Implementation — 基础 DCA（cn_etf_dca_basic）

整体方案

完全规则驱动，不依赖任何因子。核心循环：

1. 初始：100,000 RMB 全部折算成 511990 货币 ETF 股数（开户入金，不收手续费）。
2. 遍历每日 close：
   • 若该日是当月第 1 个交易日（DCA 触发日），从货币池卖出 dca_amount=5000， 按 risk_allocation（默认等权）分配给风险池 6 只 ETF 买入； 卖/买都按 fees + slippage 共享基线扣费。
   • 当日收盘簿记：cash = 货币 ETF 股数 × close；risk = ∑ 风险股数 × close；equity = cash + risk。
3. 不再平衡：风险池一旦买入就持有到回测结束。

因子清单

理由：DCA 是时间触发 + 等权规则，无需横截面/时序排名。

新增因子（如有）

无。

策略配置

• 配置文件：configs/cn_etf_dca_basic.yaml
• 类型：dca_basic（自定义类型，类路径 strategy_lib.strategies.cn_etf_dca_basic.DCABasicStrategy）
• 关键参数：
  • dca_amount: 5000（每月转入金额）
  • dca_frequency: "M"（月度触发）
  • risk_allocation: "equal"（风险池内部等权）

数据

• 标的池来源：手工列（与 Benchmark Suite V1 共享基线一致，6 只风险 ETF + 1 只货币 ETF）
• 数据范围：2020-01-01 ~ 2024-12-31（akshare fund_etf_hist_em，前复权 qfq）
• 数据预处理：
  • close 前向填充（停牌 / 早期数据缺失时维持上一日价格）
  • 货币 ETF 511990 起始价格异常时直接抛错（不做软兜底，避免无声错误）

关键代码思路

class DCABasicStrategy:
    def run(self, panel, *, init_cash, fees, slippage, since, until) -> DCAResult:
        # 1. 拼宽表 close = panel[cash + risk_syms][close]
        # 2. 找出每月第 1 个交易日 dca_dates = idx.groupby([year, month]).first()
        # 3. cash_units = init_cash / close[cash, t0]   # 货币 ETF 股数
        # 4. for date in idx:
        #        if date in dca_dates:
        #            spend = min(dca_amount, cash_units * cash_price)
        #            cash_units -= spend / cash_price
        #            for sym, w in target_weights(date, prices).items():
        #                buy_px = price * (1 + slippage)
        #                units = (spend * w * (1 - fees)) / buy_px
        #                risk_units[sym] += units
        #        equity[t] = cash_units*cash_price + sum(risk_units * risk_prices)

设计选择：

• 不继承 BaseStrategy：base 是 entries/exits 信号驱动，DCA 用不上，硬塞会让代码更乱。
• 不调 vectorbt：DCA + 等权 + 无再平衡足够简单，纯 numpy 模拟反而清晰；当前环境也未装 vectorbt。
• target_weights(date, prices) 暴露：方便后续策略（Swing/Tilt）继承相同接口的"DCA 内部权重"语义。
• 货币池用真实 511990 价格：而非 2% 年化简化。事后可在 validation 中和 2% 年化做对比。

踩过的坑

（首版实现，待真实回测后追加）

• ⚠️ 货币 ETF 价格语义：511990 在 akshare fund_etf_hist_em 返回的 close 通常在 100 附近微涨， 需确认前复权后是否产生不连续跳变。Smoke test 用合成数据无法暴露此问题，留待真实回测核对。
• ⚠️ 月初定位：用 idx.groupby([year, month]).first() 而非 MonthBegin offset， 避免月初遇周末时漏触发。

相关 commits

• 实现：（待提交）

Validation — 基础 DCA（cn_etf_dca_basic）

每次新一轮回测/验证就追加一个 ## YYYY-MM-DD <轮次主题> 小节，不要覆盖。

2026-05-08 Smoke Test（合成数据）

配置 & 数据

• 配置：configs/cn_etf_dca_basic.yaml（参数 dca_amount=5000, dca_frequency=M, risk_allocation=equal）
• 数据：合成 7 个 symbol（1 现金 + 6 风险）的 OHLCV，~500 个交易日（2022-01-03 起，B 频率）
  • 511990 模拟年化 ~2% 低波动
  • 6 只风险 ETF 模拟年化漂移 ~8%、日波动 ~1.8%
• 目的：验证策略类机械正确，不验证策略 alpha。

因子层（IC 分析）

本策略不使用任何 Factor，跳过 IC / 分组分析。

Smoke 回测绩效

机械正确性检查

• ✅ result.metrics 是 dict，包含全部约定字段（total_return / cagr / sharpe / max_drawdown / calmar / annual_turnover / n_trades / ann_vol）
• ✅ result.equity 全程无 NaN，起始值 ≈ init_cash（100k）
• ✅ result.holdings 列数 = 6（6 只风险 ETF）
• ✅ DCA 触发频率正确：500 天 ≈ 24 个月，触发 21 次（窗口未跨整年，部分月份共享）
• ✅ 单次 DCA 一致性：首次 DCA（2022-01-03）6 只风险 ETF 累计买入金额 = 4999.75 ≈ 5000 - 卖货币池佣金，符合预期
• ✅ 累计买入金额 (101,559) < 初始资金 + 货币池利息（约 105k 上限），且 < 21 × 5000 = 105,000， 最后一次 DCA 被余额限制部分成交 → 兜底逻辑 spend = min(dca_amount, cash_value) 工作正常

关键图表

真实数据回测才生成，本轮无图表。

解读 & 问题

• 初版有一个潜在 bug 已被 smoke 测出并修复： _dca_trigger_dates 原本用 pd.DatetimeIndex(sorted(g.values)) 还原触发日， 但 groupby(...).first().values 会丢掉 tz 信息，导致 date in dca_dates 永远 False、 从未触发 DCA（n_trades=0）。改为按 位置（integer index）分组取首个，再用 idx[positions] 还原， 保留原 Timestamp 与 tz。
• 预期问题：合成数据下 Sharpe ~1.0、回撤 -8% 是"假"的（合成正漂移使然），不能用于评估真实 alpha。仅用于验证机械流程。

下一步（真实数据待执行清单）

• 安装依赖：pip install akshare loguru vectorbt matplotlib pandas （或仓库 lock 文件）
• 运行 python summaries/cn_etf_dca_basic/validate.py（默认会先跑 smoke 再跑真实）
• 检查 511990 真实价格序列是否连续（akshare fund_etf_hist_em qfq）；如异常则切换为 2% 年化模拟
• 输出指标到本文件新追加的 ## YYYY-MM-DD 真实数据回测 小节，需含：
  • 总收益 / CAGR / Sharpe / 最大回撤 / Calmar / 年化换手
  • 与基准 510300 BH 的：超额收益 / 信息比率 / 跟踪误差
  • 分年度收益（2020/2021/2022/2023/2024）
• 出图保存至 artifacts/：
  • equity_curve.png —— DCA 净值 vs 510300 BH
  • weights_stack.png —— 7 个仓位（含现金）的权重堆叠时序
• 与 Strategy 2 (cn_etf_dca_swing)、Strategy 3 (cn_etf_equal_rebalance) 横向对比， 评估"DCA 慢入场"在 2020/2021 牛市中的代价

2026-05-08 真实数据回测

配置 & 数据

• 代码版本：本仓库工作树（尚未首个提交，git log 为空），运行点：summaries/cn_etf_dca_basic/validate.py::run_real()
• 策略参数（DCABasicStrategy() 默认值）： cash_symbol=511990、risk_pool=(510300,510500,159915,512100,512880,512170)、 dca_amount=5000、dca_frequency=M、risk_allocation=equal
• 资金/成本（与 docs/benchmark_suite_v1.md 共享基线一致）： init_cash=100,000、fees=0.00005、slippage=0.0005、复权 = qfq
• 回测窗口：2020-01-02 ~ 2024-12-31，共 1212 个交易日
• 数据来源：data/raw/cn_etf/{511990,510300,510500,159915,512100,512880,512170}_1d.parquet （cache hit，未触发 akshare 网络请求）。loader 索引为 tz-aware UTC，run_real() 在传入策略前已 tz_convert(None) 转 naive 以兼容策略内部切片。

因子层（IC 分析）

本策略不使用任何 Factor，跳过 IC / 分组分析。

回测绩效（策略 vs 510300 BH）

跟踪指标（日频对数差/算术差）：

• 超额总收益：-14.54%
• 信息比率：-0.278
• 跟踪误差（年化）：12.44%

分年度收益

关键图表

• 净值曲线：artifacts/equity_curve.png
• 回撤曲线：artifacts/drawdown.png
• 现金 vs 风险占比时序：artifacts/cash_vs_risk.png
• 各 ETF 权重堆叠（含 cash）：artifacts/weights_stack.png

解读

• 现金缓冲在 2021-09-01 耗尽：100k 起始 ÷ 5k/月 ≈ 20 个月，验算精确（2020-01 起首次 DCA，第 21 次触发余额降至 0， 随后每月 DCA 按 spend = min(5000, cash) 兜底为 0，仅日常货币池利息可分摊，量级可忽略）。 这意味着 2021-09 之后策略本质是 6 ETF 静态等额组合，不再有"慢入场"的对冲效果。
• 2020 的代价：BH (510300) +31.11%、策略仅 +13.35%。原因：2020 全年现金占比 35–100%，错过了上半年的疫情反弹。 这是 DCA 在牛市的结构性成本，与设计预期一致。
• 2021 的红利：BH -4.32%、策略 +4.72%。原因：2020 末仓位才到 65%，2021 仍在持续买入，6 ETF 等权组合（含 512880 证券、 512170 医疗）在中证 500 / 中证 1000 板块上跑赢沪深 300。这是 DCA 唯一实质跑赢基准的年份，价值约 +9pct。
• 2022 熊市表现劣于 BH：DCA -23.78% vs BH -21.68%。理由：现金缓冲已在 2021-09 耗尽，进入熊市时与等权组合无差异； 6 ETF 池中创业板 (159915) 和医疗 (512170) 权重过半暴露在小盘 / 成长跌幅最深的板块，反而比 510300 更糟。 → DCA “在熊市保护下行” 的叙事，仅在现金未耗尽时成立。
• 2024 反弹的"迟钝度"：BH +18.39%、策略 +9.98%。关键原因不再是现金拖累（2024 年初现金=0）， 而是 6 ETF 等权组合中 512170 医疗、512100 中证 1000 等在 2024 行情中跑输沪深 300 主升浪。 策略迟钝度本质来自池子构成 + 等权，而非 DCA 节奏。
• 最大回撤几乎相同（-45% vs -45%）：因为 2021-09 之后两者都是 “买入并持有” 状态，回撤主要发生在 2021–2024 区间， 此时策略与 BH 的 beta 已经接近 1。

一句话核心观察：现金缓冲只覆盖了前 21 个月，恰好错过 2020 的上涨、又没赶上 2022 的下跌前夜； 2021-09 之后策略退化为 6 ETF 静态等权组合，与 510300 BH 的差异完全由池子构成决定，而非 DCA 节奏。

已知 bug / 边界

• tz mismatch 临时绕过：DCABasicStrategy.run(..., since=, until=) 内部用 tz-naive pd.Timestamp(since) 与 panel 索引比较；loader 默认产出 tz-aware UTC 索引，会 raise TypeError: Invalid comparison between dtype=datetime64[us, UTC] and Timestamp。 当前 validate.py::run_real() 通过传入 panel 前 tz_convert(None) 绕过； 根因修复方案有两个，留待后续：
  1. run() 内部把 pd.Timestamp(since) 改为根据 close.index.tz 携带 tz；
  2. loader 在 _normalize 之外再提供一个 tz-naive 的 view。
• 首个 commit 尚未创建：git log 为空，本次回测对应代码版本= 工作树快照。 下次跑前请先 commit，validation 可记录 commit hash。

下一步（敏感性 / 横向对比清单）

• 敏感性：dca_amount ∈ {2k, 5k, 10k}，看现金耗尽时点对 5 年 NAV 的影响
• 敏感性：dca_frequency ∈ {M, W}，看高频小额 DCA 是否平滑回撤
• 敏感性：risk_allocation = inverse_price 在 2022 熊市的低吸效果
• 池子构成消融：去掉 512170/512100，仅留 4 只宽基；对比 alpha 是否回正
• 与 Strategy 2 (cn_etf_dca_swing) 横向对比：阈值再平衡能否在 2022 实现负相关 alpha
• 与 Strategy 3 (cn_etf_equal_rebalance) 横向对比：等权满仓 + 季度再平衡 在 2020 是否能保住 BH 的牛市收益
• 修复上文 tz 边界，再做一次 commit-trackable 复跑