不告诉你「历史年化多少」，而是告诉你这个数字有多不可靠。
一个用来回答**「这个定投组合到底靠不靠谱」**的框架。
它的重点不是算出某个组合历史年化多少——那个数字几乎总是被起点美化过—— 而是回答：换个时间开始还成立吗？权重错几个点会怎样？在模型没见过的数据上还站得住吗？
同一只沪深300基金，2005 年起投年化 9.5%，2008 年起投只有 2.0%。差距不来自选基能力，来自运气。 绝大多数「年化 XX%」的回测都没有回答这个问题。
本框架把四类反过拟合检验做成了一条命令：
| 检验 | 回答什么问题 |
|---|---|
| 起点敏感性 | 换个年份开始，结果差多少 |
| 全周期矩阵 | 任何一年入场、持有任何时长，分别是什么结果 |
| 权重扰动 | 权重错 3/5/8 个百分点，结论还成立吗 |
| 样本外 Walk-Forward | 训练段优化的权重，到新数据上是否失效 |
| Block Bootstrap | 在历史上没发生但可能发生的路径里表现如何 |
| 蒙特卡洛前瞻 | 未来 20 年的分布，含收益打折情景 |
pip install -r requirements.txt
python -m dca sources # 看有哪些数据源
python -m dca fetch -c configs/default.yaml # 抓数据（仓库不含数据）
python -m dca run -c configs/default.yaml --proxy # 基础回测
python -m dca test -c configs/default.yaml --proxy # 全套稳健性检验 ← 主命令
python -m dca walkforward -c configs/default.yaml --proxy
python -m dca optimize -c configs/default.yaml --proxy
# 生成自包含 HTML 报告（可直接分享，含全部图表）
python -m dca report -c configs/default.yaml --proxy \
--benchmark csindex:H00300 -o out/report.htmldocs/example-report.html 是一份完整的示例产出。
或者用 Python API 自己组装：
from dca import Portfolio, analysis as A
p = Portfolio.from_yaml("configs/default.yaml")
r = p.returns(use_proxy=True)
print(A.rolling_table(r, p.weights)) # 多期限滚动定投
print(A.asset_start_sensitivity(p, {"2008起": "2008-01-01",
"2013起": "2013-01-01"}, use_proxy=True))
print(A.weight_perturbation(r, p.weights)) # 权重扰动
print(A.monte_carlo(r, p.weights, years=20, shock={"美股纳指100": 0.6}))name: 我的组合
monthly_amount: 2000
assets:
- {name: A股红利, source: fund, code: "009051", weight: 0.28}
- {name: 标普500, source: fund, code: "017641", weight: 0.17}
- {name: 黄金, source: sina_fut, code: AU0, weight: 0.15, tracking_diff: 0.003}低费率的指数基金普遍是近几年成立的。直接回测 configs/default.yaml 的公共窗口只有 3.5 年，
做 10 年期检验样本严重不足。所以每个资产可以额外声明一个长历史代理：
- name: 美股标普500
source: fund
code: "017641" # 实盘买这个
weight: 0.18
proxy: # 回测用这个（同一标的，18.7 年历史）
source: sina_us
code: ".INX"
dividend: 0.019 # 价格指数缺失的股息，补回
fx: USDCNY # 折算人民币，含汇率影响
annual_fee: 0.0065 # 指数不含费用，扣掉加 --proxy 即在长历史上跑。两个口径的结果不可混用于同一结论。
三个校正字段是把「代理」还原成「可买产品」的关键：
| 字段 | 用途 | 例子 |
|---|---|---|
dividend |
价格指数缺失的股息 | 标普 1.9%、港股红利 4% |
annual_fee |
指数不含基金费用 | A股 0.20%、QDII 0.65% |
tracking_diff |
代理与实际产品的差 | 沪金 AU0 vs 黄金ETF：0.30%（实测校准） |
| 赛道 | source |
说明 |
|---|---|---|
| 场外基金（全品类） | fund |
天天基金，27,790 只，复权净值已含分红与费用 |
| A股/港股通指数 | csindex |
中证官网，H 开头为全收益，可回溯到 2004 |
| 美股指数 | sina_us |
.INX .IXIC .DJI，2004 起 |
| 港股指数 | sina_hk |
HSI HSCEI HSTECH |
| 商品 | sina_fut |
AU0 沪金(2008起) AG0 银 CU0 铜(2005起) SC0 原油 |
| 其他任意 | akshare |
逃生舱，直接调 akshare 任意接口 |
configs/examples/ 下有商品、全球股票、全天候、A股多风格、指数长历史五个现成示例。
新增一个赛道 = 写一个 Source 子类并 @register，其余（回测/检验/报告）全部自动可用：
from dca.sources import Source, register, http_get
@register
class MySource(Source):
key = "my"
label = "我的数据源"
def _fetch(self, code):
... # 返回 DataFrame[date, px]本仓库不包含任何行情数据，只包含取数代码。数据版权归各来源所有，请自行抓取，不要重分发。
默认每次网络请求间隔 3 秒（DCA_MIN_GAP 可调，但请勿调低）。
中证指数官网限流严格，务必依赖本地缓存。
筛查中发现中证 H20269「红利低波100全收益」相对其价格指数的隐含股息率高达 6.06%/年
（正常红利指数约 3.9%），与同系列不自洽，判定为口径不匹配。
若误用该序列，会得出「红利低波年化 16.7%、超过纳斯达克」的错误结论。
用价格指数与全收益指数反推隐含股息率来交叉校验，是接入任何新指数前都该做的一步。
dca/
sources/ 数据源（可插拔）
portfolio.py 组合定义、取数、对齐、口径校正
engine.py 定投引擎（IRR / 滚动窗口 / 再平衡 / 递增 / 逆势加码）
analysis/ 起点敏感性、全周期矩阵、样本外、扰动、Bootstrap、蒙特卡洛
cli.py 命令行
configs/ 组合配置与各赛道示例
tests/ 自检（IRR 精度、费率方向、窗口切片…）
archive/ 最初的一次性研究脚本，仅作留档
本项目是历史数据的回测工具与研究记录，不构成投资建议，也不是任何形式的投资顾问服务。
配置文件中出现的基金代码，是脚本按「同标的下年费率最低 + 规模达标 + 成立满一年」规则筛出的 示例输出，不是推荐。任何组合的实际结果取决于何时开始、能否坚持，以及未来真实发生了什么。
回测有其固有局限：滚动窗口样本高度重叠、指数基金存在生存者偏差、
历史收益率（尤其是债券与美股）大概率不可持续。
使用前请阅读 docs/limitations.md。请根据自身情况判断，必要时咨询有资质的投资顾问。
docs/limitations.md—— 方法与数据的全部已知边界，建议先读CONTRIBUTING.md—— 如何新增数据源、口径校验要求、测试规范CHANGELOG.md—— 版本历史，含研究过程中修正的错误docs/example-report.html—— 一份完整的报告产出示例
最需要的是修复失效的数据源——公开行情接口经常无预警变更。
新增一个赛道只需写一个 Source 子类，回测与报告会自动支持。详见 CONTRIBUTING.md。
MIT