ggx/docs/plan.md

A股投资策略制定与回测方案

版本：V1.0 目标：建立一套可扩展的 A 股投资策略研究、策略制定、个股分析与回测体系。 核心案例：高股息 + 安全边际 + 估值均值回归策略

---

1. 项目目标

实现一套从：

股票筛选
    ↓
个股特性分析
    ↓
因子研究
    ↓
交易策略制定
    ↓
历史回测
    ↓
样本外验证
    ↓
策略评价
    ↓
策略报告

的完整 A 股投资策略研究系统。

系统不以“预测明天涨跌”为主要目标，而是通过：

• 基本面筛选
• 历史估值分析
• 安全边际分析
• 交易规则参数化
• 历史回测
• Walk-forward 验证

寻找长期具有可重复性的投资策略。

---

2. 核心投资思想

以高股息策略为例：

寻找长期稳定分红、财务质量较好、规模较大、上市时间较长的公司，当其股息率进入历史相对高位时买入，当股息率下降到历史相对低位时卖出或减仓。

核心思想：

公司质量
    +
长期稳定分红
    +
合理/低估价格
    +
安全边际
    +
估值均值回归
    ↓
形成交易策略

---

3. 整体系统流程

                         A股全市场
                             │
                             ↓
                   Point-in-Time 数据
                             │
                             ↓
                    股票初步筛选
                             │
             ┌───────────────┼───────────────┐
             ↓               ↓               ↓
           基本面            估值            风险
             │               │               │
             └───────────────┼───────────────┘
                             ↓
                        候选股票池
                             │
                             ↓
                       个股特性分析
                             │
             ┌───────────────┼───────────────┐
             ↓               ↓               ↓
          股息率历史        财务质量         风险特征
          估值分布          分红质量         波动特征
             │               │               │
             └───────────────┼───────────────┘
                             ↓
                        因子研究
                             │
                             ↓
                       策略参数制定
                             │
                             ↓
                     Walk-forward 回测
                             │
             ┌───────────────┼───────────────┐
             ↓               ↓               ↓
          收益分析         风险分析        交易分析
             │               │               │
             └───────────────┼───────────────┘
                             ↓
                       样本外验证
                             │
                             ↓
                       策略稳定性分析
                             │
                             ↓
                         AI策略分析
                             │
                             ↓
                         策略报告

---

4. 第一阶段：股票筛选

4.1 基础筛选条件

以高股息策略为例：

universe:
  min_market_cap: 50000000000
  min_listing_years: 10
  exclude_st: true

dividend:
  min_continuous_dividend_years: 5
  min_dividend_yield: 0.03

基础条件：

条件	默认值	说明
连续分红年限	≥5年	判断分红稳定性
最低股息率	≥3%	初步估值过滤
市值	≥500亿元	降低小市值风险
上市年限	≥10年	获得较长历史数据
ST	排除	极端风险过滤

这些参数必须支持用户调整。

---

5. 2. 股票筛选条件分类

股票筛选不要全部写死在程序中，应拆成不同类型的 Filter。

5.1 市场属性

MarketFilter

包括：

• A股
• 沪市/深市/北交所
• 主板/创业板/科创板
• 上市时间
• 市值
• 流通市值

---

5.2 风险过滤

RiskFilter

包括：

• ST
• *ST
• 退市整理
• 已退市
• 连续亏损
• 大股东高比例质押
• 重大诉讼
• 商誉异常
• 经营异常

---

5.3 分红过滤

DividendFilter

包括：

• 连续分红年数
• 最近N年分红次数
• 最近N年现金分红
• DPS
• 股息率
• 分红增长率
• 分红支付率
• FCF覆盖分红

---

5.4 财务质量过滤

FinancialQualityFilter

包括：

• ROE
• ROIC
• 毛利率
• 净利率
• 营业利润率
• 经营现金流
• 自由现金流
• 资产负债率
• 净现金
• 利息覆盖倍数

---

6. 3. Point-in-Time 数据原则

这是整个回测系统必须遵守的核心原则。

任何历史回测都只能使用：

在当时已经公开、并且投资者当时能够获得的数据。

例如：

2018-06-01

只能使用在：

2018-06-01

之前已经公布的数据。

不能使用：

2019年年报
2020年年报
2021年财务数据

判断 2018 年股票是否符合条件。

---

6.1 财务数据必须保存

至少保存：

report_period
publication_date
effective_date

例如：

report_period:
2017-12-31

publication_date:
2018-03-30

effective_date:
2018-03-30

回测时按照：

effective_date <= strategy_date

进行数据查询。

---

7. 4. 生存者偏差

股票池必须支持：

Point-in-Time Universe

不能只使用今天仍然存在的股票。

例如：

2016年A股股票池
        ↓
2017年新增股票
        ↓
2018年新增股票
        ↓
退市股票
        ↓
ST股票

每个交易日的股票池应该反映当时真实市场状态。

必须保留：

上市日期
退市日期
ST日期
暂停上市日期
恢复上市日期

---

8. 第二阶段：个股特性分析

股票经过筛选后，不直接进入交易。

首先建立：

StockProfile

个股画像。

---

9. 1. 股息率分析

计算：

Dividend Yield

并建立长期历史序列。

例如：

2016 ───────────────────── 2026

2.5%
3.0%
3.5%
4.0%
4.5%
5.0%

统计：

Min
Max
Mean
Median
P10
P25
P50
P75
P90
Std

---

10. 2. 股息率历史分布

核心指标：

DividendYieldPercentile

例如：

当前股息率 = 4.8%

历史分位：
P75 = 4.2%
P90 = 5.1%

当前 = 4.8%

则当前股息率处于：

75% ~ 90%

的历史高位区间。

这可以作为买入信号的重要依据。

---

11. 3. 股息率波动分析

计算：

日波动

Daily Std

月度波动

Monthly Std

季度波动

Quarterly Std

年度波动

Annual Std

目的：

判断：

该股票的股息率是否长期稳定，还是经常发生剧烈变化。

---

12. 4. 个股估值分布

除股息率外，建议同时建立：

PE
PB
PS
EV/EBITDA
Dividend Yield

历史分布。

例如：

指标             P10    P25    P50    P75    P90

Dividend Yield   2.3%   2.8%   3.5%   4.2%   5.1%
PE               8      10     13     17     22
PB               0.8    1.0    1.3    1.7    2.2

形成：

个股历史估值画像。

---

13. 5. 财务质量画像

每只候选股票计算：

ROE
ROIC
Revenue CAGR
Profit CAGR
FCF CAGR
Debt Ratio
Operating Cash Flow
Free Cash Flow
Dividend Payout Ratio

并观察：

5年
8年
10年

趋势。

---

14. 6. 分红质量

高股息策略不能只看股息率。

必须区分：

高股息

和：

高质量高股息

重点分析：

分红连续性

连续分红年数

分红稳定性

DPS volatility

分红增长

DPS CAGR

分红支付率

Dividend / Net Profit

自由现金流覆盖

Dividend / FCF

---

15. 7. 安全边际模型

建立：

MarginOfSafety

可以由多个因子组成：

MarginOfSafety
=
Dividend Yield Score
+
Valuation Score
+
Financial Quality Score
+
Balance Sheet Score
+
Dividend Quality Score

第一版不建议直接复杂加权。

可以先分别展示：

股息率安全边际
估值安全边际
财务安全边际
分红安全边际

之后再考虑综合评分。

---

16. 第三阶段：交易策略

策略不要写死在代码中。

应该设计为：

Strategy Definition

例如：

strategy:
  name: high_dividend_mean_reversion
  version: 1.0

universe:
  min_market_cap: 50000000000
  min_listing_years: 10
  exclude_st: true

dividend:
  min_yield: 0.03
  min_continuous_years: 5

entry:
  yield_percentile: 75

exit:
  yield_percentile: 25

risk:
  max_position: 0.10
  max_drawdown: 0.20

---

17. 1. 买入规则

第一版：

当：

股息率 >= 历史75%分位
AND
股票通过基本面筛选
AND
股票未进入风险状态

→ 买入

进一步可以设计：

股息率 >= P75
        ↓
观察

股息率 >= P80
        ↓
建立仓位

股息率 >= P90
        ↓
增加仓位

---

18. 2. 卖出规则

例如：

股息率 <= 历史25%分位

则：

减仓/卖出

也可以设计：

P50 → 减仓
P25 → 大幅减仓

---

19. 3. 加仓规则

建议支持分批建仓。

例如：

P75 → 25%仓位

P80 → 50%仓位

P85 → 75%仓位

P90 → 100%仓位

这样可以研究：

一次性买入 vs 分批买入

的差异。

---

20. 4. 仓位控制

每只股票增加：

max_position

例如：

单只股票最大仓位 = 10%

同时：

sector_max_position

例如：

单行业最大仓位 = 25%

防止高股息策略最终集中到少数行业。

---

21. 5. 风险控制

第一版可以支持：

最大单股仓位
最大行业仓位
最大组合回撤
最大单股回撤
流动性限制

不建议一开始加入大量复杂止损规则。

因为止损本身也是策略变量，很容易导致过拟合。

---

22. 第四阶段：回测

假设：

历史数据：10年

不要只进行一次：

8年训练 + 2年测试

而应该支持：

Walk-forward Backtest

---

23. Walk-forward 回测

例如：

2015 ───────── 2022 │ 2023
       Training      │ Test

2016 ───────── 2023 │ 2024
       Training      │ Test

2017 ───────── 2024 │ 2025
       Training      │ Test

最终：

多个样本外结果
        ↓
综合评价

---

24. Training Period

训练阶段用于：

• 确定股息率历史分布
• 确定买入阈值
• 确定卖出阈值
• 确定仓位规则
• 确定风险参数

例如：

P70
P75
P80
P85
P90

可以在训练数据中研究。

---

25. Test Period

测试阶段：

禁止重新调整策略参数。

例如：

Training:
2015-2022

Strategy:
Buy >= P80
Sell <= P30

Test:
2023

2023年的结果才是真正的：

Out-of-Sample Result

---

26. 参数过拟合控制

不能：

不断调整参数
→ 回测
→ 找到收益最高参数
→ 宣布策略有效

应该记录：

Strategy Version
Parameter Version
Training Period
Test Period

例如：

Strategy v1.0

Buy = P75
Sell = P25

Training:
2015-2022

Test:
2023

---

27. 参数敏感性分析

例如：

买入阈值：

P70
P75
P80
P85
P90

比较：

CAGR
Max Drawdown
Sharpe
Calmar

如果：

P75 → CAGR 13%
P80 → CAGR 13.5%
P85 → CAGR 13.2%

说明策略对参数不敏感。

如果：

P79 → CAGR 18%
P80 → CAGR 20%
P81 → CAGR 8%

说明很可能存在过拟合。

---

28. 第五阶段：回测结果

回测结果至少分成四类。

---

28.1 收益指标

Initial Capital
Final Capital
Total Return
CAGR
Annual Return

---

28.2 风险指标

Maximum Drawdown
Volatility
Downside Volatility
Sharpe Ratio
Sortino Ratio
Calmar Ratio

---

28.3 交易指标

Number of Trades
Win Rate
Average Holding Period
Average Profit
Average Loss
Profit Factor
Turnover

---

28.4 基准比较

至少比较：

策略
沪深300
中证红利
上证指数

根据策略类型选择合适 Benchmark。

---

29. 第六阶段：交易成本

必须加入：

Commission
Stamp Duty
Transfer Fee
Slippage

回测不能假设：

Buy Price = Market Price
Sell Price = Market Price

应该支持：

cost:
  commission: ...
  stamp_duty: ...
  slippage: ...

并支持不同成本模型。

---

30. 第七阶段：分红处理

高股息策略必须正确处理：

现金分红
除权除息
送股
转增
配股

数据层建议独立保存：

price
dividend
split
bonus
rights_issue

---

31. 分红再投资

至少支持两种模式：

模式A

现金分红
→ 不再投资

模式B

现金分红
→ 按规则重新投资

最终分别计算：

Total Return

---

32. 第八阶段：交易记录

每一笔交易都必须记录：

trade_id
strategy_id
stock_code
signal_date
execution_date
side
price
quantity
amount
commission
tax
slippage
reason

其中：

reason

非常重要。

例如：

BUY

reason:
Dividend Yield = 4.82%
Historical Percentile = 86%
ROE = 15.3%
FCF positive = true
Risk Filter = PASS

这样后续 AI 才能分析：

为什么买？

---

33. 第九阶段：K线与交易点

前端个股页面建议展示：

                     股票K线

        ┌────────────────────────────┐
        │                            │
        │      K线                   │
        │       ▲ BUY                │
        │                 ▼ SELL     │
        │                            │
        └────────────────────────────┘

        股息率
        ────────────────────────────

        PE
        ────────────────────────────

        PB
        ────────────────────────────

        回撤
        ────────────────────────────

买卖点直接标记在K线上。

---

34. 第十阶段：策略研究页面

前端建议分成：

策略配置
    ↓
股票池
    ↓
个股画像
    ↓
参数研究
    ↓
回测
    ↓
交易记录
    ↓
绩效分析
    ↓
Walk-forward
    ↓
策略报告

---

35. 个股画像页面

例如：

贵州茅台

当前股息率：3.2%

历史股息率：

P10  1.8%
P25  2.1%
P50  2.6%
P75  3.4%
P90  4.1%

当前：
3.2%

历史分位：
≈70%

同时展示：

ROE
ROIC
PE
PB
FCF
DPS
Payout Ratio
Debt Ratio

---

36. 第十一阶段：策略解释

策略回测完成后，系统自动生成：

Strategy Explanation

包括：

策略逻辑

为什么买？
为什么卖？
为什么持有？

历史表现

收益
风险
回撤
交易次数

策略弱点

例如：

1. 对周期行业敏感
2. 高股息可能来自盈利下降
3. 行业集中风险
4. 极端行情下估值可能长期不回归

---

37. 第十二阶段：AI Agent

AI Agent 不负责直接修改回测结果。

建议定位为：

Data Agent
Factor Agent
Strategy Agent
Backtest Agent
Analysis Agent
Report Agent

---

37.1 Data Agent

负责：

检查数据完整性
检查缺失数据
检查日期问题
检查未来函数

---

37.2 Factor Agent

负责：

分析因子
计算因子统计
寻找因子关系
生成因子报告

---

37.3 Strategy Agent

根据用户自然语言生成：

strategy:
  ...

但必须经过：

Schema Validation

之后才能运行。

---

37.4 Backtest Agent

负责调用：

Backtest Engine

不能自己计算回测结果。

---

37.5 Analysis Agent

负责解释：

为什么策略赚钱？
为什么策略亏损？
什么时候失效？

---

38. 第十三阶段：策略生命周期

所有策略都应该版本化。

Strategy v1.0
       ↓
Backtest
       ↓
发现问题
       ↓
Strategy v1.1
       ↓
重新回测
       ↓
Walk-forward
       ↓
Paper Trading
       ↓
Live

---

39. 策略状态

建议：

DRAFT
RESEARCH
BACKTEST
VALIDATED
PAPER
LIVE
ARCHIVED

---

40. 推荐的数据结构

核心实体：

Stock
TradingCalendar
Price
CorporateAction
FinancialReport
Dividend
Factor
StockProfile
Universe
Strategy
StrategyParameter
Backtest
BacktestTrade
BacktestPosition
Performance
Benchmark

---

41. 核心模块

代码层建议：

data/
├── market/
├── financial/
├── dividend/
├── corporate_action/
└── calendar/

universe/
├── filters/
├── selector.py
└── universe_manager.py

factor/
├── valuation/
├── dividend/
├── financial/
├── quality/
└── factor_engine.py

profile/
├── stock_profile.py
├── dividend_profile.py
├── valuation_profile.py
└── risk_profile.py

strategy/
├── base.py
├── registry.py
├── high_dividend.py
└── rules/

backtest/
├── engine.py
├── portfolio.py
├── execution.py
├── cost.py
├── benchmark.py
└── walk_forward.py

analysis/
├── performance.py
├── risk.py
├── trade_analysis.py
├── sensitivity.py
└── attribution.py

report/
├── strategy_report.py
└── backtest_report.py

ai/
├── data_agent.py
├── factor_agent.py
├── strategy_agent.py
├── backtest_agent.py
└── analysis_agent.py

---

42. 第一版 MVP

不要一开始实现全部功能。

建议第一阶段只完成：

Tushare
   ↓
SQLite
   ↓
A股股票池
   ↓
高股息筛选
   ↓
个股股息率历史分析
   ↓
P75/P25交易规则
   ↓
Backtest
   ↓
K线 + 买卖点
   ↓
收益/回撤/交易报告

---

43. MVP 第一版策略

严格保持简单：

股票筛选

上市 ≥ 10年
市值 ≥ 500亿元
连续现金分红 ≥ 5年
当前股息率 ≥ 3%
非ST

买入

股息率 >= 历史P75

卖出

股息率 <= 历史P25

仓位

单只股票最大10%

回测

Walk-forward
Training = 5~8年
Test = 1~2年

成本

佣金
印花税
滑点

输出

CAGR
Maximum Drawdown
Sharpe
Calmar
Win Rate
Trade Count
Average Holding Period
Benchmark Comparison

---

44. 第二版扩展

MVP稳定后增加：

PE/PB
ROE
ROIC
FCF
Debt Ratio
Dividend Payout

然后研究：

多因子筛选

例如：

高股息
+
高ROE
+
低PE
+
低负债
+
FCF稳定

---

45. 第三版扩展

增加：

动态仓位
分批买入
分批卖出
行业限制
组合管理
风险预算

---

46. 第四版扩展

增加：

AI Agent
自然语言策略生成
策略解释
自动因子研究
自动回测
自动生成研究报告

最终形成：

用户：

“帮我找长期稳定分红、
财务质量较好，
股息率处于历史高位的A股。”

        ↓

AI Strategy Agent

        ↓

生成筛选条件

        ↓

Factor Engine

        ↓

候选股票

        ↓

Stock Profile

        ↓

Strategy Engine

        ↓

Walk-forward Backtest

        ↓

Analysis Agent

        ↓

策略研究报告

---

47. 核心设计原则

整个系统开发过程中遵循以下原则：

原则1：数据和策略分离

Data Layer
≠
Strategy Layer

---

原则2：策略和回测引擎分离

Strategy
↓
产生信号

Backtest Engine
↓
执行信号

---

原则3：所有策略参数化

不要：

if dividend_yield > 0.04:

直接写死。

应该：

if dividend_yield > strategy.params.min_yield:

---

原则4：所有策略版本化

strategy_id
version
parameters
created_at

---

原则5：严格防止未来函数

任何数据都必须带：

available_date

---

原则6：回测结果必须可复现

同样的：

数据版本
+
策略版本
+
参数
+
回测时间

必须产生相同结果。

---

原则7：收益不是唯一目标

必须同时关注：

收益
风险
回撤
稳定性
交易频率
参数敏感性
样本外表现

---

48. 最终目标

最终系统形成：

             A股投资研究平台

┌─────────────────────────────────┐
│            Data Layer           │
│ Tushare / Sina / SQLite / MySQL │
└────────────────┬────────────────┘
                 ↓
┌─────────────────────────────────┐
│         Factor Research         │
│ Dividend / Value / Quality      │
└────────────────┬────────────────┘
                 ↓
┌─────────────────────────────────┐
│        Stock Screening          │
│      Point-in-Time Universe     │
└────────────────┬────────────────┘
                 ↓
┌─────────────────────────────────┐
│         Stock Profile           │
│ 历史估值 / 财务 / 风险 / 股息率   │
└────────────────┬────────────────┘
                 ↓
┌─────────────────────────────────┐
│        Strategy Engine          │
│     参数化 / DSL / Versioning   │
└────────────────┬────────────────┘
                 ↓
┌─────────────────────────────────┐
│        Backtest Engine          │
│ Cost / Dividend / Corporate     │
│ Action / Walk-forward           │
└────────────────┬────────────────┘
                 ↓
┌─────────────────────────────────┐
│       Performance Analysis      │
│ Return / Risk / Drawdown / Trade│
└────────────────┬────────────────┘
                 ↓
┌─────────────────────────────────┐
│             AI Agent            │
│ Research / Analysis / Report    │
└─────────────────────────────────┘

---

49. 开发优先级

建议按照下面顺序实施：

P0
数据模型
股票基本信息
交易日历
日线
分红
复权/公司行为
        ↓
P1
Point-in-Time 财务数据
        ↓
P2
股票筛选器
        ↓
P3
股息率因子
        ↓
P4
个股画像
        ↓
P5
策略DSL
        ↓
P6
Backtest Engine
        ↓
P7
Walk-forward
        ↓
P8
Performance Analysis
        ↓
P9
K线 + 买卖点
        ↓
P10
策略版本管理
        ↓
P11
AI Agent

---

50. 第一阶段验收标准

第一版系统完成后，至少应该能够完成以下操作：

输入：

高股息策略

最低市值：500亿
上市年限：10年
连续分红：5年
最低股息率：3%
买入：历史P75
卖出：历史P25

系统自动：

① 找出符合条件的股票

② 生成股票池

③ 计算每只股票历史股息率分布

④ 计算P10/P25/P50/P75/P90

⑤ 生成买卖信号

⑥ 执行历史回测

⑦ 正确处理分红和除权

⑧ 加入交易成本

⑨ 输出K线和买卖点

⑩ 输出收益、回撤、Sharpe等指标

⑪ 与Benchmark比较

⑫ 执行Walk-forward

⑬ 输出样本内/样本外结果

⑭ 保存完整策略参数和版本

这样，第一版就已经具备一个真正的可研究、可复现、可扩展的A股策略回测框架。

---

51. 后续策略扩展

高股息只是第一种策略。

在相同框架下，可以继续实现：

高股息策略
价值策略
低PE策略
低PB策略
高ROE策略
质量因子策略
红利+价值
红利+质量
价值+质量
多因子策略
均值回归
趋势策略

最终统一成：

Universe
    ↓
Factors
    ↓
Stock Profile
    ↓
Strategy
    ↓
Portfolio
    ↓
Backtest
    ↓
Analysis

从而避免每增加一种投资策略，就重新开发一套系统。