#!/usr/bin/env python
# coding: utf-8

# In[1]:


import xalpha as xa
import pandas as pd

xa.set_display("notebook")


# # 多基金投资系统的管理

# ### 开放系统

# In[2]:


path = "../../tests/demo.csv"
read = xa.record(path)
# 依旧先读取交易单的 csv 文件


# In[3]:


sysopen = xa.mul(status=read.status)
# 基金投资组合既可以由一系列单个基金的交易类生成， 也可以直接依据给定的交易单一次性生成，这里采取后者


# In[4]:


sysopen.combsummary().sort_values(by="基金现值", ascending=False)  # 先看一下今日投资组合概述


# In[5]:


sysopen.xirrrate()  # 最重要的总是先问一下系统的整体收益年化如何


# In[6]:


sysopen.v_positions("2018-06-01")  # 可视化指定日期的仓位分布


# In[7]:


sysopen.v_positions_history()  # 基金组合就像一条河流。。。


# In[8]:


sysopen.v_tradevolume(freq="W")
# 整体交易情况一览, 以周为柱形图单位


# In[9]:


sysopen.totcftable  # 基金组合的合并现金流量表


# In[10]:


ev = sysopen.evaluation(start="2018-01-01")  # 还可以生成关于投资基金的 evaluate 类，以便对投资的基金本身进行分析


# In[11]:


ev.v_correlation(end="2018-08-01")  # 可以通过热力图来查看不同基金净值走势的相关性


# ### 封闭系统
# 我们也可以研究一个封闭系统的组合投资，此时需要货币基金提供资金出入的功能，这样的系统净值更容易定义
# 可以应用之前研究指数和基金时使用过的量化方法。

# In[12]:


sysopen.fundtradeobj


# In[13]:


# 这次我们使用基金交易类作为初始化参数
sysclose = xa.mulfix(*sysopen.fundtradeobj, totmoney=5000)
# totmoney 表示封闭系统初始的总钱数
# 若不设置 cashobj 选项，则默认为 cashobj = cashinfo(interest=0.0001, start='2012-01-01')


# In[14]:


sysclose.unitvalue("2018-07-04")  # 封闭的基金投资组合整体就像一个单一基金交易类，有净值数据


# In[15]:


sysclose.combsummary("2018-03-09")  # 投资组合的分项纵览


# In[16]:


sysclose.bcmkset(xa.indexinfo("0000905"))  # 设置比较基准，开始对此封闭的基金投资系统进行量化评估


# In[17]:


sysclose.v_netvalue()


# In[18]:


sysclose.alpha(), sysclose.beta(), sysclose.sharpe()


# In[19]:


sysclose.max_drawdown()  # 系统的最大回撤


# In[20]:


sysclose.riskfree  # 进行量化计算中使用的无风险年化利率的参考值， 可在设置 benchmark 时调整该值


# In[ ]: