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：

```text
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：

```text
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

```text
                         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：

```yaml
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

```text
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

```text
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

```text
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

```text
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：

```text
2018-06-01
```

只能使用在：

```text
2018-06-01
```

之前已经公布的数据。

不能使用：

```text
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：

```text
report_period
publication_date
effective_date
```

例如：

```text
report_period:
2017-12-31

publication_date:
2018-03-30

effective_date:
2018-03-30
```

回测时按照：

```text
effective_date <= strategy_date
```

进行数据查询。

---

# 7. 4. 生存者偏差

股票池必须支持：

```text
Point-in-Time Universe
```

不能只使用今天仍然存在的股票。

例如：

```text
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：

```text
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：

```text
Dividend Yield
```

并建立长期历史序列。

例如：

```text
2016 ───────────────────── 2026

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

统计：

```text
Min
Max
Mean
Median
P10
P25
P50
P75
P90
Std
```

---

# 10. 2. 股息率历史分布

核心指标：

```text
DividendYieldPercentile
```

例如：

```text
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：

```text
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

```text
Daily Std
```

### 月度波动

```text
Monthly Std
```

### 季度波动

```text
Quarterly Std
```

### 年度波动

```text
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：

```text
PE
PB
PS
EV/EBITDA
Dividend Yield
```

历史分布。

例如：

```text
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：

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

并观察：

```text
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：

```text
高股息
```

和：

```text
高质量高股息
```

重点分析：

### 分红连续性

```text
连续分红年数
```

### 分红稳定性

```text
DPS volatility
```

### 分红增长

```text
DPS CAGR
```

### 分红支付率

```text
Dividend / Net Profit
```

### 自由现金流覆盖

```text
Dividend / FCF
```

---

# 15. 7. 安全边际模型

建立：

```text
MarginOfSafety
```

可以由多个因子组成：

```text
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：

```text
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：

```text
Strategy Definition
```

例如：

```yaml
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：

```text
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：

```text
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：

```text
股息率 <= 历史25%分位
```

则：

```text
减仓/卖出
```

也可以设计：

```text
P50 → 减仓
P25 → 大幅减仓
```

---

# 19. 3. 加仓规则

建议支持分批建仓。

例如：

```text
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：

```text
max_position
```

例如：

```text
单只股票最大仓位 = 10%
```

同时：

```text
sector_max_position
```

例如：

```text
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：

```text
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：

```text
历史数据：10年
```

不要只进行一次：

```text
8年训练 + 2年测试
```

而应该支持：

> Walk-forward Backtest

---

# 23. Walk-forward 回测

例如：

```text
2015 ───────── 2022 │ 2023
       Training      │ Test

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

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

最终：

```text
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：

```text
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：

```text
Training:
2015-2022

Strategy:
Buy >= P80
Sell <= P30

Test:
2023
```

2023年的结果才是真正的：

```text
Out-of-Sample Result
```

---

# 26. 参数过拟合控制

不能：

```text
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：

```text
Strategy Version
Parameter Version
Training Period
Test Period
```

例如：

```text
Strategy v1.0

Buy = P75
Sell = P25

Training:
2015-2022

Test:
2023
```

---

# 27. 参数敏感性分析

例如：

```text
买入阈值：

P70
P75
P80
P85
P90
```

比较：

```text
CAGR
Max Drawdown
Sharpe
Calmar
```

如果：

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

说明策略对参数不敏感。

如果：

```text
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

```text
Initial Capital
Final Capital
Total Return
CAGR
Annual Return
```

---

## 28.2 风险指标

```text
Maximum Drawdown
Volatility
Downside Volatility
Sharpe Ratio
Sortino Ratio
Calmar Ratio
```

---

## 28.3 交易指标

```text
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：

```text
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：

```text
Commission
Stamp Duty
Transfer Fee
Slippage
```

回测不能假设：

```text
Buy Price = Market Price
Sell Price = Market Price
```

应该支持：

```yaml
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：

```text
现金分红
除权除息
送股
转增
配股
```

数据层建议独立保存：

```text
price
dividend
split
bonus
rights_issue
```

---

# 31. 分红再投资

至少支持两种模式：

### 模式A

```text
现金分红
→ 不再投资
```

### 模式B

```text
现金分红
→ 按规则重新投资
```

最终分别计算：

```text
Total Return
```

---

# 32. 第八阶段：交易记录

每一笔交易都必须记录：

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

其中：

```text
reason
```

非常重要。

例如：

```text
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：

```text
                     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：

```text
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：

```text
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：

```text
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：

```text
Strategy Explanation
```

包括：

### 策略逻辑

```text
为什么买？
为什么卖？
为什么持有？
```

### 历史表现

```text
收益
风险
回撤
交易次数
```

### 策略弱点

例如：

```text
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：

```text
Data Agent
Factor Agent
Strategy Agent
Backtest Agent
Analysis Agent
Report Agent
```

---

## 37.1 Data Agent

负责：

```text
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：

```text
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：

```yaml
strategy:
  ...
```

但必须经过：

```text
Schema Validation
```

之后才能运行。

---

## 37.4 Backtest Agent

负责调用：

```text
Backtest Engine
```

不能自己计算回测结果。

---

## 37.5 Analysis Agent

负责解释：

```text
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。

```text
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：

```text
DRAFT
RESEARCH
BACKTEST
VALIDATED
PAPER
LIVE
ARCHIVED
```

---

# 40. 推荐的数据结构

核心实体：

```text
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：

```text
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：

```text
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

```text
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

```text
股息率 >= 历史P75
```

### 卖出

```text
股息率 <= 历史P25
```

### 仓位

```text
单只股票最大10%
```

### 回测

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

### 成本

```text
佣金
印花税
滑点
```

### 输出

```text
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：

```text
PE/PB
ROE
ROIC
FCF
Debt Ratio
Dividend Payout
```

然后研究：

```text
多因子筛选
```

例如：

```text
高股息
+
高ROE
+
低PE
+
低负债
+
FCF稳定
```

---

# 45. 第三版扩展

增加：

```text
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：

```text
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：

```text
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

```text
Data Layer
≠
Strategy Layer
```

---

## 原则2：策略和回测引擎分离

```text
Strategy
↓
产生信号

Backtest Engine
↓
执行信号
```

---

## 原则3：所有策略参数化

不要：

```python
if dividend_yield > 0.04:
```

直接写死。

应该：

```python
if dividend_yield > strategy.params.min_yield:
```

---

## 原则4：所有策略版本化

```text
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：

```text
available_date
```

---

## 原则6：回测结果必须可复现

同样的：

```text
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：

```text
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：

```text
             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：

```text
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：

```text
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：

```text
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：

```text
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：

```text
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。