基金定投这种分批买入基金的方式，类似于银行的零存整取，投资的成本比较平均，避免人为的主观判断失误，比较适合长期投资理财计划。
本文主要探讨两个问题：
- 从指数的最高点开始定投指数基金，是否还能盈利？
- 周定投和月定投哪个更好？
获取数据
1.打开网址JoinQuant聚宽，注册、登录帐号
image
2.进入研究环境
image
3.新建一个python3的notebook
image
4.在新建的notebook中编写代码
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
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2019年4月19日开始到2020年2月29日结束的日级交易数据
df300 = get_stock_data(code='000300',start_date='2019-04-19',end_date='2020-02-29')
df300
运行结果：
image.png
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。
image.png
查看沪深300指数的历史走势图：
image.png
从2019年4月19日高点开始定投，能否盈利？
# 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
按月自动定投函数
# 每月定投沪深300指数
dfm = auto_invest_monthly(df300, '2019/4/19', '2020/2/29')
dfm
image.png
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
image.png
从上面的图片可以看出，投资者也能在大概2009年的9月份开始获得收益。
周定投PK月定投？
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 = stock_data.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, '2019/4/19', '2020/2/29')
df300w
周定投沪深300指数走势图
image.png
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
image.png
将周定投和月定投的收益率绘制成曲线：
# 建立画布
fig = plt.figure(figsize = (12,6))
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(dfvs.index, dfvs['周定投收益率'])
plt.plot(dfvs.index, dfvs['月定投收益率'])
plt.legend(loc='upper right') # 设置次坐标轴图表的图例
周定投&月定投的收益率曲线
image.png
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。
定投时间稍微调整一下，改为大跌之后2019年5月9日开始定投
image.png
得出结论:
1.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。
2.周定投大概率比月定投能获得更好的收益，周定投的收益曲线比月定投的更平滑，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。
3.定投的开始时间点影响并不大，能否获得良好收益的关键在于行情上涨的时候，是否已经收集到了足够的筹码。
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。
