haomingz ETF Screener / ETF 多维对比工具
基于用户提供的净值（NAV）数据，对多只 ETF 进行多维度风险收益对比分析，自动计算年化收益率、最大回撤、夏普比率，并生成相关性矩阵。
Quick Start
基础对比
python scripts/etf_screener.py --input nav_data.csv
自定义无风险利率 + CSV 导出
python scripts/etf_screener.py --input nav_data.csv --risk-free 0.03 --output report.csv
JSON 输出（便于程序化处理）
python scripts/etf_screener.py --input nav_data.csv --json
输入数据格式
CSV 文件，第一列为日期，后续列为各 ETF 的净值：
date,沪深300ETF,中证500ETF,纳指ETF
2023-01-03,1.0000,1.0000,1.0000
2023-01-04,1.0050,0.9980,1.0020
2023-01-05,1.0120,1.0010,1.0080
...
- 日期列名不限，格式不限（仅用于标注区间）
- ETF 列名即为对比报告中的名称
- 缺失值用空白或
NaN表示，会自动跳过
计算说明
年化收益率 (Annualized Return)
基于首尾净值计算总收益，再按交易日数年化：
Ann. Return = (NAV_end / NAV_start) ^ (trading_days / n_days) - 1
最大回撤 (Max Drawdown)
净值序列中从峰值到谷底的最大跌幅：
MDD = max( (peak - trough) / peak )
夏普比率 (Sharpe Ratio)
风险调整后收益指标：
Sharpe = (Annualized Return - Risk-Free Rate) / Annualized Volatility
年化波动率由日收益率标准差乘以 √(trading_days) 得出。
相关性矩阵 (Correlation Matrix)
基于日收益率计算 Pearson 相关系数，衡量 ETF 间的联动程度。相关系数接近 1 表示高度正相关，接近 0 表示不相关，接近 -1 表示负相关。
参数说明
| 参数 | 必填 | 默认值 | 说明 |
|---|---|---|---|
--input / -i |
是 | - | 净值 CSV 文件路径 |
--risk-free / -rf |
否 | 0.02 | 年化无风险利率（如 0.03 表示 3%） |
--trading-days |
否 | 252 | 每年交易日数（A 股 252，美股 252） |
--output / -o |
否 | - | 输出文件路径（.csv 或 .json） |
--json |
否 | false | 以 JSON 格式输出到 stdout |
使用场景
- 对比多只 ETF 的风险收益特征，辅助资产配置决策
- 分析 ETF 间的相关性，构建低相关的投资组合
- 评估基金经理表现（夏普比率越高越好）
- 回测不同资产在特定时间段的表现
注意事项
- 本工具使用纯 Python 标准库，无需安装额外依赖
- 净值数据需要足够的时间跨度（建议至少 60 个交易日）才能获得有意义的统计指标
- 夏普比率受无风险利率假设影响，请根据实际市场环境调整
--risk-free参数 - 相关性矩阵需要至少 2 只 ETF 才能生成