPE:
-            return standardized_slope_score(prices)
-        elif ft == FactorType.MOMENTUM:
-            return momentum_score(prices)
-        return weighted_momentum_score(prices)
 
     def _compute_raw_momentum(self, signal_code: str, date: pd.Timestamp) -> Optional[float]:
         """Compute momentum using the configured factor function.
@@ -525,15 +576,40 @@ class SimpleRotationStrategy:
         df = self.index_data[signal_code]
         mask = df.index <= date
         recent = df.loc[mask]
-        if len(recent) < self.n_days:
+        
+        # ensemble 因子需要更长的窗口（252天）
+        required_days = 252 if self.config.factor.type == FactorType.SLOPE_R2_ENSEMBLE else self.n_days
+        
+        if len(recent) < required_days:
             return None
-        prices = recent['close'].values[-self.n_days:]
+        prices = recent['close'].values[-required_days:]
-        if len(prices) >= 4 and is_crash(prices):
+
-            return 0.0
         if self.config.factor.type == FactorType.VOL_ADJUSTED_MOMENTUM:
+            base_momentum = weighted_momentum_score(prices[-self.n_days:])
+        else:
+            # Use the same score function as ranking
+            base_momentum = self._compute_base_momentum(prices)
+
+        if is_crash(prices[-self.n_days:]):
+            return 0.0
+        return base_momentum
+
+    def _compute_base_momentum(self, prices: np.ndarray) -> float:
+        """Compute base momentum score without crash filter."""
+        ft = self.config.factor.type
+        if ft == FactorType.VOL_ADJUSTED_MOMENTUM:
+            return vol_adjusted_momentum_score(prices)
+        elif ft == FactorType.SLOPE_R2:
+            return slope_r2_score(prices)
+        elif ft == FactorType.SLOPE_R2_IDM:
+            return slope_r2_idm_score(prices)
+        elif ft == FactorType.SLOPE_R2_ENSEMBLE:
+            return slope_r2_ensemble_score(prices)
+        elif ft == FactorType.STANDARDIZED_SLOPE:
+            return standardized_slope_score(prices)
+        elif ft == FactorType.MOMENTUM:
+            return momentum_score(prices)
         return weighted_momentum_score(prices)
-        # All other factors: use the same score function as ranking
-        return self._compute_momentum(signal_code, date)
 
     def _generate_signals(self, date: pd.Timestamp) -> Tuple[List[str], Dict[str, float], Optional[float]]:
         """
@@ -744,6 +820,29 @@ class SimpleRotationStrategy:
 
             new_holdings, factors, bond_momentum = self._generate_signals(signal_date)
 
+            # Apply min_hold_days constraint: prevent removing assets held for less than min_hold_days
+            if self.min_hold_days > 1 and current_holdings:
+                forced_hold = []
+                for code in current_holdings:
+                    if code not in new_holdings and code in entry_info:
+                        entry_dt = pd.Timestamp(entry_info[code]['entry_date'])
+                        held_days = (date - entry_dt).days
+                        if held_days < self.min_hold_days:
+                            forced_hold.append(code)
+                if forced_hold:
+                    # Add forced holds back to new_holdings, remove lowest-ranked assets to make room
+                    new_set = set(new_holdings)
+                    for code in forced_hold:
+                        if code not in new_set:
+                            new_holdings.append(code)
+                            new_set.add(code)
+                    # Trim to select_num by removing lowest momentum assets (not forced holds)
+                    if len(new_holdings) > self.select_num:
+                        # Sort by momentum descending, keep forced holds first
+                        optional = [c for c in new_holdings if c not in forced_hold]
+                        optional.sort(key=lambda c: factors.get(c, 0), reverse=True)
+                        new_holdings = forced_hold + optional[:self.select_num - len(forced_hold)]
+
             # Data integrity check: if any currently held asset is missing from
             # today's factors, abort immediately to prevent false rebalancing.
             if current_holdings:
@@ -1407,7 +1506,7 @@ class SimpleRotationStrategy:
 
         col_labels = ["排名", "标的名称", "市场", "指数代码", "ETF代码", "仓位", "得分",
                       "指数最新价", "ETF收盘价", "溢价率", "状态",
-                      "进场日期", "持有天数", "盈亏", "退场日期", "退场价格"]
+                      "进场日期", "持有天数", "盈亏"]
         table_data = []
         row_actions = []  # track action for coloring
 
@@ -1424,12 +1523,10 @@ class SimpleRotationStrategy:
             pnl_s = f"{p['pnl']:+.2%}" if p['pnl'] is not None else "—"
             weight_s = f"{p['weight']:.0%}" if p['weight'] > 0 else "—"
             market = code_config.get(p['code'], {}).get('market', '—')
-            exit_date_s = p['exit_date'].strftime('%Y-%m-%d') if p.get('exit_date') else "—"
-            exit_price_s = f"{p['exit_price']:.3f}" if p.get('exit_price') else "—"
             table_data.append([
                 rank, p['name'], market, p['code'], p['etf'], weight_s,
                 score_s, idx_s, etf_s, prem_s, p['action'],
-                entry_date_s, days_s, pnl_s, exit_date_s, exit_price_s
+                entry_date_s, days_s, pnl_s
             ])
             row_actions.append(p['action'])
 
@@ -1597,7 +1694,7 @@ class SimpleRotationStrategy:
         ax5.grid(True, alpha=0.3)
 
         chart_path = output_dir / 'simple_rotation_report.png'
-        plt.savefig(str(chart_path), dpi=150, bbox_inches="tight")
+        plt.savefig(str(chart_path), dpi=300, bbox_inches="tight")
         plt.close()
         print(f"  + Report: {chart_path}")
 

rotation/test_start_year_analysis.py

@@ -0,0 +1,112 @@
+"""
+Test different start years with select_num=1
+"""
+import os
+import sys
+import yaml
+from pathlib import Path
+from datetime import datetime
+
+PROJECT_ROOT = Path(__file__).parent.parent
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from dotenv import load_dotenv
+load_dotenv(PROJECT_ROOT / '.env')
+
+from rotation.config_loader import load_rotation_config
+from rotation.simple_rotation import SimpleRotationStrategy
+
+
+def run_test(start_date: str, select_num: int) -> dict:
+    """Run backtest with specified start date and select_num."""
+    config_path = PROJECT_ROOT / 'rotation' / 'config_simple.yaml'
+    
+    with open(config_path, 'r') as f:
+        config = yaml.safe_load(f)
+    
+    config['backtest']['start_date'] = start_date
+    config['rotation']['select_num'] = select_num
+    
+    temp_config_path = PROJECT_ROOT / 'rotation' / 'temp_config.yaml'
+    with open(temp_config_path, 'w') as f:
+        yaml.dump(config, f)
+    
+    try:
+        strategy = SimpleRotationStrategy(str(temp_config_path))
+        result = strategy.run()
+        return result['metrics']
+    finally:
+        if temp_config_path.exists():
+            temp_config_path.unlink()
+
+
+def main():
+    select_num = 1
+    years = [2020, 2021, 2022, 2023, 2024, 2025]
+    
+    print(f"\n{'='*80}")
+    print(f"Testing select_num={select_num} with different start years")
+    print(f"{'='*80}")
+    
+    results = []
+    
+    for year in years:
+        start_date = f"{year}-01-01"
+        print(f"\nTesting start_date={start_date}...")
+        
+        try:
+            metrics = run_test(start_date, select_num)
+            results.append({
+                'start_year': year,
+                'start_date': start_date,
+                'select_num': select_num,
+                'total_return': metrics.get('total_return', 0),
+                'annual_return': metrics.get('annual_return', 0),
+                'max_drawdown': metrics.get('max_drawdown', 0),
+                'sharpe_ratio': metrics.get('sharpe_ratio', 0),
+                'rebalance_count': metrics.get('rebalance_count', 0),
+                'win_rate': metrics.get('win_rate', 0),
+            })
+            print(f"  Total Return: {metrics.get('total_return', 0)*100:.2f}%")
+            print(f"  Annual Return: {metrics.get('annual_return', 0)*100:.2f}%")
+            print(f"  Max Drawdown: {metrics.get('max_drawdown', 0)*100:.2f}%")
+            print(f"  Sharpe Ratio: {metrics.get('sharpe_ratio', 0):.3f}")
+            print(f"  Rebalance Count: {metrics.get('rebalance_count', 0)}")
+        except Exception as e:
+            print(f"  Error: {e}")
+            results.append({
+                'start_year': year,
+                'start_date': start_date,
+                'select_num': select_num,
+                'error': str(e)
+            })
+    
+    # Print summary table
+    print(f"\n{'='*80}")
+    print(f"SUMMARY TABLE (select_num={select_num})")
+    print(f"{'='*80}")
+    print(f"{'Start Year':<12} {'Total Return':<15} {'Annual Return':<15} {'Max Drawdown':<15} {'Sharpe':<10} {'Rebal':<8}")
+    print(f"{'-'*80}")
+    
+    for r in results:
+        if 'error' in r:
+            print(f"{r['start_year']:<12} {'ERROR':<15}")
+        else:
+            print(f"{r['start_year']:<12} {r['total_return']*100:>13.2f}% {r['annual_return']*100:>13.2f}% {r['max_drawdown']*100:>13.2f}% {r['sharpe_ratio']:>9.3f} {r['rebalance_count']:>7}")
+    
+    # Save results to YAML
+    output_path = PROJECT_ROOT / 'rotation' / 'results' / 'start_year_analysis.yaml'
+    output_path.parent.mkdir(exist_ok=True)
+    
+    with open(output_path, 'w') as f:
+        yaml.dump({
+            'select_num': select_num,
+            'test_date': datetime.now().isoformat(),
+            'results': results
+        }, f, default_flow_style=False)
+    
+    print(f"\nResults saved to: {output_path}")
+
+
+if __name__ == '__main__':
+    main()

start_ssh_tunnel.sh

@@ -0,0 +1,48 @@
+#!/bin/bash
+# SSH 隧道启动脚本
+# 通过香港 ECS 建立本地 SOCKS5 代理，供 Clash 使用
+
+KEY_PATH="/Users/aszer/code/etf/hk_ecs.pem"
+HOST="root@8.218.167.69"
+LOCAL_PORT=1080
+REMOTE_PORT=1080
+
+# 检查是否已有隧道在运行
+if pgrep -f "ssh.*-D.*${LOCAL_PORT}" > /dev/null 2>&1; then
+    echo "✓ SSH 隧道已在运行 (本地端口: ${LOCAL_PORT})"
+    pgrep -f "ssh.*-D.*${LOCAL_PORT}" | head -1
+    exit 0
+fi
+
+# 确保密钥权限正确
+chmod 600 "$KEY_PATH" 2>/dev/null
+
+# 修复可能的 Windows 换行符问题
+sed -i '' 's/\r$//' "$KEY_PATH" 2>/dev/null
+
+echo "正在建立 SSH 隧道..."
+echo "  服务器: ${HOST}"
+echo "  本地 SOCKS5 端口: ${LOCAL_PORT}"
+echo "  密钥: ${KEY_PATH}"
+
+ssh -N -D 127.0.0.1:${LOCAL_PORT} \
+    -o StrictHostKeyChecking=no \
+    -o UserKnownHostsFile=/dev/null \
+    -o ServerAliveInterval=60 \
+    -o ServerAliveCountMax=3 \
+    -i "$KEY_PATH" \
+    -p 22 \
+    "$HOST" &
+
+SSH_PID=$!
+sleep 2
+
+if kill -0 $SSH_PID 2>/dev/null; then
+    echo "✓ SSH 隧道已建立 (PID: ${SSH_PID})"
+    echo "  本地代理: socks5://127.0.0.1:${LOCAL_PORT}"
+    echo ""
+    echo "现在可以启动 Clash 使用 'SSH香港' 节点了"
+else
+    echo "✗ SSH 隧道建立失败"
+    exit 1
+fi