提出问题
本文主要针对以下两个问题进行探讨：
如果投资者“不幸”从最高点开始定投指数基金，那么是否还能盈利？
周定投和月定投哪个更好？
获取数据
注意：本文为了简单起见，直接用指数代替了指数基金。
Step1 打开网址JoinQuant聚宽，登录帐号
聚宽首页
Step2 进入研究环境
研究环境
进入研究环境之后，会发现是一个类似于Jupyter Notebook的开发界面。
Step3 新建一个Python3的Notebook
后面所有操作和Jupyter Notebook一样。
Step4 在新建的Notebook中写入代码
获取指数数据函数
导入所需要用到的库
import pandas as pd
import matplotlib.pyplot as plt
定义获取指数数据的函数
# 获取股票数据函数
def get_stock_data(code, start_date, end_date):
"""
:param code: 需要获取数据的指数代码，注意使用的是上交所的指数代码
:param start_date: 开始获取数据的日期
:param end_date: 结束获取数据的日期
:return: 返回从开始到结束日期每天的指数数据
"""
df = get_price(code+'.XSHG', start_date=start_date, end_date=end_date, frequency='daily')
df = df.dropna() # 删除缺失值
df.to_csv(code+'.csv') # 保存为csv格式
return df
获取指数数据示例
# 获取沪深300指数，从4月8日开始到4月20日结束的日级交易数据
df300 = get_stock_data(code='000300', start_date='-04-08', end_date='-04-20')
df300
运行结果：
沪深300指数
运行代码之后返回到Jupyter Notebook的主页，就能看到保存的000300.csv文件，可以下载到本地进行操作，也可以直接在聚宽的研究环境中进行操作。
下载csv文件
数据探索
先对我们获取到的沪深300指数数据进行一番了解，方便后续分析。
查看沪深300指数的总体信息：
df300.info()
沪深300info
查看沪深300指数收盘价的大体情况：
df300['close'].describe()
沪深300收盘价describe.png
查看沪深300指数的历史走势图：
# 设置参数，将图形格式设置为‘svg’，能够输出更加清晰的图
%config InlineBackend.figure_format = 'svg'
# 建立画布
fig = plt.figure(figsize = (12,6))
# 用收盘价绘制折线图
plt.plot(df300.index, df300['close'])
沪深300指数历史走势图
找出收盘价极大值点的函数：
# 筛选出指数价格的极大值点
def find_max(stock_data, start_date, end_date):
"""
:param stock_data: 需要筛选出极大值点的指数数据
:param start_date: 筛选范围的开始日期
:param end_date: 筛选范围的结束日期
:return:返回极大值点对应当天数据
"""
max_price = stock_data[start_date:end_date]['close'].max() # 极大值点的收盘价
return stock_data[stock_data['close'] == max_price] # 极大值点对应当天数据
找出沪深300指数收盘价极大值点的示例：
从上面的沪深300的历史价格走势图可以看出，在左右有一个价格的顶峰，接下来找出具体那一天的数据。
# 筛选出沪深300指数-的极大值点对应当天的数据
find_max(df300, '/1/1', '/1/1')
沪深300指数的一个极大值点
数据分析
高点定投，能否盈利？
按月自动定投函数
# 按月定投函数
def auto_invest_monthly(stock_data, start_date, end_date):
"""
:param stock_data: 需要定投的指数数据
:param start_date: 开始定投的日期
:param end_date: 结束定投的日期
:return: 返回从开始定投到结束每天的资金数据
"""
# 截取股票数据
stock_data = stock_data[start_date:end_date]
# 修改stock_data的index的数据类型，这样才能和temp进行合并
stock_data.index = stock_data.index.astype('period[D]')
# 每月第一个交易日定投
buy_month = stock_data.resample('M', kind='period').first()
# 定投购买指数基金
trade_log = pd.DataFrame(index=buy_month.index)
trade_log['基金净值'] = buy_month['close'] / 1000 # 将收盘价除以1000作为基金净值
trade_log['定投资金'] = 1000 # 每月投入1000元申购该指数基金
trade_log['基金份额'] = trade_log['定投资金'] / trade_log['基金净值'] # 买入份额等于买入金额除以基金净值
trade_log['持有份额'] = trade_log['基金份额'].cumsum() # 累计申购份额
trade_log['累计投入'] = trade_log['定投资金'].cumsum() # 累计投入金额
temp = trade_log.resample('D').ffill() # 将交易记录填充为日级数据
# 计算每个交易日的资产(等于当天的基金份额乘以单位基金净值)
daily_data = pd.merge(stock_data, temp, left_index=True, right_index=True, how='left')
daily_data = daily_data[['close', '定投资金', '基金份额', '持有份额', '累计投入']]
daily_data['基金净值'] = daily_data['close'] / 1000
daily_data['持有基金价值'] = daily_data['基金净值'] * daily_data['持有份额']
# 将daily_data的index修改为datetime类型，否则无法使用matplotlib绘图
daily_data.index = daily_data.index.astype('datetime64')
return daily_data
按月自动定投示例
假设投资者运气非常糟糕，从10月16的沪深300指数历史最高点5877开始定投，一直定投到7月末，此时沪深300指数跌至3734点，几乎腰斩。
# 每月定投沪深300指数
df300m = auto_invest_monthly(df300, '/10/16', '/7/31')
df300m
月定投沪深300指数
按月定投沪深300指数数据可视化
# 建立画布
fig = plt.figure(figsize = (12,6))
# 绘制主坐标轴图表
plt.plot(dfm.index, dfm['close'], linestyle='dotted', label="沪深300指数")
plt.legend(loc='upper left') # 设置主坐标轴图表的图例
# 调用twinx方法
plt.twinx()
# 使用次坐标轴
plt.plot(dfm.index, dfm['累计投入'], label="累计投入资金")
plt.plot(dfm.index, dfm['持有基金价值'])
plt.legend(loc='upper right') # 设置次坐标轴图表的图例
月定投沪深300指数走势图
从上面的图片可以看出，即使是在如此极端的情况下，投资者也能在大概的五六月份开始获得收益。
周定投PK月定投？
周定投
按周自动定投函数
# 按周定投函数
def auto_invest_weekly(stock_data, start_date, end_date):
"""
:param stock_data: 需要定投的指数数据
:param start_date: 开始定投的日期
:param end_date: 结束定投的日期
:return: 返回从开始定投到结束每天的资金数据
"""
# 截取股票数据
stock_data = stock_data[start_date:end_date]
# 修改stock_data的index的数据类型，这样才能和temp进行合并
stock_data.index = stock_data.index.astype('period[D]')
# 每周第一个交易日定投，如果整周都是休息日，则跳过本周
buy_week = df.resample('w', kind='period').first().dropna()
# 定投购买指数基金
trade_log = pd.DataFrame(index=buy_week.index)
trade_log['基金净值'] = buy_week['close'] / 1000 # 将收盘价除以1000作为基金净值
trade_log['定投资金'] = 250 # 每周投入250元申购该指数基金
trade_log['基金份额'] = trade_log['定投资金'] / trade_log['基金净值'] # 买入份额等于买入金额除以基金净值
trade_log['持有份额'] = trade_log['基金份额'].cumsum() # 累计申购份额
trade_log['累计投入'] = trade_log['定投资金'].cumsum() # 累计投入金额
temp = trade_log.resample('D').ffill() # 将交易记录填充为日级数据
# 计算每个交易日的资产(等于当天的基金份额乘以单位基金净值)
daily_data = pd.merge(stock_data, temp, left_index=True, right_index=True, how='left')
daily_data = daily_data[['close', '定投资金', '基金份额', '持有份额', '累计投入']]
daily_data['基金净值'] = daily_data['close'] / 1000
daily_data['持有基金价值'] = daily_data['基金净值'] * daily_data['持有份额']
# 将daily_data的index修改为datetime类型，否则无法使用matplotlib绘图
daily_data.index = daily_data.index.astype('datetime64')
return daily_data
按周自动定投示例
# 每周定投沪深300指数
df300w = auto_invest_weekly(df300, '/10/16', '/7/31')
df300w
周定投沪深300指数走势图
周定投PK月定投函数
# 按周定投vs按月定投
def weekly_pk_monthly(dfw, dfm):
"""
:param dfw: 周定投函数返回的数据
:param dfm: 月定投函数返回的数据
:return: 返回周定投和月定投的收益率
"""
temp = pd.merge(dfw[['累计投入', '持有基金价值']], dfm[['累计投入', '持有基金价值']], left_index=True, right_index=True)
dfvs = pd.DataFrame(index=temp.index)
dfvs['周定投累计投入'] = temp['累计投入_x']
dfvs['周定投基金价值'] = temp['持有基金价值_x']
dfvs['周定投收益率'] = (dfvs['周定投基金价值']-dfvs['周定投累计投入']) / dfvs['周定投累计投入']
dfvs['月定投累计投入'] = temp['累计投入_y']
dfvs['月定投基金价值'] = temp['持有基金价值_y']
dfvs['月定投收益率'] = (dfvs['月定投基金价值']-dfvs['月定投累计投入']) / dfvs['月定投累计投入']
return dfvs
周定投PK月定投示例
dfvs = weekly_pk_monthly(df300w, df300m)
dfvs.head()
周定投pk月定投
将周定投和月定投的收益率绘制成曲线：
周定投&月定投的收益率曲线
从图中可以明显的看出，虽然周定投的收益率和月定投的收益率差距不大，但是在大多数情况下，周定投的收益率还是明显优于月定投到的收益率的。
得出结果
从上面的数据分析过程，我们已经可以回答文章开头提出的两个问题：
即使投资者是从最高点开始定投，只要有足够的耐心，最终依然能够获得盈利。
周定投大概率比月定投能获得更好的收益，但两者区别不大，特别是当投资时间拉长时，两者的差距会越来越小。
后续如果能够获得指数的基本面数据，比如PE，那么将能进行更为深入的分析。
注意：本文并不构成任何投资建议，投资有风险，入市需谨慎。
