#03-定投回测方法论

基于本地数据库的历史行情与估值分位，对比"简单定投"与"估值分位定投"两种策略的长期收益。回测脚本：backtest_dca.py，最近一次回测结果档案：01-定投策略回测结果。

#一、回测方法论

#1.1 设计原则

回测遵循 仿真库总体设计 中"方法论在知识库，执行在仿真库"的边界：

• 数据库只提供数据：从 index_daily 与 index_valuation 表读取行情和 PE 历史分位
• 回测逻辑在 Python 中执行：扣款、累计份额、计算收益等步骤不进入 SQL
• 不写入数据库：回测结果仅用于策略选型，不污染行为数据表（decision_log 等留给真实决策）

#1.2 策略定义

估值分位定投的倍数映射，与 06-定投决策查询 中的信号生成逻辑保持一致：

分位缺失的月份按 1.0x 正常定投处理，避免数据缺失导致策略中断。

#1.3 回测参数

#1.4 回测标的

只选取同时具备完整日线与估值数据、历史深度达 10 年的标的：

未纳入回测的标的及原因：

#二、对实盘的启示

1. 估值定投的纪律性比单次择时更重要。回测中估值定投的优势来自系统性地"高估不买"，而不是某一次精准逃顶。实盘中应让倍数映射固化在扣款流程里，避免人工干预。

2. 暂停月不是"错失机会"而是"等更好的价格"。上证50 的 34 个暂停月看似很多，但最终年化反而更高。实盘中遇到暂停信号时，应按纪律执行，而不是因为"已经涨了"就追进去。

3. 策略验证需要持续复盘。历史样本的市场结构可能变化。建议每季度用 06-定投决策查询 的查询接口重新跑一次回测，对比"策略预期 vs 实际表现"，写入 05-季度复盘。

4. 实盘决策应写入 decision_log。回测结果支撑策略选型，实盘开始后，每次扣款都应通过 07-行为数据查询 写入 decision_log，记录决策时的 PE 分位快照，后续用同一套查询接口做"决策命中率"复盘。

#三、如何复现

#3.1 前置条件

1. 数据库已建库并灌入历史数据：

   python 03-仿真库/01-数据库/02-采集脚本/db.py
   python 03-仿真库/01-数据库/02-采集脚本/update_all.py --mode full
2. 依赖已安装：pandas（已在 03-仿真库/01-数据库/02-采集脚本/requirements.txt 中声明）

#3.2 运行回测

# 默认回测 000016/000852/000905，基础月投 1000
python 03-仿真库/03-回测/backtest_dca.py

# 单标的
python 03-仿真库/03-回测/backtest_dca.py --code 000905

# 指定起始日期与月投金额
python 03-仿真库/03-回测/backtest_dca.py --start 2018-01-01 --monthly 2000

#3.3 扩展回测

如需增加标的或调整策略参数，修改 backtest_dca.py：

• 增加标的：在 main() 的 default_targets 列表中添加，前提是该指数在数据库中同时有完整日线与估值数据
• 调整倍数映射：修改 valuation_multiplier() 函数的阈值与返回值
• 增加止盈逻辑：在 backtest_valuation() 的循环中加入"累计收益超阈值则止盈"分支

#延伸阅读

• 00-定投策略总览 - 定投策略的整体框架与资产配置
• 02-定投止盈止损具体策略 - 止盈止损规则
• 01-定投策略回测结果 - 2026-07 回测快照与结论
• 06-定投决策查询 - 定投信号与回测函数的查询接口