在量化投资领域很多投资者都有过这样的经历看到券商研报中精美的策略回测曲线和诱人的收益数据却苦于没有完整的代码实现只能停留在理论层面。本文将带你完整复现一个经典的ETF双因子轮动策略从数据获取到回测分析提供全套可运行的Python源码让你真正把研报理论转化为实战工具。本文适合有一定Python基础的量化投资爱好者无论是学生、个人投资者还是专业开发者都能通过本文掌握ETF轮动策略的完整实现流程。学完后你将能够独立完成数据获取、因子计算、策略构建和回测分析的全套工作。1. ETF双因子轮动策略核心概念1.1 什么是ETF轮动策略ETF轮动策略是一种基于市场风格轮动的投资方法通过在不同类型的ETF之间进行切换捕捉不同市场环境下的投资机会。与传统买入持有策略不同轮动策略强调动态调整根据市场信号主动切换持仓品种。轮动策略的核心逻辑在于不同资产类别如股票、债券、商品或不同行业板块在不同市场周期中表现存在差异。通过识别当前市场的主导风格可以将资金配置到相对强势的品种中实现超额收益。1.2 双因子模型理论基础双因子轮动策略通常结合动量因子和质量因子进行综合评估动量因子衡量资产价格的趋势强度基于强者恒强的市场现象。常见的动量指标包括短期收益率如20日收益率长期收益率如120日收益率动量突破指标如价格突破均线质量因子评估资产的稳健性和风险特征确保选择的ETF具有较好的基本面支撑。常用质量指标包括波动率历史波动率越低质量越高最大回撤控制下行风险夏普比率风险调整后收益双因子结合的优势在于动量因子捕捉趋势机会质量因子过滤虚假信号两者结合可以提高策略的稳定性和抗风险能力。1.3 策略适用场景与风险提示ETF双因子轮动策略特别适合震荡市和结构性行情在单边牛市或熊市中表现相对平缓。策略的有效性依赖于市场风格的持续性如果市场风格快速切换可能会产生较高的换手成本和策略滞后。重要风险提示本文提供的策略仅用于技术学习和研究目的不构成任何投资建议。量化策略存在过拟合风险历史回测不代表未来表现实际投资需谨慎评估风险承受能力。2. 环境准备与数据源配置2.1 Python环境要求本策略基于Python 3.8环境开发需要安装以下核心库# 基础数据处理库 pip install pandas1.3.0 pip install numpy1.21.0 # 金融数据获取和回测库 pip install akshare1.2.0 # 免费金融数据接口 pip install backtrader1.9.0 # 专业回测框架 # 可视化库 pip install matplotlib3.5.0 pip install seaborn0.11.0 # 日期处理 pip install datetime建议使用Jupyter Notebook或VS Code进行代码开发和调试便于分步验证各个环节的输出结果。2.2 数据源选择与配置本策略使用akshare作为主要数据源这是一个开源的金融数据接口库提供丰富的A股、基金、期货等数据。akshare的优势在于完全免费、数据更新及时、接口稳定。import akshare as ak import pandas as pd import numpy as np from datetime import datetime, timedelta import warnings warnings.filterwarnings(ignore) # 验证akshare数据接口是否正常 def test_akshare_connection(): try: # 测试获取沪深300ETF数据 test_data ak.fund_etf_hist_sina(symbolsh510300) print(akshare数据接口连接正常) print(f最新数据日期{test_data[date].iloc[-1]}) return True except Exception as e: print(f数据接口异常{e}) return False # 运行连接测试 test_akshare_connection()2.3 ETF池选择标准构建ETF轮动策略的第一步是确定备选ETF池。选择标准包括规模较大通常10亿元流动性好跟踪误差小代表性强覆盖不同资产类别和行业板块# 主要ETF列表及代码映射 ETF_POOL { 510300: 沪深300ETF, # 大盘宽基 510500: 中证500ETF, # 中小盘 512100: 中证1000ETF, # 小盘股 512880: 证券ETF, # 券商板块 515000: 科技ETF, # 科技板块 512690: 酒ETF, # 消费板块 518880: 黄金ETF, # 商品黄金 511010: 国债ETF, # 债券防御 } # ETF分类字典 ETF_CATEGORY { 权益类: [510300, 510500, 512100], 行业类: [512880, 515000, 512690], 防御类: [518880, 511010] }3. 数据获取与预处理模块3.1 历史数据批量下载实现一个稳健的数据下载函数处理网络异常、数据缺失等边界情况def fetch_etf_data(etf_code, start_date20180101, end_dateNone): 获取ETF历史行情数据 if end_date is None: end_date datetime.now().strftime(%Y%m%d) max_retries 3 for attempt in range(max_retries): try: # 使用akshare获取ETF历史数据 df ak.fund_etf_hist_sina(symbolfsh{etf_code}) df[code] etf_code df[date] pd.to_datetime(df[date]) df df.sort_values(date).reset_index(dropTrue) # 数据质量检查 if len(df) 100: print(f警告{etf_code}数据量不足) return None # 处理缺失值 df df.fillna(methodffill) print(f成功获取{etf_code}数据时间范围{df[date].min()} 至 {df[date].max()}) return df except Exception as e: print(f第{attempt1}次尝试获取{etf_code}数据失败{e}) if attempt max_retries - 1: print(f获取{etf_code}数据最终失败) return None time.sleep(2) # 等待2秒后重试 # 批量下载所有ETF数据 def fetch_all_etf_data(etf_pool, start_date20180101): 批量获取ETF池中所有品种的历史数据 all_data {} for code in etf_pool.keys(): print(f正在下载 {code} 数据...) data fetch_etf_data(code, start_date) if data is not None: all_data[code] data time.sleep(1) # 避免请求过于频繁 print(f数据下载完成成功获取{len(all_data)}个ETF数据) return all_data # 执行数据下载 etf_data_dict fetch_all_etf_data(ETF_POOL)3.2 数据清洗与对齐不同ETF的交易日可能不完全一致需要进行数据对齐处理def align_etf_data(etf_data_dict): 对齐所有ETF的交易日期确保时间轴一致 # 找出所有ETF的共同交易日期 all_dates None for code, data in etf_data_dict.items(): if all_dates is None: all_dates set(data[date]) else: all_dates all_dates.intersection(set(data[date])) # 转换为排序后的日期列表 common_dates sorted(list(all_dates)) print(f共同交易日数量{len(common_dates)}) # 按共同交易日对齐数据 aligned_data {} for code, data in etf_data_dict.items(): aligned_df data[data[date].isin(common_dates)].sort_values(date) aligned_df aligned_df.reset_index(dropTrue) aligned_data[code] aligned_df return aligned_data, common_dates # 执行数据对齐 aligned_etf_data, trading_dates align_etf_data(etf_data_dict)3.3 基础指标计算计算每个ETF的收益率、波动率等基础指标def calculate_basic_indicators(aligned_etf_data): 计算每个ETF的基础技术指标 indicators_dict {} for code, data in aligned_etf_data.items(): df data.copy() df df.sort_values(date).reset_index(dropTrue) # 计算日收益率 df[daily_return] df[close].pct_change() # 计算滚动波动率20日 df[volatility_20d] df[daily_return].rolling(20).std() # 计算不同周期的动量收益率 df[return_5d] df[close].pct_change(5) # 周动量 df[return_20d] df[close].pct_change(20) # 月动量 df[return_60d] df[close].pct_change(60) # 季动量 # 计算均线指标 df[ma20] df[close].rolling(20).mean() df[ma60] df[close].rolling(60).mean() # 价格与均线关系 df[price_vs_ma20] df[close] / df[ma20] - 1 df[price_vs_ma60] df[close] / df[ma60] - 1 indicators_dict[code] df return indicators_dict # 计算技术指标 etf_indicators calculate_basic_indicators(aligned_etf_data)4. 双因子计算与合成4.1 动量因子计算动量因子衡量价格趋势强度采用多周期动量合成方法def calculate_momentum_factor(etf_indicators): 计算综合动量因子 momentum_results {} for code, data in etf_indicators.items(): df data.copy() # 标准化不同周期的动量指标 df[momentum_short] df[return_5d].rolling(10).mean() # 短期动量 df[momentum_medium] df[return_20d].rolling(5).mean() # 中期动量 df[momentum_long] df[return_60d] # 长期动量 # 动量因子合成加权平均 # 短期权重0.3中期权重0.4长期权重0.3 df[momentum_factor] (df[momentum_short] * 0.3 df[momentum_medium] * 0.4 df[momentum_long] * 0.3) # 动量因子排名横截面比较 momentum_results[code] df[[date, momentum_factor]] return momentum_results # 计算动量因子 momentum_factors calculate_momentum_factor(etf_indicators)4.2 质量因子计算质量因子关注风险调整后收益和稳定性def calculate_quality_factor(etf_indicators, lookback_period60): 计算质量因子基于波动率、最大回撤、夏普比率等 quality_results {} for code, data in etf_indicators.items(): df data.copy() # 计算滚动波动率年化 df[volatility_annual] df[daily_return].rolling(lookback_period).std() * np.sqrt(252) # 计算滚动夏普比率假设无风险收益率为3% risk_free_rate 0.03 / 252 # 日化无风险利率 df[excess_return] df[daily_return] - risk_free_rate df[sharpe_ratio] (df[excess_return].rolling(lookback_period).mean() * 252 / df[volatility_annual]) # 计算最大回撤 df[rolling_max] df[close].rolling(lookback_period).max() df[drawdown] (df[close] - df[rolling_max]) / df[rolling_max] df[max_drawdown] df[drawdown].rolling(lookback_period).min() # 质量因子合成波动率越低越好夏普越高越好回撤越小越好 # 标准化处理 df[volatility_score] 1 / (1 df[volatility_annual]) # 波动率倒数 df[sharpe_score] df[sharpe_ratio].clip(lower-3, upper3) # 截断异常值 df[drawdown_score] 1 / (1 - df[max_drawdown]) # 回撤保护 # 质量因子合成 df[quality_factor] (df[volatility_score] * 0.4 df[sharpe_score] * 0.4 df[drawdown_score] * 0.2) quality_results[code] df[[date, quality_factor, volatility_annual, sharpe_ratio, max_drawdown]] return quality_results # 计算质量因子 quality_factors calculate_quality_factor(etf_indicators)4.3 因子合成与标准化将动量因子和质量因子合成为综合得分def synthesize_factors(momentum_factors, quality_factors): 合成双因子为综合评分 # 获取所有ETF代码 etf_codes list(momentum_factors.keys()) # 创建综合数据框 all_dates momentum_factors[etf_codes[0]][date] synthetic_scores pd.DataFrame({date: all_dates}) for code in etf_codes: # 合并动量因子和质量因子 merged_df pd.merge(momentum_factors[code], quality_factors[code], ondate) # 横截面标准化每日排名 def cross_section_rank(df): dates df[date].unique() ranked_dfs [] for date in dates: day_data df[df[date] date].copy() # 动量因子排名越高越好 day_data[momentum_rank] day_data[momentum_factor].rank(ascendingFalse) # 质量因子排名越高越好 day_data[quality_rank] day_data[quality_factor].rank(ascendingFalse) # 综合得分动量权重0.6质量权重0.4 day_data[composite_score] (day_data[momentum_rank] * 0.6 day_data[quality_rank] * 0.4) ranked_dfs.append(day_data) return pd.concat(ranked_dfs).sort_values(date) # 应用横截面排名 ranked_data cross_section_rank(merged_df) synthetic_scores[code] ranked_data[composite_score].values return synthetic_scores # 合成双因子 composite_scores synthesize_factors(momentum_factors, quality_factors) print(双因子合成完成综合评分数据形状, composite_scores.shape)5. 轮动策略逻辑实现5.1 持仓选择规则基于综合得分选择最优ETF进行轮动class ETFRotationStrategy: ETF双因子轮动策略核心类 def __init__(self, top_k2, rebalance_freq20): 初始化参数 top_k: 选择排名前K的ETF rebalance_freq: 调仓频率交易日 self.top_k top_k self.rebalance_freq rebalance_freq self.current_holdings [] self.rebalance_dates [] def select_etfs(self, composite_scores, date): 根据综合得分选择ETF # 获取指定日期的得分数据 date_scores composite_scores[composite_scores[date] date].iloc[0] # 提取ETF代码和得分 etf_scores [] for code in ETF_POOL.keys(): if code in date_scores.index: score date_scores[code] if not pd.isna(score): etf_scores.append((code, score)) # 按得分排序选择前top_k个 etf_scores.sort(keylambda x: x[1], ascendingFalse) selected_etfs [etf[0] for etf in etf_scores[:self.top_k]] return selected_etfs def calculate_weights(self, selected_etfs, composite_scores, date): 计算持仓权重基于得分加权 date_scores composite_scores[composite_scores[date] date].iloc[0] # 计算选中ETF的总得分 total_score sum(date_scores[etf] for etf in selected_etfs) # 按得分比例分配权重 weights {} for etf in selected_etfs: weights[etf] date_scores[etf] / total_score return weights # 初始化策略 strategy ETFRotationStrategy(top_k2, rebalance_freq20)5.2 调仓逻辑与交易规则实现完整的调仓决策流程def implement_rotation_strategy(composite_scores, etf_indicators, start_date2019-01-01, end_dateNone): 执行轮动策略回测 if end_date is None: end_date datetime.now().strftime(%Y-%m-%d) # 转换日期格式 start_date pd.to_datetime(start_date) end_date pd.to_datetime(end_date) # 过滤时间范围 date_range composite_scores[(composite_scores[date] start_date) (composite_scores[date] end_date)] # 初始化持仓记录 portfolio_records [] current_holdings {} last_rebalance_date None strategy ETFRotationStrategy(top_k2, rebalance_freq20) for current_date in date_range[date].unique(): current_date pd.to_datetime(current_date) # 检查是否需要调仓首个交易日或达到调仓频率 if (last_rebalance_date is None or (current_date - last_rebalance_date).days strategy.rebalance_freq): # 选择ETF并计算权重 selected_etfs strategy.select_etfs(composite_scores, current_date) weights strategy.calculate_weights(selected_etfs, composite_scores, current_date) # 更新持仓 current_holdings weights last_rebalance_date current_date strategy.rebalance_dates.append(current_date) # 计算当日组合收益 daily_return 0 for etf, weight in current_holdings.items(): # 获取该ETF当日收益率 etf_data etf_indicators[etf] date_return etf_data[etf_data[date] current_date][daily_return] if len(date_return) 0: daily_return weight * date_return.iloc[0] # 记录组合表现 portfolio_records.append({ date: current_date, daily_return: daily_return, holdings: current_holdings.copy() }) # 转换为DataFrame portfolio_df pd.DataFrame(portfolio_records) # 计算累计收益 portfolio_df[cumulative_return] (1 portfolio_df[daily_return]).cumprod() - 1 return portfolio_df, strategy.rebalance_dates # 执行策略回测 portfolio_results, rebalance_dates implement_rotation_strategy( composite_scores, etf_indicators, start_date2019-01-01 )6. 回测系统与绩效评估6.1 回测结果分析实现专业的绩效评估指标计算def calculate_performance_metrics(portfolio_df, risk_free_rate0.03): 计算策略绩效指标 returns portfolio_df[daily_return].dropna() cumulative_return portfolio_df[cumulative_return].iloc[-1] # 年化收益率 total_days len(returns) years total_days / 252 annual_return (1 cumulative_return) ** (1/years) - 1 # 年化波动率 annual_volatility returns.std() * np.sqrt(252) # 夏普比率 excess_returns returns - risk_free_rate/252 sharpe_ratio excess_returns.mean() / returns.std() * np.sqrt(252) # 最大回撤 cumulative (1 returns).cumprod() rolling_max cumulative.expanding().max() drawdown (cumulative - rolling_max) / rolling_max max_drawdown drawdown.min() # 卡玛比率年化收益/最大回撤 calmar_ratio annual_return / abs(max_drawdown) if max_drawdown ! 0 else 0 # 胜率 win_rate (returns 0).mean() metrics { 累计收益: cumulative_return, 年化收益: annual_return, 年化波动率: annual_volatility, 夏普比率: sharpe_ratio, 最大回撤: max_drawdown, 卡玛比率: calmar_ratio, 胜率: win_rate, 总交易日: total_days } return metrics, drawdown # 计算绩效指标 performance_metrics, drawdown_series calculate_performance_metrics(portfolio_results) print( 策略绩效报告 ) for metric, value in performance_metrics.items(): if isinstance(value, float): print(f{metric}: {value:.4f} if abs(value) 1 else f{metric}: {value:.2f}) else: print(f{metric}: {value})6.2 可视化分析制作专业的策略表现图表import matplotlib.pyplot as plt import seaborn as sns def plot_strategy_performance(portfolio_df, drawdown_series, rebalance_dates): 绘制策略表现图表 plt.style.use(seaborn-v0_8) fig, axes plt.subplots(2, 2, figsize(15, 10)) # 1. 累计收益曲线 axes[0, 0].plot(portfolio_df[date], portfolio_df[cumulative_return], label双因子轮动策略, linewidth2) axes[0, 0].set_title(累计收益率曲线) axes[0, 0].set_ylabel(累计收益) axes[0, 0].legend() axes[0, 0].grid(True, alpha0.3) # 标记调仓日期 for rebalance_date in rebalance_dates: axes[0, 0].axvline(xrebalance_date, colorred, alpha0.3, linestyle--) # 2. 回撤曲线 axes[0, 1].fill_between(portfolio_df[date], drawdown_series, 0, alpha0.3, colorred, label回撤) axes[0, 1].plot(portfolio_df[date], drawdown_series, colorred, linewidth1) axes[0, 1].set_title(最大回撤曲线) axes[0, 1].set_ylabel(回撤幅度) axes[0, 1].legend() axes[0, 1].grid(True, alpha0.3) # 3. 月度收益分布 portfolio_df[year_month] portfolio_df[date].dt.to_period(M) monthly_returns portfolio_df.groupby(year_month)[daily_return].apply( lambda x: (1 x).prod() - 1 ) axes[1, 0].bar(monthly_returns.index.astype(str), monthly_returns.values, alpha0.7, colorsteelblue) axes[1, 0].set_title(月度收益率分布) axes[1, 0].set_ylabel(月度收益) plt.setp(axes[1, 0].xaxis.get_majorticklabels(), rotation45) axes[1, 0].grid(True, alpha0.3) # 4. 持仓分布统计 all_holdings [] for holdings in portfolio_df[holdings]: all_holdings.extend(holdings.keys()) holding_counts pd.Series(all_holdings).value_counts() axes[1, 1].pie(holding_counts.values, labels[ETF_POOL[code] for code in holding_counts.index], autopct%1.1f%%, startangle90) axes[1, 1].set_title(ETF持仓分布统计) plt.tight_layout() plt.show() # 绘制绩效图表 plot_strategy_performance(portfolio_results, drawdown_series, rebalance_dates)6.3 基准对比分析与常见基准策略进行对比def benchmark_comparison(etf_indicators, portfolio_results, benchmark_code510300): 与基准ETF进行对比分析 # 获取基准ETF数据 benchmark_data etf_indicators[benchmark_code] benchmark_data benchmark_data[benchmark_data[date].isin(portfolio_results[date])] # 计算基准收益 benchmark_data benchmark_data.sort_values(date) benchmark_data[daily_return] benchmark_data[close].pct_change() benchmark_data[cumulative_return] (1 benchmark_data[daily_return]).cumprod() - 1 # 合并数据 comparison_df pd.merge(portfolio_results[[date, cumulative_return]], benchmark_data[[date, cumulative_return]], ondate, suffixes(_strategy, _benchmark)) # 计算超额收益 comparison_df[excess_return] (comparison_df[cumulative_return_strategy] - comparison_df[cumulative_return_benchmark]) # 绘制对比图 plt.figure(figsize(12, 6)) plt.plot(comparison_df[date], comparison_df[cumulative_return_strategy], label双因子轮动策略, linewidth2) plt.plot(comparison_df[date], comparison_df[cumulative_return_benchmark], labelf{ETF_POOL[benchmark_code]}基准, linewidth2) plt.plot(comparison_df[date], comparison_df[excess_return], label超额收益, linestyle--, alpha0.8) plt.title(策略与基准对比) plt.ylabel(累计收益) plt.legend() plt.grid(True, alpha0.3) plt.show() # 计算超额收益指标 excess_metrics { 累计超额收益: comparison_df[excess_return].iloc[-1], 年化超额收益: (1 comparison_df[excess_return].iloc[-1]) ** (252/len(comparison_df)) - 1, 信息比率: comparison_df[excess_return].iloc[-1] / comparison_df[excess_return].std() } print( 超额收益分析 ) for metric, value in excess_metrics.items(): print(f{metric}: {value:.4f}) return comparison_df # 执行基准对比 benchmark_comparison_result benchmark_comparison(etf_indicators, portfolio_results)7. 策略优化与参数敏感性分析7.1 关键参数优化通过网格搜索寻找最优参数组合def parameter_optimization(composite_scores, etf_indicators): 参数优化调仓频率和持仓数量的网格搜索 rebalance_freqs [10, 20, 30, 40] # 调仓频率 top_k_options [1, 2, 3] # 持仓数量 results [] for freq in rebalance_freqs: for top_k in top_k_options: # 临时修改策略参数 strategy ETFRotationStrategy(top_ktop_k, rebalance_freqfreq) # 执行回测 portfolio_df, _ implement_rotation_strategy( composite_scores, etf_indicators, start_date2019-01-01 ) # 计算绩效 metrics, _ calculate_performance_metrics(portfolio_df) results.append({ rebalance_freq: freq, top_k: top_k, annual_return: metrics[年化收益], sharpe_ratio: metrics[夏普比率], max_drawdown: metrics[最大回撤] }) # 转换为DataFrame分析 results_df pd.DataFrame(results) # 找出夏普比率最高的参数组合 best_sharpe results_df.loc[results_df[sharpe_ratio].idxmax()] print(最优参数组合夏普比率最大化) print(f调仓频率{best_sharpe[rebalance_freq]}天持仓数量{best_sharpe[top_k]}个) print(f年化收益{best_sharpe[annual_return]:.4f}夏普比率{best_sharpe[sharpe_ratio]:.4f}) return results_df # 执行参数优化 optimization_results parameter_optimization(composite_scores, etf_indicators)7.2 因子权重敏感性测试测试不同因子权重对策略表现的影响def factor_weight_sensitivity(composite_scores, etf_indicators): 分析动量因子和质量因子权重的敏感性 momentum_weights [0.3, 0.4, 0.5, 0.6, 0.7] # 动量因子权重 quality_weights [0.7, 0.6, 0.5, 0.4, 0.3] # 质量因子权重 sensitivity_results [] for mom_w, qual_w in zip(momentum_weights, quality_weights): # 重新合成因子修改权重 def resynthesize_factors(momentum_factors, quality_factors, mom_weight, qual_weight): etf_codes list(momentum_factors.keys()) all_dates momentum_factors[etf_codes[0]][date] new_scores pd.DataFrame({date: all_dates}) for code in etf_codes: merged_df pd.merge(momentum_factors[code], quality_factors[code], ondate) def new_cross_section_rank(df): dates df[date].unique() ranked_dfs [] for date in dates: day_data df[df[date] date].copy() day_data[momentum_rank] day_data[momentum_factor].rank(ascendingFalse) day_data[quality_rank] day_data[quality_factor].rank(ascendingFalse) # 使用新的权重合成 day_data[composite_score] (day_data[momentum_rank] * mom_weight day_data[quality_rank] * qual_weight) ranked_dfs.append(day_data) return pd.concat(ranked_dfs).sort_values(date) ranked_data new_cross_section_rank(merged_df) new_scores[code] ranked_data[composite_score].values return new_scores # 重新计算综合得分 new_composite_scores resynthesize_factors(momentum_factors, quality_factors, mom_w, qual_w) # 执行回测 portfolio_df, _ implement_rotation_strategy( new_composite_scores, etf_indicators, start_date2019-01-01 ) # 计算绩效 metrics, _ calculate_performance_metrics(portfolio_df) sensitivity_results.append({ momentum_weight: mom_w, quality_weight: qual_w, annual_return: metrics[年化收益], sharpe_ratio: metrics[夏普比率] }) sensitivity_df pd.DataFrame(sensitivity_results) # 可视化敏感性分析 plt.figure(figsize(10, 6)) plt.plot(sensitivity_df[momentum_weight], sensitivity_df[sharpe_ratio], markero, linewidth2) plt.xlabel(动量因子权重) plt.ylabel(夏普比率) plt.title(因子权重敏感性分析) plt.grid(True, alpha0.3) plt.show() return sensitivity_df # 执行敏感性分析 sensitivity_results factor_weight_sensitivity(composite_scores, etf_indicators)8. 实盘注意事项与风险控制8.1 实盘交易考虑因素将回测策略转化为实盘交易时需要关注的关键点class LiveTradingConsiderations: 实盘交易注意事项 def __init__(self): self.transaction_cost 0.001 # 假设交易成本0.1% self.slippage 0.002 # 滑点成本0.2% def calculate_realistic_returns(self, portfolio_df, rebalance_dates): 考虑交易成本和滑点后的真实收益 realistic_returns portfolio_df.copy() total_transaction_cost 0 for i, rebalance_date in enumerate(rebalance_dates): # 每次调仓产生交易成本 if i 0: