China ETF Analysis

溢价套利：
  ETF市价 > IOPV + 交易成本
  → 买入一篮子成分股 → 申购ETF份额 → 卖出ETF
  → 套利利润 ≈ 溢价率 - 冲击成本 - 佣金

折价套利：
  ETF市价 < IOPV - 交易成本
  → 买入ETF份额 → 赎回一篮子成分股 → 卖出成分股
  → 套利利润 ≈ 折价率 - 冲击成本 - 佣金

IF（沪深300股指期货）基差 = 期货价格 - 沪深300指数
当基差 > 合理基差（无风险利率×剩余期限）时：
  → 卖期货 + 买ETF（正向套利）
当基差 < 合理基差时：
  → 买期货 + 卖ETF（反向套利，需融券）

# 同类ETF（如不同公司发行的沪深300ETF）之间的价差均值回归
# 价差 = 价格差 或 价格比
# 当价差偏离历史均值2个标准差时建仓，回归时平仓
spread = etf_a_price / etf_b_price
z_score = (spread - spread.rolling(60).mean()) / spread.rolling(60).std()
signal = pd.Series(0, index=z_score.index)
signal[z_score > 2] = -1   # ETF_A 相对贵，卖A买B
signal[z_score < -2] = 1   # ETF_A 相对便宜，买A卖B

股债 60/40 中国版：
  沪深300ETF 30% + 中证500ETF 20% + 中债ETF 40% + 黄金ETF 10%

全天候组合（中国版）：
  股票ETF（沪深300）25%
  长期国债ETF        40%
  中期国债ETF        15%
  黄金ETF            7.5%
  商品ETF            12.5%

哑铃策略：
  宽基ETF（低风险核心）50%
  行业/主题ETF（高弹性进攻）50%

A股：沪深300ETF 510300 / 中证500ETF 510500
美股：纳指ETF 159632 / 标普500ETF 513500
港股：恒生ETF 159920 / 恒生科技ETF 513130
欧洲：德国DAX ETF / 欧洲50ETF（规模较小）
日本：日经225ETF 513880 / 东证ETF
新兴：越南ETF / 印度ETF（部分有QDII溢价）

固定收益：
  国内：国债ETF 511010 / 政金债ETF
  美国：美债ETF（QDII）

商品：
  黄金ETF 518880
  原油ETF 162411
  CRB商品指数ETF（国内较少）

单次再平衡成本 ≈ 交易金额 × (佣金率 + 价差/2 + 冲击成本)
≈ 交易金额 × 0.05%~0.15%（宽基ETF）

年化再平衡成本 = 单次成本 × 年均调仓次数

import tushare as ts
import pandas as pd

def get_etf_list(pro: ts.pro_api) -> pd.DataFrame:
    """
    获取全市场ETF列表。

    Args:
        pro: tushare pro_api 实例

    Returns:
        ETF基本信息 DataFrame
    """
    df = pro.fund_basic(market='E', status='L')  # E=ETF, L=上市中
    return df[['ts_code', 'name', 'management', 'found_date', 'issue_date']]


def get_etf_nav(pro: ts.pro_api, ts_code: str, start_date: str, end_date: str) -> pd.DataFrame:
    """
    获取ETF净值数据（IOPV）。

    Args:
        pro: tushare pro_api 实例
        ts_code: ETF代码，如 '510300.SH'
        start_date: 开始日期 'YYYYMMDD'
        end_date: 结束日期 'YYYYMMDD'

    Returns:
        包含 trade_date, nav, accum_nav 的 DataFrame
    """
    df = pro.fund_nav(ts_code=ts_code, start_date=start_date, end_date=end_date)
    return df.sort_values('end_date').reset_index(drop=True)


def get_etf_daily(pro: ts.pro_api, ts_code: str, start_date: str, end_date: str) -> pd.DataFrame:
    """
    获取ETF场内日行情（市价）。

    Args:
        pro: tushare pro_api 实例
        ts_code: ETF代码
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        包含 trade_date, open, high, low, close, vol, amount 的 DataFrame
    """
    df = pro.fund_daily(ts_code=ts_code, start_date=start_date, end_date=end_date)
    return df.sort_values('trade_date').reset_index(drop=True)


def get_index_daily(pro: ts.pro_api, index_code: str, start_date: str, end_date: str) -> pd.DataFrame:
    """
    获取基准指数日行情（用于计算跟踪误差）。

    Args:
        pro: tushare pro_api 实例
        index_code: 指数代码，如 '000300.SH'（沪深300）
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        包含 trade_date, close 的 DataFrame
    """
    df = pro.index_daily(ts_code=index_code, start_date=start_date, end_date=end_date)
    return df[['trade_date', 'close', 'pct_chg']].sort_values('trade_date').reset_index(drop=True)

import numpy as np
import pandas as pd


def calc_tracking_error(
    etf_prices: pd.Series,
    index_prices: pd.Series,
    annualize: bool = True
) -> dict:
    """
    计算ETF对标的指数的跟踪误差。

    Args:
        etf_prices: ETF净值序列（以date为索引）
        index_prices: 指数价格序列（以date为索引）
        annualize: 是否年化，默认True

    Returns:
        包含 tracking_error, avg_daily_diff, max_daily_diff 的字典
    """
    # 对齐数据
    aligned = pd.concat([etf_prices, index_prices], axis=1).dropna()
    aligned.columns = ['etf', 'index']

    # 计算日收益率差值
    etf_ret = aligned['etf'].pct_change(fill_method=None).dropna()
    idx_ret = aligned['index'].pct_change(fill_method=None).dropna()
    daily_diff = etf_ret - idx_ret

    # 跟踪误差 = 差值的标准差
    te_daily = daily_diff.std()
    te = te_daily * np.sqrt(252) if annualize else te_daily

    return {
        'tracking_error': round(te * 100, 4),       # 百分比
        'avg_daily_diff': round(daily_diff.mean() * 100, 4),  # 平均日偏差 %
        'max_daily_diff': round(daily_diff.abs().max() * 100, 4),  # 最大单日偏差 %
        'annualized': annualize
    }


def compare_etfs_same_index(
    etf_codes: list[str],
    index_code: str,
    pro,
    start_date: str,
    end_date: str
) -> pd.DataFrame:
    """
    比较追踪同一指数的多只ETF的跟踪表现。

    Args:
        etf_codes: ETF代码列表
        index_code: 基准指数代码
        pro: tushare pro_api 实例
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        各ETF的跟踪误差比较 DataFrame
    """
    index_df = get_index_daily(pro, index_code, start_date, end_date)
    index_prices = index_df.set_index('trade_date')['close']

    results = []
    for code in etf_codes:
        nav_df = get_etf_nav(pro, code, start_date, end_date)
        etf_prices = nav_df.set_index('end_date')['nav']
        te_result = calc_tracking_error(etf_prices, index_prices)
        te_result['ts_code'] = code
        results.append(te_result)

    return pd.DataFrame(results).set_index('ts_code').sort_values('tracking_error')

def calc_premium_discount(
    market_price: float,
    iopv: float
) -> dict:
    """
    计算ETF折溢价率及套利信号。

    Args:
        market_price: ETF场内市价
        iopv: 实时净值（IOPV）

    Returns:
        包含 premium_pct, signal, arbitrage_feasible 的字典
    """
    premium_pct = (market_price - iopv) / iopv * 100

    if premium_pct > 0.3:
        signal = 'PREMIUM_HIGH'   # 溢价：卖出ETF或申购套利
        feasible = premium_pct > 0.5  # 扣除成本后是否可套利
    elif premium_pct < -0.3:
        signal = 'DISCOUNT_HIGH'  # 折价：买入ETF或赎回套利
        feasible = premium_pct < -0.5
    else:
        signal = 'NORMAL'
        feasible = False

    return {
        'premium_pct': round(premium_pct, 4),
        'signal': signal,
        'arbitrage_feasible': feasible
    }


def monitor_qdii_premium(pro, qdii_codes: list[str], date: str) -> pd.DataFrame:
    """
    监控QDII ETF溢价率（溢价过高时发出预警）。

    Args:
        pro: tushare pro_api 实例
        qdii_codes: QDII ETF代码列表
        date: 查询日期 'YYYYMMDD'

    Returns:
        各QDII ETF的溢价率和风险等级 DataFrame
    """
    results = []
    for code in qdii_codes:
        # 获取市价
        price_df = pro.fund_daily(ts_code=code, trade_date=date)
        # 获取净值
        nav_df = pro.fund_nav(ts_code=code, end_date=date)

        if not price_df.empty and not nav_df.empty:
            market_price = price_df.iloc[0]['close']
            nav = nav_df.iloc[0]['nav']
            premium_pct = (market_price - nav) / nav * 100
            risk_level = (
                'HIGH' if premium_pct > 5
                else 'MEDIUM' if premium_pct > 2
                else 'LOW'
            )
            results.append({
                'ts_code': code,
                'market_price': market_price,
                'nav': nav,
                'premium_pct': round(premium_pct, 2),
                'risk_level': risk_level
            })

    return pd.DataFrame(results).sort_values('premium_pct', ascending=False)

def etf_fund_flow_analysis(
    pro,
    ts_code: str,
    start_date: str,
    end_date: str
) -> pd.DataFrame:
    """
    分析ETF规模变化与资金净流入/流出。

    Args:
        pro: tushare pro_api 实例
        ts_code: ETF代码
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        包含规模变化和资金流向估算的 DataFrame
    """
    nav_df = get_etf_nav(pro, ts_code, start_date, end_date)
    nav_df['end_date'] = pd.to_datetime(nav_df['end_date'])
    nav_df = nav_df.sort_values('end_date')

    # 规模（单位亿元）
    nav_df['scale'] = nav_df['unit_nav'] * nav_df['fund_share'] / 1e8

    # 净值变动引起的规模变化（被动）
    nav_df['nav_return'] = nav_df['unit_nav'].pct_change(fill_method=None)
    nav_df['passive_change'] = nav_df['scale'].shift(1) * nav_df['nav_return']

    # 资金净流入 ≈ 规模变化 - 净值带来的被动变化
    nav_df['net_flow'] = nav_df['scale'].diff() - nav_df['passive_change']

    # 统计区间
    summary = {
        'total_net_flow': nav_df['net_flow'].sum(),       # 区间总净流入（亿元）
        'avg_daily_flow': nav_df['net_flow'].mean(),      # 日均净流入
        'inflow_days': (nav_df['net_flow'] > 0).sum(),    # 净流入天数
        'outflow_days': (nav_df['net_flow'] < 0).sum(),   # 净流出天数
        'current_scale': nav_df['scale'].iloc[-1]          # 最新规模
    }

    return nav_df[['end_date', 'unit_nav', 'scale', 'net_flow']], summary


def cross_etf_flow_comparison(
    pro,
    etf_codes: list[str],
    start_date: str,
    end_date: str
) -> pd.DataFrame:
    """
    比较同类ETF的资金流向，判断资金偏好。

    Args:
        pro: tushare pro_api 实例
        etf_codes: 同类ETF代码列表
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        各ETF资金流向汇总对比 DataFrame
    """
    rows = []
    for code in etf_codes:
        _, summary = etf_fund_flow_analysis(pro, code, start_date, end_date)
        summary['ts_code'] = code
        rows.append(summary)
    return pd.DataFrame(rows).set_index('ts_code').sort_values('total_net_flow', ascending=False)

分析追踪 [沪深300/中证500/xxx] 指数的所有ETF，
维度：规模、费率、近1年跟踪误差、日均成交额、买卖价差。
给出综合评分排名，并推荐最适合[长期持有/波段操作/大额配置]的产品。

基于过去 [20/60] 日动量，在以下行业ETF中选出前3名：
[消费、医疗、科技、能源、金融、工业、材料、公用事业]
同时排除近30日跌幅超过15%的ETF。

构建以下ETF组合并回测 [2020-01-01 至 2025-12-31]：
- 沪深300ETF 40%
- 中证500ETF 20%
- 国债ETF 30%
- 黄金ETF 10%
每季度再平衡，计算年化收益、夏普比率、最大回撤、与沪深300的相关性。

监控以下QDII ETF的实时折溢价率：[纳指ETF 159632、标普500 513500、日经225 513880]
溢价 > 3% 时发出预警，建议等待回落后再入场。