Update src/streamlit_app.py

src/streamlit_app.py

@@ -3,80 +3,103 @@ import yfinance as yf
 import pandas as pd
 import numpy as np
 import plotly.express as px
+import os
 
 # --- 1. 页面配置 ---
 st.set_page_config(page_title="Permanent Portfolio Backtester", layout="wide")
 st.title("🧩 永久组合 (Permanent Portfolio) 阈值策略回测")
 
-# --- 2. 数据获取与缓存 ---
-# SHV (短债) 是2007年才有的，所以回测通常从2007年开始
-@st.cache_data
-def get_data():
-    tickers = ['SPY', 'TLT', 'GLD', 'SHV']
-    # 【修复点】：添加 auto_adjust=False 以保留 'Adj Close' 列
-    data = yf.download(tickers, start="2007-01-01", auto_adjust=False)['Adj Close']
-    data = data.dropna() # 确保所有ETF都有数据的日期才开始
+# 定义本地文件名
+DATA_FILE = 'market_data.csv'
+TICKERS = ['SPY', 'TLT', 'GLD', 'SHV']
+
+# --- 2. 数据管理模块 (核心修改) ---
+
+def download_from_yahoo():
+    """从 Yahoo 下载数据并保存为 CSV"""
+    with st.spinner('正在连接 Yahoo Finance 下载数据...'):
+        # 【关键】auto_adjust=False 确保获取 'Adj Close'
+        data = yf.download(TICKERS, start="2007-01-01", auto_adjust=False)['Adj Close']
+        data = data.dropna()
+        # 保存到本地 CSV
+        data.to_csv(DATA_FILE)
     return data
 
-try:
-    with st.spinner('正在从 Yahoo Finance 获取数据...'):
-        df = get_data()
-    st.success(f"数据获取成功! 范围: {df.index[0].date()} 到 {df.index[-1].date()}")
-except Exception as e:
-    st.error(f"数据获取失败: {e}")
-    st.stop()
+def load_data():
+    """主数据加载逻辑"""
+    # 1. 检查侧边栏是否点击了强制刷新
+    if st.sidebar.button("🔄 强制重新下载数据 (Force Update)"):
+        df = download_from_yahoo()
+        st.sidebar.success("数据已更新！")
+        return df
+
+    # 2. 检查本地是否存在文件
+    if os.path.exists(DATA_FILE):
+        # 从 CSV 读取，注意解析日期索引
+        try:
+            df = pd.read_csv(DATA_FILE, index_col=0, parse_dates=True)
+            st.success(f"✅ 已加载本地缓存数据 | 范围: {df.index[0].date()} 到 {df.index[-1].date()}")
+            return df
+        except Exception as e:
+            st.error(f"本地文件读取出错: {e}，请尝试重新下载。")
+            return None
+    else:
+        # 3. 如果没有文件，返回 None，交由 UI 处理
+        return None
+
+# 执行加载
+df = load_data()
+
+# 如果没有数据，显示下载按钮并停止后续运行
+if df is None:
+    st.warning("⚠️ 本地未发现数据文件 (market_data.csv)。")
+    st.info("首次运行请点击下方按钮获取数据：")
+    
+    if st.button("📥 立即下载并保存数据"):
+        df = download_from_yahoo()
+        st.rerun() # 重新运行脚本以加载新数据
+    else:
+        st.stop() # 停止执行下面的代码，直到有数据为止
 
 # --- 3. 回测逻辑核心函数 ---
 def run_backtest(data, threshold=0.05, check_freq='Daily'):
     """
     threshold: 偏离阈值 (例如 0.05 代表 ±5%)
-    check_freq: 检测频率 ('Daily', 'Monthly', 'Quarterly', 'Annually')
+    check_freq: 检测频率 ('Daily', 'Monthly')
     """
-    
-    # 初始资金
     initial_cash = 10000.0
-    
-    # 资产列表
     assets = ['SPY', 'TLT', 'GLD', 'SHV']
-    
-    # 初始化持仓 (股数)
     holdings = {asset: 0.0 for asset in assets}
     
-    # 初始化记录
     portfolio_history = []
     rebalance_log = []
     
-    # 初始建仓：Day 1 强制 4等分
+    # 初始建仓
     first_prices = data.iloc[0]
     for asset in assets:
         holdings[asset] = (initial_cash * 0.25) / first_prices[asset]
         
-    # 定义检测频率的逻辑
-    # 如果是 Daily，每天都检测；如果是 Monthly，只有月底检测，以此类推
+    # 定义检测频率
     is_rebalance_day = pd.Series(False, index=data.index)
     if check_freq == 'Daily':
         is_rebalance_day[:] = True
     elif check_freq == 'Monthly':
-        # Pandas 2.x 建议使用 'ME' (Month End) 代替 'M'
         resampled_dates = data.resample('ME').last().index
-        # 找到最接近的交易日
         search_indexer = data.index.searchsorted(resampled_dates)
         search_indexer = search_indexer[search_indexer < len(data)]
         valid_dates = data.index[search_indexer]
         is_rebalance_day = pd.Series(data.index.isin(valid_dates), index=data.index)
 
-    # --- 每日循环 ---
+    # 循环回测
     dates = data.index
-    prices_values = data.values # Numpy array 更快
-    
-    # 映射 column index
+    prices_values = data.values
     asset_idx = {asset: i for i, asset in enumerate(data.columns)}
     
     for i in range(len(dates)):
         current_date = dates[i]
         current_prices = prices_values[i]
         
-        # 1. 计算当前市值
+        # 1. 计算市值
         current_vals = {}
         total_value = 0.0
         for asset in assets:
@@ -86,15 +109,12 @@ def run_backtest(data, threshold=0.05, check_freq='Daily'):
             
         portfolio_history.append({'Date': current_date, 'Total Value': total_value})
         
-        # 2. 检查是否需要检测
+        # 2. 检查频率
         if check_freq != 'Daily' and not is_rebalance_day[i]:
             continue
             
-        # 3. 计算权重并检查阈值
+        # 3. 检查阈值
         needs_rebalance = False
-        
-        # 绝对阈值逻辑 (Absolute Band)
-        # 比如 25% ± 5% -> [20%, 30%]
         lower_bound = 0.25 - threshold
         upper_bound = 0.25 + threshold
         
@@ -119,77 +139,100 @@ def run_backtest(data, threshold=0.05, check_freq='Daily'):
 
     return pd.DataFrame(portfolio_history).set_index('Date'), pd.DataFrame(rebalance_log)
 
-# --- 4. 侧边栏控制面板 ---
-st.sidebar.header("⚙️ 回测参数设置")
+# --- 4. 侧边栏控制面板 (参数扫描) ---
+st.sidebar.markdown("---")
+st.sidebar.header("⚙️ 参数扫描设置")
 
-# 用户选择阈值
-selected_thresholds = st.sidebar.multiselect(
-    "选择要对比的阈值 (Bands)",
-    options=[0.0, 0.05, 0.10, 0.15, 0.20, 0.25],
-    default=[0.05, 0.10, 0.15],
-    format_func=lambda x: f"±{int(x*100)}% ({25-int(x*100)}%-{25+int(x*100)}%)"
-)
+st.sidebar.markdown("### 设置阈值范围")
+start_thresh = st.sidebar.number_input("起始阈值 (%)", min_value=0.0, max_value=50.0, value=1.0, step=1.0)
+end_thresh = st.sidebar.number_input("结束阈值 (%)", min_value=0.0, max_value=50.0, value=30.0, step=1.0)
+step_thresh = st.sidebar.number_input("步长 (%)", min_value=0.5, max_value=10.0, value=1.0, step=0.5)
 
-st.sidebar.info("注意：阈值策略通常配合 '每日检测' 使用，以捕捉瞬间波动。")
+st.sidebar.info(f"将要测试范围: {start_thresh}% 到 {end_thresh}%，步长 {step_thresh}%")
 
 # --- 5. 执行对比 ---
-if st.button("开始枚举回测 (Run Benchmark)"):
+if st.button("🚀 开始参数扫描 (Run Parameter Sweep)"):
+    
+    if start_thresh > end_thresh:
+        st.error("起始阈值不能大于结束阈值！")
+        st.stop()
+        
+    thresholds = np.arange(start_thresh, end_thresh + step_thresh, step_thresh) / 100.0
+    thresholds = sorted(list(set(thresholds)))
     
     results_summary = []
-    all_equity_curves = pd.DataFrame()
     
-    for thresh in selected_thresholds:
-        # 运行回测
+    progress_bar = st.progress(0)
+    status_text = st.empty()
+    
+    for i, thresh in enumerate(thresholds):
+        progress = (i + 1) / len(thresholds)
+        progress_bar.progress(progress)
+        status_text.text(f"正在回测阈值: ±{thresh:.1%} ...")
+        
         equity_df, log_df = run_backtest(df, threshold=thresh, check_freq='Daily')
         
-        # 计算指标
         start_val = equity_df['Total Value'].iloc[0]
         end_val = equity_df['Total Value'].iloc[-1]
         years = (equity_df.index[-1] - equity_df.index[0]).days / 365.25
         cagr = (end_val / start_val) ** (1/years) - 1
         
-        # 计算最大回撤
         roll_max = equity_df['Total Value'].cummax()
         drawdown = (equity_df['Total Value'] - roll_max) / roll_max
         max_dd = drawdown.min()
         
-        # 交易次数
-        num_trades = len(log_df)
-        
-        name = f"Threshold ±{int(thresh*100)}%"
-        
-        # 存结果
         results_summary.append({
-            "策略名称": name,
-            "总收益率": (end_val/start_val) - 1,
-            "年化收益 (CAGR)": cagr,
-            "最大回撤": max_dd,
-            "再平衡次数": num_trades,
-            "最终资金": end_val
+            "Threshold (%)": round(thresh * 100, 2),
+            "CAGR": cagr,
+            "Total Return": (end_val/start_val) - 1,
+            "Max Drawdown": max_dd,
+            "Trades": len(log_df),
+            "Final Value": end_val
         })
         
-        all_equity_curves[name] = equity_df['Total Value']
+    status_text.text("回测完成！")
+    progress_bar.empty()
+
+    res_df = pd.DataFrame(results_summary)
+
+    # --- 6. 结果可视化 ---
+    st.markdown("---")
+    st.subheader("🔍 参数敏感性分析")
+
+    col1, col2 = st.columns(2)
+
+    with col1:
+        st.markdown("##### 1. 阈值 vs 年化收益率 (CAGR)")
+        fig_cagr = px.line(res_df, x="Threshold (%)", y="CAGR", markers=True, 
+                           title="不同阈值下的年化收益率",
+                           hover_data=["Trades", "Max Drawdown"])
+        fig_cagr.update_layout(xaxis_title="阈值 (±%)", yaxis_title="年化收益率 (CAGR)")
+        st.plotly_chart(fig_cagr, use_container_width=True)
+
+    with col2:
+        st.markdown("##### 2. 阈值 vs 交易次数 (成本分析)")
+        fig_trades = px.bar(res_df, x="Threshold (%)", y="Trades", 
+                            title="不同阈值下的总交易次数")
+        fig_trades.update_layout(xaxis_title="阈值 (±%)", yaxis_title="总交易次数")
+        st.plotly_chart(fig_trades, use_container_width=True)
+
+    with col1:
+        st.markdown("##### 3. 阈值 vs 最大���撤 (风险分析)")
+        fig_dd = px.line(res_df, x="Threshold (%)", y="Max Drawdown", markers=True,
+                         color_discrete_sequence=["red"],
+                         title="不同阈值下的最大回撤")
+        fig_dd.update_layout(xaxis_title="阈值 (±%)", yaxis_title="最大回撤")
+        st.plotly_chart(fig_dd, use_container_width=True)
+
+    with col2:
+        st.markdown("##### 🏆 数据总表")
+        st.dataframe(res_df.style.format({
+            "Threshold (%)": "{:.1f}%",
+            "CAGR": "{:.2%}",
+            "Total Return": "{:.2%}",
+            "Max Drawdown": "{:.2%}",
+            "Final Value": "${:,.0f}"
+        }), height=300)
 
-    # --- 6. 展示结果 ---
-    st.subheader("📊 资金曲线对比")
-    st.line_chart(all_equity_curves)
-    
-    st.subheader("🏆 绩效统计表")
-    summary_df = pd.DataFrame(results_summary)
-    
-    # 格式化表格显示
-    st.dataframe(summary_df.style.format({
-        "总收益率": "{:.2%}",
-        "年化收益 (CAGR)": "{:.2%}",
-        "最大回撤": "{:.2%}",
-        "最终资金": "${:,.2f}"
-    }))
-    
-    st.markdown("""
-    **解读指南:**
-    * **再平衡次数**: 如果次数太少（比如0次），说明阈值设得太宽了。如果次数太多（比如几百次），交易成本（滑点、佣金、税）会吃掉利润。
-    * **最大回撤**: 观察哪个阈值在极端行情（如2008, 2020）下保护得最好。
-    """)
-    
 else:
-    st.info("👈 请在左侧选择参数并点击 '开始回测'")
+    st.info("👈 请在左侧设置范围并点击 '开始参数扫描'")