新建回测系统，并提交

benchmark/__init__.py

@@ -0,0 +1,7 @@
+"""基准模块。
+
+提供基准指数（如上证指数）的收益率计算功能，用于与策略收益进行对比。
+"""
+from benchmark.benchmark_loader import load_benchmark, calc_benchmark_return
+
+__all__ = ["load_benchmark", "calc_benchmark_return"]

benchmark/benchmark_loader.py

@@ -0,0 +1,192 @@
+"""基准指数加载与收益计算模块。
+
+专门负责基准指数（如上证指数 000001.SH）的行情读取和收益率计算。
+与策略完全解耦，仅用于最后图表对比。
+"""
+from __future__ import annotations
+
+from pathlib import Path
+from typing import Optional, Tuple
+
+import pandas as pd
+
+from utils.logger import setup_logger
+
+logger = setup_logger(__name__)
+
+
+def load_benchmark(
+    benchmark_file: Path,
+    start_date: str,
+    end_date: str,
+) -> pd.DataFrame:
+    """加载基准指数行情数据。
+    
+    参数：
+        benchmark_file: 基准指数数据文件路径
+        start_date: 开始日期（YYYYMMDD）
+        end_date: 结束日期（YYYYMMDD）
+        
+    返回：
+        pd.DataFrame: 包含 ['trade_date', 'close'] 的数据框
+    """
+    if not benchmark_file.exists():
+        logger.warning(f"基准指数文件不存在: {benchmark_file}")
+        return pd.DataFrame()
+    
+    try:
+        # 读取基准指数数据
+        df = pd.read_csv(
+            benchmark_file,
+            sep="\t",
+            encoding="utf-8",
+            dtype=str,
+        )
+        
+        # 检查必要列
+        if "trade_date" not in df.columns or "close" not in df.columns:
+            logger.error(f"基准指数文件缺少必要列: {benchmark_file}")
+            return pd.DataFrame()
+        
+        # 转换数据类型
+        df["trade_date"] = df["trade_date"].astype(str)
+        df["close"] = pd.to_numeric(df["close"], errors="coerce")
+        
+        # 过滤日期区间
+        if start_date:
+            df = df[df["trade_date"] >= start_date]
+        if end_date:
+            df = df[df["trade_date"] <= end_date]
+        
+        # 排序并重置索引
+        df = df.sort_values("trade_date").reset_index(drop=True)
+        
+        # 只保留需要的列
+        df = df[["trade_date", "close"]]
+        
+        logger.info(f"基准指数数据加载成功: {len(df)} 条记录")
+        return df
+        
+    except Exception as e:
+        logger.error(f"加载基准指数数据失败: {e}")
+        return pd.DataFrame()
+
+
+def calc_benchmark_return(
+    benchmark_df: pd.DataFrame,
+    calendar: list = None,
+) -> Tuple[pd.DataFrame, dict]:
+    """计算基准指数的收益率曲线。
+    
+    参数：
+        benchmark_df: 基准指数数据（包含 trade_date, close）
+        calendar: 交易日历（可选，用于对齐）
+        
+    返回：
+        (equity_curve, stats): 
+            - equity_curve: 归一化收益曲线 DataFrame ['trade_date', 'benchmark_value']
+            - stats: 统计信息字典
+    """
+    if benchmark_df.empty:
+        logger.warning("基准指数数据为空，无法计算收益")
+        return pd.DataFrame(), {}
+    
+    df = benchmark_df.copy()
+    
+    # 如果提供了交易日历，只保留日历中的日期
+    if calendar:
+        df = df[df["trade_date"].isin(calendar)]
+    
+    if df.empty:
+        logger.warning("基准指数数据与交易日历无交集")
+        return pd.DataFrame(), {}
+    
+    # 计算归一化收益（以初始值为1）
+    initial_close = df["close"].iloc[0]
+    df["benchmark_value"] = df["close"] / initial_close
+    
+    # 计算累计收益率
+    final_value = df["benchmark_value"].iloc[-1]
+    cum_return = final_value - 1.0
+    
+    # 计算年化收益率
+    n_days = len(df)
+    years = n_days / 252.0
+    if years > 0:
+        ann_return = (final_value ** (1.0 / years)) - 1.0
+    else:
+        ann_return = 0.0
+    
+    # 计算最大回撤
+    cummax = df["benchmark_value"].cummax()
+    drawdown = df["benchmark_value"] / cummax - 1.0
+    max_drawdown = float(drawdown.min())
+    
+    # 计算波动率（年化）
+    df["daily_return"] = df["close"].pct_change()
+    volatility = df["daily_return"].std() * (252 ** 0.5)
+    
+    # 计算夏普比率（假设无风险利率为0）
+    avg_return = df["daily_return"].mean()
+    std_return = df["daily_return"].std()
+    if std_return > 0:
+        sharpe = (avg_return * 252) / (std_return * (252 ** 0.5))
+    else:
+        sharpe = 0.0
+    
+    stats = {
+        "cum_return": cum_return,
+        "ann_return": ann_return,
+        "max_drawdown": max_drawdown,
+        "volatility": volatility,
+        "sharpe": sharpe,
+        "trading_days": n_days,
+        "years": years,
+    }
+    
+    # 只返回需要的列
+    result_df = df[["trade_date", "benchmark_value"]].copy()
+    
+    logger.info("基准指数收益计算完成:")
+    logger.info(f"  累计收益: {cum_return*100:+.2f}%")
+    logger.info(f"  年化收益: {ann_return*100:+.2f}%")
+    logger.info(f"  最大回撤: {max_drawdown*100:.2f}%")
+    logger.info(f"  夏普比率: {sharpe:.4f}")
+    
+    return result_df, stats
+
+
+def merge_with_strategy(
+    equity_df: pd.DataFrame,
+    benchmark_df: pd.DataFrame,
+    initial_cash: float = 1_000_000,
+) -> pd.DataFrame:
+    """将策略收益与基准收益合并到一个DataFrame。
+    
+    参数：
+        equity_df: 策略资金曲线（包含 trade_date, total_asset）
+        benchmark_df: 基准收益曲线（包含 trade_date, benchmark_value）
+        initial_cash: 初始资金（用于归一化）
+        
+    返回：
+        pd.DataFrame: 合并后的数据框 ['trade_date', 'strategy_value', 'benchmark_value']
+    """
+    if equity_df.empty or benchmark_df.empty:
+        logger.warning("策略或基准数据为空，无法合并")
+        return pd.DataFrame()
+    
+    # 归一化策略收益（以初始资金为1）
+    strategy_df = equity_df.copy()
+    strategy_df["strategy_value"] = strategy_df["total_asset"] / initial_cash
+    
+    # 合并两个数据框
+    merged = pd.merge(
+        strategy_df[["trade_date", "strategy_value"]],
+        benchmark_df[["trade_date", "benchmark_value"]],
+        on="trade_date",
+        how="inner",
+    )
+    
+    logger.info(f"策略与基准数据合并完成，共 {len(merged)} 个交易日")
+    
+    return merged