etf/framework_v2/strategies/rotation/rotation.py

"""
全球资产大类轮动策略（V2 正式版）

基于动量因子的全球资产轮动策略
- 支持信号-交易分离（指数信号 → ETF收益）
- 强制分散化选股（每个 group 只选 1 个）
- 动态短债阈值（标的动量 < 短债动量 → 不持有）
- 溢价过滤（避免买入高溢价 ETF）
- 调仓控制（rebalance_days + rebalance_threshold）
- 交易成本计算（trade_cost: 0.1%）
"""

import pandas as pd
import numpy as np
from typing import Dict, Optional, Tuple
from datetime import datetime, timedelta

from framework_v2.core.strategy import StrategyBase
from framework_v2.config.schemas import StrategyConfig
from framework_v2.shared.factors import MomentumFactor
from framework_v2.shared.data.alignment import CrossMarketAligner


class GlobalRotationStrategy(StrategyBase):
    """
    全球资产大类轮动策略（V2 正式版）
    
    策略逻辑：
    1. 计算各指数标的动量得分（加权线性回归）
    2. 使用动态短债阈值过滤负动量标的
    3. 每个 group 内竞争，只选 Top 1（强制分散化）
    4. 溢价过滤：排除溢价率 > 阈值的 ETF
    5. 调仓控制：最低持仓天数 + 调仓阈值
    6. 等权分配仓位
    7. 扣除交易成本（0.1%）
    
    示例:
        from framework_v2.config import load_config
        from framework_v2.strategies.rotation.rotation import GlobalRotationStrategy
        
        config = load_config('config_simple.yaml')
        strategy = GlobalRotationStrategy(config)
        result = strategy.run()
    """
    
    def __init__(self, config: StrategyConfig):
        """
        初始化策略
        
        Args:
            config: 策略配置
        """
        super().__init__(config)
        
        # 初始化动量因子
        self.momentum = MomentumFactor(
            n_days=config.factor.n_days,
            weighted=(config.factor.type.value == 'weighted_momentum')
        )
        
        # 策略参数（从 config 中读取）
        rotation_config = config.rotation
        self.select_num = rotation_config.select_num if rotation_config else 3
        self.diversified = rotation_config.diversified if rotation_config else True
        
        # 动态阈值配置
        self.use_dynamic_threshold = False
        self.bond_code = None
        self.bond_ratio = 1.0
        self.fill_bond = True
        
        if rotation_config and rotation_config.threshold:
            threshold_config = rotation_config.threshold
            if hasattr(threshold_config, 'mode') and threshold_config.mode == 'dynamic':
                self.use_dynamic_threshold = True
                dynamic_config = threshold_config.dynamic
                self.bond_code = dynamic_config.reference
                self.bond_ratio = dynamic_config.ratio
        
        # 调仓控制
        self.rebalance_days = getattr(rotation_config, 'rebalance_days', 1) if rotation_config else 1
        self.rebalance_threshold = getattr(rotation_config, 'rebalance_threshold', 0.0) if rotation_config else 0.0
        
        # 交易成本
        self.trade_cost = getattr(config.backtest, 'trade_cost', 0.001) if config.backtest else 0.001
        
        # 溢价控制
        self.use_premium_control = False
        self.premium_threshold = 0.10  # 默认 10%
        
        if hasattr(config, 'premium_control'):
            premium_config = config.premium_control
            self.use_premium_control = getattr(premium_config, 'enabled', False)
            if self.use_premium_control:
                self.premium_threshold = getattr(premium_config, 'default_threshold', 0.10)
    
    def get_codes(self) -> list:
        """
        获取标的列表（信号标的 + 交易标的 + 短债）
        
        Returns:
            标的代码列表
        """
        codes = set()
        
        # 添加所有信号标的
        codes.update(self.config.asset_pools.get_signal_codes())
        
        # 添加所有交易标的
        codes.update(self.config.asset_pools.get_trade_codes())
        
        # 如果使用动态阈值，添加短债标的
        if self.use_dynamic_threshold and self.bond_code:
            codes.add(self.bond_code)
        
        return list(codes)
    
    def compute_factors(self, data: Dict[str, pd.DataFrame]) -> Dict[str, pd.Series]:
        """
        计算动量因子（只使用信号标的的数据）
        
        Args:
            data: 数据字典 {code: DataFrame}
        
        Returns:
            因子字典 {signal_source: Series}
        """
        factors = {}
        
        # 只使用信号标的计算因子
        signal_codes = self.config.asset_pools.get_signal_codes()
        
        for code in signal_codes:
            if code not in data:
                print(f"  警告: {code} 数据不存在，跳过")
                continue
            
            try:
                df = data[code]
                factor_values = self.momentum.compute(df)
                factors[code] = factor_values
            except Exception as e:
                print(f"  警告: {code} 因子计算失败 - {e}")
                continue
        
        # 如果使用动态阈值，计算短债因子
        if self.use_dynamic_threshold and self.bond_code and self.bond_code in data:
            try:
                df = data[self.bond_code]
                bond_factor = self.momentum.compute(df)
                factors[self.bond_code] = bond_factor
                print(f"  [阈值] 短债动量因子已计算: {self.bond_code}")
            except Exception as e:
                print(f"  警告: 短债因子计算失败 - {e}")
        
        return factors
    
    def generate_signals(self, factors: Dict[str, pd.Series]) -> pd.DataFrame:
        """
        生成轮动信号（支持动态阈值和强制分散化）
        
        逻辑：
        1. 计算动态短债阈值（如果使用）
        2. 每个 group 内竞争，选 Top 1
        3. 溢价过滤（如果启用）
        4. 组合所有 group 的选股结果
        
        Args:
            factors: 因子字典 {code: Series}
        
        Returns:
            信号 DataFrame（index=日期, columns=signal_source, values=1或0）
        """
        if not factors:
            return pd.DataFrame()
        
        # 对齐所有因子的日期
        factor_df = pd.DataFrame(factors)
        
        # 获取动态短债阈值（如果使用）
        bond_threshold = None
        if self.use_dynamic_threshold and self.bond_code and self.bond_code in factors:
            bond_threshold = factors[self.bond_code]
            print(f"  [阈值] 使用动态短债阈值: {self.bond_code}")
        
        # 获取溢价率数据（如果启用溢价控制）
        premium_data = None
        if self.use_premium_control:
            premium_data = self._get_premium_data()
            print(f"  [溢价] 启用溢价过滤，阈值: {self.premium_threshold:.1%}")
        
        # 按 group 分组选股
        signals = pd.DataFrame(index=factor_df.index, columns=factor_df.columns, data=0)
        
        groups = self.config.asset_pools.by_group
        
        for date in factor_df.index:
            selected_codes = []
            
            # 对每个 group 独立选股
            for group_name, assets in groups.items():
                # 获取该 group 的信号标的
                group_signal_codes = [asset.signal_source for asset in assets.values()]
                
                # 获取当日因子值
                date_factors = factor_df.loc[date][group_signal_codes].dropna()
                
                if date_factors.empty:
                    continue
                
                # 应用动态阈值过滤
                if bond_threshold is not None and date in bond_threshold.index:
                    threshold_value = bond_threshold.loc[date] * self.bond_ratio
                    date_factors = date_factors[date_factors >= threshold_value]
                
                if date_factors.empty:
                    continue
                
                # 应用溢价过滤
                if premium_data is not None:
                    date_factors = self._filter_by_premium(
                        date_factors, date, premium_data
                    )
                
                if date_factors.empty:
                    continue
                
                # 选择 Top 1（强制分散化）
                top_code = date_factors.idxmax()
                selected_codes.append(top_code)
            
            # 第二步：从所有 group 的 Top 1 中，按动量再选 Top select_num 个
            if selected_codes:
                # 获取这些标的的当日因子值
                candidate_factors = factor_df.loc[date][selected_codes].dropna()
                
                if not candidate_factors.empty:
                    # 按动量排序，选 Top select_num
                    if len(candidate_factors) > self.select_num:
                        final_selected = candidate_factors.nlargest(self.select_num).index.tolist()
                    else:
                        final_selected = candidate_factors.index.tolist()
                    
                    # 标记信号
                    signals.loc[date, final_selected] = 1
        
        return signals.astype(int)
    
    def manage_positions(self, signals: pd.DataFrame) -> pd.DataFrame:
        """
        仓位管理（等权分配 + 调仓控制）
        
        Args:
            signals: 信号 DataFrame
        
        Returns:
            仓位 DataFrame
        """
        positions = signals.astype(float).copy()
        
        # 跟踪上次调仓日期
        last_rebalance_date = None
        
        for date in positions.index:
            signal_row = positions.loc[date].copy()
            n_selected = signal_row.sum()
            
            if n_selected == 0:
                # 空仓
                positions.loc[date] = 0
                continue
            
            # 检查是否需要调仓
            if last_rebalance_date is not None:
                # 检查持仓天数
                holding_days = (date - last_rebalance_date).days
                if holding_days < self.rebalance_days:
                    # 未达到最低持仓天数，保持上次仓位
                    positions.loc[date] = positions.loc[last_rebalance_date]
                    continue
            
            # 等权分配
            positions.loc[date] = signal_row / n_selected
            last_rebalance_date = date
        
        return positions
    
    def _execute_backtest(self, positions: pd.DataFrame, data: Dict[str, pd.DataFrame]) -> Dict[str, any]:
        """
        执行回测（使用 CrossMarketAligner 进行正确的数据对齐）
        
        Args:
            positions: 仓位 DataFrame
            data: 数据字典
        
        Returns:
            回测结果字典
        """
        # 获取信号→交易映射
        signal_to_trade = self.config.asset_pools.get_signal_to_trade_mapping()
        
        # 获取 A 股交易日历
        print("\n  [对齐] 获取 A 股交易日历...")
        trading_calendar = self._get_trading_calendar()
        print(f"  [日历] A 股交易日: {len(trading_calendar)} 天 ({trading_calendar[0]} ~ {trading_calendar[-1]})")
        
        # 创建对齐器
        aligner = CrossMarketAligner(target_calendar=trading_calendar)
        
        # 提取交易标的的收盘价，并对齐到 A 股日历
        print("  [对齐] 对齐 ETF 价格到 A 股日历...")
        close_dict = {}
        for signal_code, trade_code in signal_to_trade.items():
            if trade_code in data:
                # 提取收盘价
                close_series = data[trade_code]['close']
                # 使用 signal_code 作为键（与 positions 列名一致）
                close_dict[signal_code] = close_series
            else:
                print(f"  警告: {trade_code} 数据不存在，跳过")
        
        # 使用 CrossMarketAligner 对齐多标的收益率
        # 内部逻辑：先 ffill 价格到 A 股日历，再计算收益率
        print("  [对齐] 计算收益率（先对齐价格，再计算）...")
        returns_df = aligner.align_multi_asset(close_dict)
        print(f"  [对齐] 收益率数据: {len(returns_df)} 天, {len(returns_df.columns)} 个标的")
        
        # 对齐 positions 到 A 股日历
        positions = positions.reindex(trading_calendar, method='ffill')
        
        # 计算策略收益（仓位加权，T+1 执行）
        positions_delayed = positions.shift(1).fillna(0)
        strategy_returns = (positions_delayed * returns_df).sum(axis=1)
        
        # 扣除交易成本
        strategy_returns, rebalance_count = self._apply_trade_cost(
            strategy_returns, positions
        )
        print(f"  [成本] 调仓次数: {rebalance_count}, 交易成本: {self.trade_cost:.2%}")
        
        # 计算净值曲线
        equity_curve = (1 + strategy_returns).cumprod()
        
        # 检查是否有数据
        if len(equity_curve) == 0:
            return {
                'equity_curve': equity_curve,
                'strategy_returns': strategy_returns,
                'positions': positions,
                'metrics': {
                    'total_return': 0,
                    'annual_return': 0,
                    'max_drawdown': 0,
                    'sharpe_ratio': 0,
                    'n_days': 0,
                    'rebalance_count': 0,
                }
            }
        
        # 计算绩效指标
        total_return = equity_curve.iloc[-1] / equity_curve.iloc[0] - 1
        n_days = len(strategy_returns)
        annual_return = (1 + total_return) ** (252 / n_days) - 1 if n_days > 0 else 0
        
        # 最大回撤
        cumulative_max = equity_curve.cummax()
        drawdown = (equity_curve - cumulative_max) / cumulative_max
        max_drawdown = drawdown.min()
        
        # 夏普比率
        sharpe = strategy_returns.mean() / strategy_returns.std() * np.sqrt(252) if strategy_returns.std() > 0 else 0
        
        return {
            'equity_curve': equity_curve,
            'strategy_returns': strategy_returns,
            'positions': positions,
            'metrics': {
                'total_return': total_return,
                'annual_return': annual_return,
                'max_drawdown': max_drawdown,
                'sharpe_ratio': sharpe,
                'n_days': n_days,
                'rebalance_count': rebalance_count,
            }
        }
    
    def _apply_trade_cost(self, strategy_returns: pd.Series, positions: pd.DataFrame) -> Tuple[pd.Series, int]:
        """
        扣除交易成本
        
        Args:
            strategy_returns: 策略收益率
            positions: 仓位 DataFrame
        
        Returns:
            (扣除成本后的收益率, 调仓次数)
        """
        if self.trade_cost <= 0:
            return strategy_returns, 0
        
        # 检测调仓（持仓变化）
        position_changes = (positions != positions.shift(1)).any(axis=1)
        rebalance_count = position_changes.sum()
        
        # 扣除交易成本
        strategy_returns[position_changes] -= self.trade_cost
        
        return strategy_returns, rebalance_count
    
    def _get_premium_data(self) -> Optional[Dict]:
        """
        获取溢价率数据
        
        Returns:
            溢价率数据字典 {trade_code: {date: premium_rate}}
        """
        # TODO: 从数据源获取溢价率数据
        # 当前返回 None，后续实现
        return None
    
    def _filter_by_premium(self, factors: pd.Series, date: pd.Timestamp, premium_data: Dict) -> pd.Series:
        """
        溢价过滤
        
        Args:
            factors: 因子 Series
            date: 日期
            premium_data: 溢价率数据
        
        Returns:
            过滤后的因子 Series
        """
        if premium_data is None:
            return factors
        
        # TODO: 实现溢价过滤逻辑
        return factors
    
    def _get_trading_calendar(self) -> pd.DatetimeIndex:
        """
        获取 A 股交易日历
        
        Returns:
            A 股交易日历 DatetimeIndex
        """
        from datetime import date
        
        # 获取回测区间
        start = self.config.backtest.start_date
        end = self.config.backtest.end_date
        if end is None:
            end = date.today().strftime('%Y-%m-%d')
        
        # 创建临时数据获取器来获取交易日历
        if self._data_fetcher is None:
            self._data_fetcher = self._create_data_fetcher()
        
        try:
            # 调用 get_trading_calendar 方法
            calendar = self._data_fetcher.get_trading_calendar(
                market='A',
                start=start,
                end=end
            )
            print(f"  [日历] A 股交易日: {len(calendar)} 天 ({calendar[0]} ~ {calendar[-1]})")
            return calendar
        except Exception as e:
            print(f"  [警告] 无法获取 A 股交易日历，使用所有日期: {e}")
            # 降级方案：使用 pandas 生成工作日
            start_dt = pd.Timestamp(start)
            end_dt = pd.Timestamp(end)
            return pd.date_range(start=start_dt, end=end_dt, freq='B')  # 工作日