import sys, os
sys.path.insert(0, os.path.abspath('.'))
import warnings; warnings.filterwarnings('ignore')
import numpy as np, pandas as pd
import matplotlib.pyplot as plt
import invest_data as D
FONT = D.setup_matplotlib()
np.random.seed(D.SEED)
print('中文字体:', FONT, '| 数据目录:', D.DATA_DIR)

中文字体: Noto Sans CJK SC | 数据目录: /data/docs/investing/long-term-investing/data

idx = D.load_index("000300")
px = idx["close"].copy()
print("沪深300 区间:", px.index[0].date(), "→", px.index[-1].date(), "|", D.source_tag(idx))

def backtest(prices, years=5, monthly=1000):
    """在给定价格序列上，对比一次性买入 vs 每月定投。
    总投入 = monthly * 12 * years，两种方式投入金额相同，便于公平对比。"""
    prices = prices.dropna()
    # 取最近 years 年
    end = prices.index[-1]
    start = end - pd.DateOffset(years=years)
    p = prices[prices.index >= start]
    # 每月第一个交易日定投
    monthly_dates = p.resample("MS").first().dropna().index
    months = len(monthly_dates)
    total_budget = monthly * months
    # 一次性：期初全投
    p0 = p.iloc[0]
    shares_lump = total_budget / p0
    lump_value = shares_lump * p
    # 定投：每月买 monthly 元
    dca_shares = 0.0; dca_value = pd.Series(0.0, index=p.index)
    invested = pd.Series(0.0, index=p.index)
    cum_inv = 0.0
    for d in monthly_dates:
        price_d = p.asof(d)
        dca_shares += monthly / price_d
        cum_inv += monthly
        invested.loc[invested.index >= d] = cum_inv
    dca_value = dca_shares_series = None
    # 逐日计算定投市值
    shares_ts = pd.Series(0.0, index=p.index)
    s = 0.0
    md = set(monthly_dates)
    for d in p.index:
        if d in md:
            s += monthly / p.loc[d]
        shares_ts.loc[d] = s
    dca_value = shares_ts * p
    return p, lump_value, dca_value, invested, total_budget

p, lump, dca, invested, budget = backtest(px, years=5, monthly=1000)

fig, ax = plt.subplots(figsize=(11, 5))
ax.plot(p.index, lump/1e4, label="一次性买入 市值", color="#c0392b", lw=1.8)
ax.plot(p.index, dca/1e4, label="每月定投 市值", color="#16a085", lw=1.8)
ax.plot(invested.index, invested/1e4, label="定投累计投入", color="#7f8c8d", ls="--", lw=1.2)
ax.set_title(f"沪深300 · 定投 vs 一次性买入（近5年，总投入{budget/1e4:.1f}万）{D.source_tag(idx)}")
ax.set_xlabel("日期"); ax.set_ylabel("金额（万元）"); ax.legend()
plt.tight_layout(); plt.show()

print(f"一次性买入 最终市值: {lump.iloc[-1]/1e4:.2f} 万元")
print(f"每月定投   最终市值: {dca.iloc[-1]/1e4:.2f} 万元（累计投入 {invested.iloc[-1]/1e4:.2f} 万）")

沪深300 区间: 2002-01-04 → 2026-06-18 | （真实数据·本地缓存）

一次性买入 最终市值: 5.91 万元
每月定投   最终市值: 3.90 万元（累计投入 6.10 万）

# 在沪深300近5年上，对比：纪律定投 vs 情绪化择时
p2 = px[px.index >= (px.index[-1] - pd.DateOffset(years=5))]
monthly_dates = p2.resample("MS").first().dropna().index
ret_1m = p2.pct_change(20)  # 近一个月涨跌，用于模拟情绪

disc_shares = emo_shares = 0.0
disc_ts, emo_ts, inv_ts = [], [], []
cum = 0.0
for d in monthly_dates:
    price_d = p2.asof(d); cum += 1000
    # 纪律：固定每月1000
    disc_shares += 1000 / price_d
    # 情绪：上月大涨就贪婪多投、上月大跌就恐惧少投（追涨杀跌）
    mom = ret_1m.asof(d)
    emo_amt = 1500 if (mom is not None and mom > 0.03) else (500 if (mom is not None and mom < -0.03) else 1000)
    emo_shares += emo_amt / price_d
    disc_ts.append((d, disc_shares*price_d)); emo_ts.append((d, emo_shares*price_d)); inv_ts.append((d, cum))

disc_v = pd.Series(dict(disc_ts)); emo_v = pd.Series(dict(emo_ts)); inv_v = pd.Series(dict(inv_ts))
final_p = p2.iloc[-1]
disc_final = disc_shares * final_p; emo_final = emo_shares * final_p

fig, ax = plt.subplots(figsize=(11, 5))
ax.plot(disc_v.index, disc_v.values/1e4, label="纪律定投(每月固定)", color="#16a085", lw=1.8)
ax.plot(emo_v.index, emo_v.values/1e4, label="情绪化(追涨杀跌)", color="#c0392b", lw=1.8)
ax.plot(inv_v.index, inv_v.values/1e4, label="累计投入", color="#7f8c8d", ls="--")
ax.set_title("纪律定投 vs 情绪化择时（沪深300近5年模拟）")
ax.set_xlabel("日期"); ax.set_ylabel("万元"); ax.legend()
plt.tight_layout(); plt.show()
print(f"纪律定投最终: {disc_final/1e4:.2f} 万 | 情绪化最终: {emo_final/1e4:.2f} 万 | 累计投入 {cum/1e4:.2f} 万")
print("注：情绪化策略为简化模拟（涨多则多投、跌多则少投），用于说明追涨杀跌伤害收益。")

纪律定投最终: nan 万 | 情绪化最终: nan 万 | 累计投入 6.10 万
注：情绪化策略为简化模拟（涨多则多投、跌多则少投），用于说明追涨杀跌伤害收益。

# 用价格在近若干年的滚动分位，示意「估值高低」
window = 252 * 3  # 近3年
roll = px.rolling(window)
pct_rank = px.rolling(window).apply(lambda x: (x[-1] >= x).mean(), raw=True)  # 当前价在过去3年的分位
recent = pct_rank.dropna().iloc[-252*4:]
price_recent = px.loc[recent.index]

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(11, 7), sharex=True, height_ratios=[2,1])
ax1.plot(price_recent.index, price_recent.values, color="#2c3e50", lw=1.2)
ax1.set_title(f"沪深300 价格 与 估值分位（近3年滚动）{D.source_tag(idx)}")
ax1.set_ylabel("点位")
ax2.fill_between(recent.index, recent.values*100, color="#3498db", alpha=0.4)
ax2.axhline(30, color="#27ae60", ls="--", label="30%以下：偏低，多投")
ax2.axhline(70, color="#c0392b", ls="--", label="70%以上：偏高，少投")
ax2.set_ylabel("分位 %"); ax2.set_xlabel("日期"); ax2.legend(loc="upper left", fontsize=8)
plt.tight_layout(); plt.show()
cur = recent.iloc[-1]*100
print(f"当前价格处于近3年 {cur:.0f}% 分位 →", "偏低，可多投" if cur<30 else ("偏高，宜少投/暂停" if cur>70 else "中性，正常定投"))

当前价格处于近3年 99% 分位 → 偏高，宜少投/暂停

	价值投资（精选个股）	指数定投（宽基指数）
思路	深研究，买入并长期持有少数好公司	不选股，定期买一篮子（如沪深300）
要求	会看财报、懂估值、能扛波动、花时间	几乎零门槛，纪律 + 时间
风险	选错个股可能巨亏（黑天鹅）	分散到几百只，单股暴雷影响小
代表	巴菲特	大多数普通人的最优解
收益	选对了超额收益高	拿到市场平均（长期也很可观）

05 · 长期投资策略¶

本章学什么 / 读完会什么¶

5.1 两条路线：价值投资 vs 指数定投¶

5.2 定投 vs 一次性买入：用沪深300真实数据回测¶

5.3 定投的真正价值：对抗人性¶

5.4 估值买入区间：好资产也别在最贵时重仓¶

5.5 把复利、定投、估值串起来¶

本章小结¶