基金量化定投选基系统

---

**document_id:** SPEC-FUND-DCA-001

**version:** 1.0.0

**status:** Frozen (Baseline)

**created_date:** 2026-04-11

**approved_by:** Henry Lin

**redmine_link:** https://redmine.persys.top/projects/fund-selection-system

---

# 基金量化定投选基系统 — 最终设计规约 (v1.0)

> **⚠️ 机器与人工强制红线声明** 

> 本文档为系统的唯一业务与技术真相源。AI 必须严格按此执行，研发人员任何代码实现若与本文档冲突，一律以本文档为准。**严禁擅自修改任何参数、公式或逻辑。**

## 变更日志

| 版本 | 日期 | 变更人 | 变更内容摘要 | 审批状态 |

|------|------|--------|--------------|----------|

| v1.0.0 | 2026-04-11 | Henry Lin | 初始基线版本确立，锁定所有业务参数、引擎防火墙与工程质量红线。 | ✅ Approved |

---

## 〇、决策确认总表

| 编号 | 决策项 | 最终决策 |

|------|--------|---------|

| D-1 | 类型表无时间维度 | 使用最新 `fund_type` 全局过滤，工程中预留接口扩展位 |

| D-2 | 标签定义 | DCA 简单平均成本法，20% 止盈，150 周窗口，未达则 0 |

| D-3 | label=0 样本保留 | 单基金上限 `max_samples_per_fund × 0.3`（默认 50×0.3=15 条） |

| D-4 | 无风险利率 | 年化 2.0%，复利折算至周频 |

| D-5 | 增量更新 | 不采用增量，每周全量刷盘重训，MLflow 管理模型版本替换 |

| D-6 | 止盈贴近度特征 | 不添加，依赖现有 `dca_return` 系列特征覆盖定投浮盈信息 |

| D-7 | IC 计算 | 严格限制在 Time-Series Split 训练折内局部计算 |

## 一、数据基础

### 1.1 数据源 Schema

**净值表 `fund_net_info`**（主表）：

| 字段 | 类型 | 说明 |

|------|------|------|

| `id` | BigInteger PK | 自增主键，清洗阶段丢弃 |

| `fund_id` | String(50) | 基金代码 |

| `cumulative_net_value` | Numeric(12,4) | 累计净值，读入后映射为 Float64 |

| `net_value_date` | Date | 净值日期 |

**基金信息表 `fund_basic_info`**（辅助表）：

| 字段 | 类型 | 说明 |

|------|------|------|

| `fund_id` | String PK | 基金代码 |

| `fund_name` | String | 基金名称 |

| `fund_type` | String | 当前基金类型（仅快照值，无时间维度） |

| `create_date` | Date | 基金成立日期（仅作参考，系统以首条净值日期为实际 inception_date） |

**数据规模**：约 3000 万行，周频，64GB 内存。

### 1.2 数据处理规则

| 环节 | 规则 | 说明 |

|------|------|------|

| 周频聚合 | 同一 `fund_id` + 同一自然周内若存在多条记录，取该周最后一个交易日的 `cumulative_net_value`，其余丢弃 | 防止重复计数 |

| 类型过滤 | 一次性 JOIN `fund_basic_info`，保留白名单类型基金，后续不再变更 | 白名单类型见下方 |

| 建仓期剔除 | 以每只基金第一条有效净值的 `net_value_date` 为 `inception_date`，硬删前 12 周数据 | 防止建仓期净值污染波动率特征 |

| 缺失值填充 | 单基金内部按时间排序，前向填充；**连续缺失 > 4 周的区段直接截断**，截断后各段独立参与后续计算 | 短缺用 ffill，长缺硬切 |

| 异常值 | `cumulative_net_value ≤ 0` → 剔除该行；单周涨跌幅绝对值 > 50% → 该值置 NULL（不删行） | 保留时间序列连续性 |

| 存活期过滤 | 单基金（含所有截断段的总有效周数）< 52 周则整体剔除 | 避免信息量过少引入噪声 |

| 清盘基金 | 数据中断前所有有效数据完整保留，满足 52 周最低要求即纳入 | 控制幸存者偏差 |

**类型白名单**： 

`['股票型', '混合型-偏股', '混合型-灵活', 'QDII-普通股票', 'QDII-混合偏股', 'QDII-混合灵活']`

### 1.3 存储方案

- 按年份分区存储：`data/processed/net_value_YYYY.parquet`

- Parquet `row_group_size = 100,000`

- 每次全量刷新时覆盖写入，不追加

## 二、计算引擎架构

### 2.1 DuckDB ↔ Polars 职责防火墙

{{mermaid

graph TD

    subgraph 数据处理流水线

        A[DuckDB] -->|SQL 下推过滤| B[Arrow 单年级 ≤300万行]

        B --> C[Polars 计算引擎]

        C --> D[覆盖写回 Parquet + MLflow]

    end

    subgraph DuckDB 职责 [DuckDB 职责边界]

        A1[按年份提取 Parquet]

        A2[JOIN 类型表]

        A3[WHERE 条件过滤]

        A4[COUNT/SUM 审计统计]

    end

    subgraph Polars 职责 [Polars 职责边界]

        C1[rolling 滚动窗口]

        C2[EWM 指数加权]

        C3[截面 Z-Score]

        C4[标签生成]

        C5[共线性筛选]

    end

    A --- A1

    A --- A2

    A --- A3

    A --- A4

    C --- C1

    C --- C2

    C --- C3

    C --- C4

    C --- C5

}}

### 2.2 防火墙规则（铁律）

| 编号 | 规则 |

|------|------|

| FW-1 | DuckDB 仅负责 Parquet 读写、跨表 JOIN、行列过滤、聚合统计审计 |

| FW-2 | **严禁** DuckDB 执行滚动窗口函数，该类计算全部由 Polars 原生表达式完成 |

| FW-3 | DuckDB → Polars 必须按年份拆分提取，每次 Arrow 转换 ≤ 单年数据量 |

| FW-4 | Polars 处理完毕后按年份分区覆盖写回 Parquet |

| FW-5 | DuckDB 每次启动重新注册 Parquet 创建 VIEW，不维护持久化数据库状态 |

## 三、标签系统

### 3.1 标签定义

| 参数 | 值 | 说明 |

|------|-----|------|

| 起始点 | T 日 | T 日特征截止，T+1 日开始模拟 |

| 定投方式 | 等额周定投，每周归一化投入 1 元 | — |

| 成本计算 | 简单平均成本法 | `avg_cost = Σ(各周买入净值) / 已买入周数` |

| 收益率计算 | `(当前净值 - avg_cost) / avg_cost` | — |

| 止盈触发 | 定投累计收益率 **首次 ≥ 20%** | 触发即刻停止模拟 |

| 标签映射 | `150 - 耗费周数` | 值域 [1, 149] |

| 未达标 | 标签 = 0 | 含：150 周内未达、基金清盘中断 |

| 手续费 | 暂不扣除 | `config.yaml` 中预留 `deduct_fee: false` 开关 |

### 3.2 标签计算算法

**核心约束**：不使用全局 Python for 循环，采用 Polars `group_by` + NumPy 向量化并行策略。

```python

对每只基金（单次处理约 300-500 周的极小数组）：

nav_array = [nav_0, nav_1, ..., nav_T]

对每个时间点 t（作为"开始定投"的候选时刻）：

    ① 有效窗口 = nav_array[t+1 : t+151] （numpy 切片自动截断于数据末尾）

    ② 若有效窗口长度 < 2 → label = 0（数据不足以定投）

    ③ 累计成本序列：cum_cost = np.cumsum(有效窗口) / np.arange(1, len+1)

    ④ 当前净值序列：current = 有效窗口

    ⑤ DCA 收益率序列：dca_ret = (current - cum_cost) / cum_cost

    ⑥ 首次达标检测：mask = dca_ret >= 0.20

       - any(mask) 为 True → weeks = np.argmax(mask) + 1 → label = 150 - weeks

       - any(mask) 为 False → label = 0

```

**清盘基金处理**：NumPy 切片在数组越界时自动截断。清盘基金的有效窗口短于 150 周，若截断前未触发止盈则 `any(mask)` 为 False，标签自动为 0。**无需额外逻辑。**

### 3.3 样本平衡机制

| 样本类型 | 保留规则 |

|----------|---------|

| label > 0（正样本） | 单基金最多保留 `max_samples_per_fund`（默认 50）条，等距抽样 |

| label = 0（负样本） | 单基金最多保留 `max_samples_per_fund × 0.3`（默认 15）条，等距抽样 |

| 等距抽样方法 | `np.linspace(0, len(samples)-1, N, dtype=int)`，按时间均匀取点 |

## 四、特征系统

### 4.1 特征目录（共约 40+ 维）

#### A. 均值回归类

| 特征名 | 计算方式 | 窗口期 |

|--------|---------|--------|

| `price_vs_ma_ratio` | `nav / rolling_mean(nav, W)` | 12, 26, 52 |

| `price_vs_ma_ratio_ewm` | `nav / ewm_mean(nav, span=W)` | 26, 52 |

#### B. 波动类

| 特征名 | 计算方式 | 窗口期 |

|--------|---------|--------|

| `rolling_std` | `rolling_std(weekly_return, W)` | 12, 26, 52 |

| `downside_vol` | `rolling_std(min(weekly_return, 0), W)` | 26, 52 |

| `volatility_regime` | `rolling_std(12w) / rolling_std(52w)` | (12 vs 52) |

#### C. 趋势与动量类

| 特征名 | 计算方式 | 窗口期 |

|--------|---------|--------|

| `momentum` | `(nav_t / nav_{t-W}) - 1` | 4, 12, 26, 52 |

| `max_drawdown` | `1 - nav_t / rolling_max(nav, W)` | 26, 52 |

| `trend_slope` | 对 `log(nav)` 做 OLS 线性回归斜率，再年化 | 26, 52 |

| `trend_r_squared` | 上述回归的 R² | 26, 52 |

| `consecutive_down_weeks` | 从当前向前连续 `weekly_return < 0` 的周数 | — |

#### D. 定投特有类

| 特征名 | 计算方式 | 窗口期 |

|--------|---------|--------|

| `dca_cost_ratio` | `rolling_mean(nav, W) / nav`（值 <1 表示浮盈） | 12, 26, 52 |

| `dca_return` | `(nav - rolling_mean(nav, W)) / rolling_mean(nav, W)` | 12, 26, 52 |

| `dca_return_vol` | `rolling_std(dca_return 逐周序列, W)` | 26, 52 |

| `dca_win_rate` | `rolling_mean(dca_return > 0 转为 0/1, W)` | 26, 52 |

#### E. 风险调整类

| 特征名 | 计算方式 | 窗口期 |

|--------|---------|--------|

| `rolling_sharpe` | `(rolling_mean(weekly_ret) - weekly_rf) / rolling_std(weekly_ret) × √52` | 26, 52 |

| `rolling_sortino` | `(rolling_mean(weekly_ret) - weekly_rf) / rolling_std(min(weekly_ret, 0)) × √52` | 26, 52 |

| `calmar_ratio` | `annualized_return(W) / max_drawdown(W)` | 52 |

**无风险利率折算公式**： 

`weekly_rf = (1 + 0.02)^(1/52) - 1 ≈ 0.000381 (0.0381%)`

### 4.2 窗口有效值判定

- 对每个滚动窗口特征，计算窗口内非 NULL 值的数量

- 有效值 < `window_size × min_valid_ratio`（默认 0.20） → 特征值输出 NULL

- 示例：52 周窗口至少需要 11 个有效值（`52 × 0.2 = 10.4`，向上取整）

### 4.3 截面标准化（T-1 严格模式）

分四步严格执行：

1. **计算统计量**：计算每个日期截面的均值、标准差、中位数、MAD。

2. **时间对齐**：将统计量整体 `shift(1)`，即 T 日的标准化参数使用 T-1 日截面的统计量。**首日（数据集第一天）无 T-1 可用，该日所有标准化特征输出 NULL。**

3. **Z-Score**：将 shifted 统计量 Join 回主表，执行 `z_score = (raw_feature - T1_mean) / T1_std`。

4. **MAD 去极值**： 

   `median = T1 截面中位数`

   `mad = median(|x - median|) × 1.4826`

   `clip z_score to [median - 3×mad, median + 3×mad]`

**持久化**：每个时间截面的标准化参数独立保存为 `standardization_params.parquet`：

| 字段 | 类型 | 说明 |

|------|------|------|

| `date` | Date | 截面日期（即统计量的来源日期） |

| `feature_name` | String | 特征名 |

| `mean` | Float64 | 截面均值 |

| `std` | Float64 | 截面标准差 |

| `median` | Float64 | 截面中位数 |

| `mad` | Float64 | 截面 MAD |

推理时加载该文件的最新行，对输入特征做同样的 Z-Score + MAD clip。

### 4.4 特征共线性剔除

| 步骤 | 说明 |

|------|------|

| 1 | 计算所有特征间的 Pearson 相关系数矩阵 |

| 2 | 找出 \|r\| > 0.90 的特征对 |

| 3 | 对每个高相关特征对，计算各自与标签的 **Spearman Rank IC**（**仅在 Time-Series Split 的训练折内**计算，严禁跨时间窗口使用未来标签） |

| 4 | 保留 \|IC\| 更高的特征，剔除另一个 |

| 5 | 输出最终保留的特征列表，持久化为 `final_feature_list.json` |

## 五、模型训练

### 5.1 训练数据流

```text

features.parquet (按年分区)

       │ Polars: 读取并合并

       ▼

labels.parquet

       │ Polars: LEFT JOIN (on fund_id + date)

       ▼

train_dataset.parquet

schema: fund_id | date | feature_1 | ... | feature_K | label

```

缺失值处理：特征 NULL 在 LightGBM 内部自动处理（设为缺失值，树模型原生支持），不做预填充。

### 5.2 交叉验证

- 使用 `TimeSeriesSplit(n_splits=5)`

- **严禁** 随机 K-Fold

- 每一折的训练集内部独立执行：截面标准化 → 共线性筛选

- 验证集仅使用对应训练折产出的标准化参数

### 5.3 Optuna 超参搜索

| 参数 | 搜索范围 | 类型 |

|------|---------|------|

| `num_leaves` | [31, 511] | int |

| `learning_rate` | [0.01, 0.3] | log uniform |

| `feature_fraction` | [0.5, 1.0] | uniform |

| `bagging_fraction` | [0.5, 1.0] | uniform |

| `lambda_l1` | [0, 10] | log uniform |

| `lambda_l2` | [0, 10] | log uniform |

| `min_child_samples` | [20, 100] | int |

| `max_depth` | [5, 12] | int |

停止条件：200 次试验 或 1 小时，先到者停。

### 5.4 评估指标体系

**模型层**：

| 指标 | 说明 |

|------|------|

| AUC | 区分"能止盈"与"不能止盈"的能力 |

| NDCG@20 | Top-20 推荐的排序质量 |

**业务层（回测评估）**：

在验证集的每个时间截面 T 上：

1. 用模型对所有候选基金打分

2. 按得分分四桶：Top 20 / Top 21-50 / Top 51-100 / 其余

3. 每桶模拟等权周定投组合（每周投入 20 元均分到该桶基金）

4. 追踪组合净值，计算：

| 回测指标 | 说明 |

|----------|------|

| 年化收益率 | 定投组合的实际年化回报 |

| 最大回撤 | 组合净值的最大峰谷跌幅 |

| Sharpe Ratio | 风险调整后收益 |

| Calmar Ratio | 年化收益 / 最大回撤 |

| 止盈成功率 | 150 周内达到 20% 定投收益率的比例 |

5. 基准对照：全标的池等权随机组合的相同指标

### 5.5 MLflow 实验记录

每次训练自动记录：

- Optuna 最优超参数

- 模型层指标（AUC、NDCG）+ 业务层回测指标

- LightGBM 模型文件（`.txt`）

- `config.yaml` 快照

- `final_feature_list.json`

- `standardization_params.parquet`

- SHAP summary plot（图片）

- 各分桶回测净值曲线（图片）

模型通过 MLflow Model Registry 管理，新模型打 `Production` 标签后直接替换推理服务加载的模型版本，旧版本归档至 `Archived`。

## 六、推理服务

### 6.1 输入输出

| 场景 | 输入 | 输出 |

|------|------|------|

| 单基金查询 | 单只基金近期周频净值 CSV（≥52 周） | 推荐得分(0-100)、Top5 正/负贡献特征、决策建议文本 |

| 批量推荐 | 基金代码列表 + 最新净值数据 | 排序后的推荐 DataFrame（fund_id, score, top_features, recommendation） |

### 6.2 推理流程

```text

输入净值 → Polars 读入

       ▼

特征计算（复用 Module3 逻辑，单基金精简版）

       ▼

加载 standardization_params.parquet（最新一周参数）

       ▼

T-1 参数做 Z-Score + MAD clip

       ▼

加载 LightGBM Production 模型 → 预测概率

       ▼

score = round(概率 × 100) → 0-100 整数分

       ▼

SHAP TreeExplainer → 单样本特征归因

       ▼

输出：得分 + Top5正向特征 + Top5负向特征 + 决策建议文本

```

### 6.3 决策建议文本生成规则

| 得分区间 | 建议等级 | 文案模板 |

|----------|---------|---------|

| 80-100 | 强烈推荐定投 | "该基金趋势强劲、波动适中，定投体验优异，建议立即开始定投" |

| 60-79 | 推荐定投 | "该基金整体特征良好，建议关注并适时开始定投" |

| 40-59 | 中性观望 | "该基金部分特征达标，建议持续关注，等待更好的定投入场时机" |

| 0-39 | 不推荐 | "该基金当前特征不佳（主要受XX拖累），建议暂缓定投" |

具体文案需拼接该基金的 Top 贡献特征名。

## 七、工程质量规范

### 7.1 目录结构

```text

project-root/

├── pyproject.toml

├── config/

│   └── config.yaml

├── data/

│   ├── raw/                # 原始 CSV / Parquet

│   ├── processed/          # 清洗后 Parquet（按年分区）

│   ├── features/           # 特征矩阵 Parquet（按年分区）

│   ├── models/             # 模型文件 & 标准化参数

│   └── metadata/           # SHA-256 hash 校验文件

├── src/

│   ├── __init__.py

│   ├── utils/

│   │   ├── __init__.py

│   │   ├── config.py       # YAML 配置加载器

│   │   ├── logging.py      # 结构化日志配置

│   │   └── hash.py         # SHA-256 数据血缘校验

│   ├── data_loader.py      # 数据清洗与入库

│   ├── feature_engineering.py # 特征计算引擎

│   ├── label_generator.py  # 标签生成器

│   ├── trainer.py          # 模型训练与评估

│   └── inference.py        # 推理服务

├── tests/

│   ├── test_label_generator.py

│   └── test_feature_engineering.py

├── mlruns/                 # MLflow 实验追踪

└── logs/                   # 运行日志

```

### 7.2 配置与代码分离

所有硬参数集中在 `config.yaml`，代码中严禁魔法数字。核心参数分区如下：

```yaml

# === 标签参数 ===

label:

  target_return: 0.20

  max_weeks: 150

  deduction_method: "simple_avg" # 预留: "irr"

  deduct_fee: false

  purchase_fee_rate: 0.0012

# === 数据过滤 ===

filter:

  fund_type_whitelist:

    - "股票型"

    - "混合型-偏股"

    - "混合型-灵活"

    - "QDII-普通股票"

    - "QDII-混合偏股"

    - "QDII-混合灵活"

  min_net_value_weeks: 52

  building_period_weeks: 12

  max_gap_weeks: 4

  single_week_change_limit: 0.50

# === 特征参数 ===

feature:

  windows:

    mean_reversion: [12, 26, 52]

    volatility: [12, 26, 52]

    momentum: [4, 12, 26, 52]

    trend: [26, 52]

    dca_specific: [12, 26, 52]

    risk_adjusted: [26, 52]

  min_valid_ratio: 0.20

  outlier_method: "mad"

  outlier_bound: 3.0

# === 截面标准化 ===

standardization:

  method: "zscore"

  use_shift_1: true # 使用 T-1 截面统计量

# === 样本平衡 ===

sample_balance:

  max_samples_per_fund: 50

  zero_label_ratio: 0.3 # label=0 的上限比例

# === 模型训练 ===

model:

  time_series_n_splits: 5

  optuna_budget: 200

  optuna_timeout_hours: 1

# === 风险 ===

risk_free_rate:

  annual: 0.02

```

### 7.3 数据血缘

| 检查对象 | 算法 | 存储位置 | 触发时机 |

|----------|------|---------|---------|

| 原始数据文件 | SHA-256 | `data/metadata/raw_hash.json` | 数据入库前 |

| 清洗后 Parquet | SHA-256（按文件） | `data/metadata/processed_hash.json` | 清洗完成后 |

| 特征矩阵 Parquet | SHA-256（按文件） | `data/metadata/features_hash.json` | 特征计算完成后 |

| `config.yaml` | SHA-256 | MLflow artifact | 每次训练开始时 |

Pipeline 启动时自动校验上游 hash，不匹配则输出 WARNING 日志但不中断流程。

### 7.4 工程约束

| 约束 | 说明 |

|------|------|

| 禁止 Pandas | 仅允许 LightGBM `.fit()` 内部隐式调用 |

| 类型提示 | 所有自定义函数必须有 Python Type Hints |

| 日志 | 核心数据处理环节必须记录运行状态与耗时 |

| 异常处理 | 关键步骤 try-except 防止单点故障导致全流程崩溃 |

| 单元测试 | `label_generator` 必须覆盖全部 7 个场景（见第九节） |

| 特征存储 | 严禁 Pivot 成宽表，始终保持长表形态 |

## 八、实施路线图

按以下 6 个 Step 逐步交付，每步确认后再推进：

| Step | 模块 | 交付物 | 依赖 |

|------|------|--------|------|

| **1** | 工程脚手架 | `pyproject.toml`、目录树、`config.yaml`、`config.py`、`logging.py`、`hash.py` | 无 |

| **2** | 数据基建与入库 | `data_loader.py` + 清洗后的按年 Parquet + DuckDB VIEW + 数据质量审计日志 | Step 1 |

| **3** | 特征工程引擎 | `feature_engineering.py` + `features.parquet` + `standardization_params.parquet` + `final_feature_list.json` | Step 2 |

| **4** | 标签生成器 | `label_generator.py` + `labels.parquet` + `test_label_generator.py` | Step 2 |

| **5** | 模型训练与评估 | `trainer.py` + 模型文件 + 回测报告 + SHAP 图 + MLflow 记录 | Step 3 + Step 4 |

| **6** | 推理服务 | `inference.py`（单基金 + 批量） | Step 3 + Step 5 |

> **注**：Step 3 和 Step 4 无相互依赖，可并行开发。但在流水线执行中，Step 4 的标签需要 Join 到 Step 3 的特征表，所以最终训练集的生成依赖两者都完成。

## 九、单元测试必覆盖场景

`tests/test_label_generator.py` 必须完整覆盖以下 7 个场景：

| 编号 | 测试场景 | 输入条件 | 期望输出 |

|------|---------|---------|---------|

| 1 | 正常止盈 | 净值从 1.0 经 N 周涨到触发 20% DCA 收益率 | `label = 150 - N` |

| 2 | 150周未达 | 净值缓慢增长，150 周内 DCA 收益率始终 < 20% | `label = 0` |

| 3 | 清盘截断 | 净值开始定投后，60 周时数据中断，期间未达 20% | `label = 0` |

| 4 | 清盘前止盈 | 净值在 30 周达标，第 50 周数据中断 | `label = 120` |

| 5 | 精确边界 | 第 1 周净值即满足 20% 收益（防御性测试） | `label = 149` |

| 6 | 全亏损路径 | 净值从 1.0 持续下跌到 0.5 | `label = 0` |

| 7 | 建仓期后首周 | 数据恰好从第 13 周开始（前 12 周已被 Module2 剔除） | 正常生成标签，不报错 |