FundStrategy

基金多因子筛选与月度调仓回测模型

面向公募基金（灵活配置型/偏股混合型/普通股票型）的量化筛选+滚动回测一体化工具，支持多维度评分、自定义权重、多种加权方式、基准对比与完整绩效分析。

核心功能

✅ 基金指标全自动计算 近1年/3年收益、年化波动、最大回撤、夏普比率、卡玛比率、正收益月份占比、回撤恢复时间、下行波动等

✅ 多因子评分体系 收益能力 + 风险控制 + 持仓稳定性 三维打分，支持自定义权重，自动星级评级

✅ 严格初筛机制 成立年限、收益门槛、回撤约束，快速剔除劣质基金

✅ 月度调仓回测 按月末自动调仓，支持4种权重分配：等权/评分加权/夏普加权/评分平方加权

✅ 基准对比 + 超额分析 支持接入指数基准，计算超额收益、信息比率、跟踪误差、相对回撤

✅ 完整结果输出 每期评分表、调仓记录、日度净值、绩效指标、基准&超额净值全保存

项目结构

项目目录/
├── Fund_data/
│   └── Fund_value/       # 基金净值数据（按年份文件夹存放）
├── Benchmark/            # 基准指数文件（可选）
├── backtest_*/           # 回测结果自动生成目录
└── fund_model.py         # 主程序代码

数据要求

基金数据

• 文件格式：净值_灵活配置型.csv / 净值_偏股混合型.csv / 净值_普通股票型.csv
• 必须字段：code(基金代码)、day(日期)、refactor_net_value(复权净值)
• 目录结构：按年份分文件夹（如2020/、2021/）

基准数据（可选）

• Excel文件，包含：日期Date、收盘Close
• 用于策略对比、计算超额收益

环境安装

pip install pandas numpy openpyxl python-dateutil

快速使用

1. 基础配置（修改主程序路径）

DATA_PATH = "你的基金净值路径"
BENCHMARK_PATH = "你的基准Excel路径"  # 无基准填 None

2. 运行单次基金评分（输出榜单）

model = FundScreeningModel(DATA_PATH, end_date="2026-04-05")
result = model.run_pipeline()

输出：基金评分结果.csv（综合评分前N基金榜单）

3. 运行月度调仓回测（推荐）

custom_weights = {'return_ability': 0.7, 'risk_control': 0.2, 'stability': 0.1}

nav, reb, perf = model.run_backtest(
    start_date="2020-01-01",
    top_n=5,                    # 每期持仓5只
    weight_method='score_squared',
    save_dir='./backtest_result',
    benchmark_path=BENCHMARK_PATH,
    custom_weights=custom_weights
)

回测权重方法

方式	说明
equal	等权重
score	按综合评分线性加权
sharpe	按夏普比率加权
score_squared	评分平方加权（强化头部基金）

评分体系（可自定义权重）

• 收益能力 60%~70% 近3年收益、近1年收益、近6月动量、夏普比率
• 风险控制 20% 最大回撤、年化波动、下行波动
• 稳定性 10%~20% 正收益月份占比、卡玛比率、回撤恢复速度

初筛条件（可在代码中调整）

• 成立年限 ≥ 3年
• 近3年收益率 > 20%
• 近1年收益率 > 0
• 历史最大回撤 ≥ -20%

输出文件说明

回测完成后自动在 save_dir 生成：

• nav_*.csv：策略日度净值
• benchmark_*.csv：基准净值（如有）
• excess_nav_*.csv：超额净值
• rebalance_*.csv：每期调仓基金+权重
• scores_*.csv：每期完整基金评分
• performance_*.csv：绩效指标汇总

核心绩效指标

• 总收益 / 年化收益
• 年化波动 / 夏普比率
• 最大回撤 / 卡玛比率
• 超额收益 / 信息比率
• 跟踪误差 / 相对最大回撤

适用场景

• 公募基金量化优选
• 基金组合策略回测
• 基金产品业绩归因与评价
• 投顾组合策略研发

代码结构说明

主类：FundScreeningModel

• __init__：初始化路径与日期
• load_and_merge_data：加载多年份基金数据
• calculate_fund_metrics：计算基金核心指标
• initial_screening：基金初筛
• calculate_scores：多因子评分+排名
• run_pipeline：单次评分流程
• run_backtest：月度调仓回测（主函数）
• _calculate_performance：绩效指标计算

注意事项

1. 首次运行会全量计算，耗时较长
2. 回测起始日期必须满足基金成立满3年
3. 基准文件日期必须与基金日期区间覆盖
4. 权重与筛选条件可根据策略风格自由调整

---

典型回测命令（直接可用）

if __name__ == "__main__":
    DATA_PATH = r"./Fund_data/Fund_value"
    BENCHMARK_PATH = r"./Benchmark/930950perf.xlsx"

    model = FundScreeningModel(DATA_PATH, end_date="2026-04-05")
    
    # 激进风格：高收益权重 + 评分平方加权
    custom_weights = {'return_ability': 0.7, 'risk_control': 0.2, 'stability': 0.1}
    
    nav, reb, perf = model.run_backtest(
        start_date="2020-01-01",
        top_n=5,
        weight_method='score_squared',
        save_dir='./backtest_aggressive',
        benchmark_path=BENCHMARK_PATH,
        custom_weights=custom_weights
    )