最近逛知乎时，我发现大家对于“基金定投能不能赚钱？”这个话题特别感兴趣。
基金定投一定赚钱吗？1.7 万赞同 · 676 评论回答
你看，投资一直是热门话题，尤其是当股市红红火火的时候。基金定投作为一种相对风险更低的投资方式，再加上支付宝、微信这些平台的推广，很多人开始考虑是否要加入定投大军。
关于基金定投的方法、优缺点，这里面的水很深，我就不在这里多说了。可以去看看那些高赞回答，讲得头头是道。
不过啊，磊哥哥作为一个理工科出身的人，看到那些回答总觉得哪里不踏实。没有数据支撑的结论，总感觉像是空中楼阁。我心里有几个疑问：
- 这些回答里的结论，数据支持得住吗？
- 定投的方式和周期，对收益的影响到底有多大？
- 如果基金定投真有那么赚钱，为啥还有那么多人去炒股、搞期货呢？
看了那么多回答，我的疑惑一点也没解开。所以啊，磊哥哥决定自己来动手研究一番。
出于对科学的尊重，我研究的方法必须是数据驱动的——没数据，就没说服力。我相信，人可能会撒谎，但数据，是骗不了人的。
既然决定了，那就开始吧。（一定要看到最后，会有收获的！加油！）
第一部 获取数据
以数据为支撑，那么第一步就是获取数据。我们首先要获取各基金的历史净值，并且保存下来，方便后续处理。
我先是找到了一款强大的Python库——akshare，它能帮我们获取到所有A股基金的代码和名称。
简单几段代码，就能获取A股基金的相关数据，具体的使用，请访问akshare查询。
import akshare as ak
# 获取所有A股基金的代码和名称
fund_list = ak.fund_name_em()
fund_list.to_csv('china_funds.csv', index=False, encoding='utf-8-sig')
fund_code="001258" #先拿这个基金代码举例子
# 获取历史数据
磊哥哥
7 次咨询
5.0
14230 次赞同
去咨询
hist_data = ak.fund_open_fund_info_em(symbol=fund_code, indicator="单位净值走势")
上面的代码先获取了所有A股基金的代码和名称，并保存到了csv文件，这个文件内容的截图如下：
然后通过fund_open_fund_info_em函数获取了一个基金的历史行情数据，我们这里现拿001258这个基金举例。
根据基金代码获取基金名
这里没什么好说的，这是一个工具函数，目的是根据基金代码获取基金名字。这个函数以后要用：
def find_fund_name(fund_code):
# 在基金列表中查找对应的基金代码
fund_info = fund_list[fund_list['基金代码'] == fund_code]
# 如果找到了对应的基金，返回基金名称
if not fund_info.empty:
return fund_info.iloc[0]['基金简称']
else:
return "基金代码不存在
制定定投策略 编写回测函数
接下来，就是回测的环节了。我定义了一个backtest函数，用来模拟定投的整个过程，从开始投资的那天起，直到定投的最后一天。这个过程中，每个月我都会投入相同的金额，然后看看最后的收益如何。
这个backtest函数回测一个简单的定投策略，即初始投资XXXX元，然后每个月月初一号定投xxxx元。同时这个函数还接受定投初始日期和结束日期。
这是一个再简单不过的策略，也是普通老板姓最容易操作的策略。我们简单起见，把这个策略具体化：初始投资10000元，然后每个月月初一号定投1000元。
整个模拟过程中，我记录下了投资的总金额、每个月的投资价值、最终的净值、收益率和最大回撤。这些都是评估一个投资是否成功的关键指标。
代码如下：
def backtest(fund_code, start_date, end_date, initial_investment, monthly_investment):
# 获取历史数据
hist_data = ak.fund_open_fund_info_em(symbol=fund_code, indicator="单位净值走势")
if '净值日期' not in hist_data.columns:
print(f"Columns in the dataframe: {hist_data.columns}")
print("The column '净值日期' was not found in the data returned by akshare.")
return None
hist_data['净值日期'] = pd.to_datetime(hist_data['净值日期'])
hist_data = hist_data.set_index('净值日期')
hist_data = hist_data[(hist_data.index >= start_date) & (hist_data.index <= end_date)]
# 初始化投资状态
total_investment = initial_investment
fund_units = initial_investment / hist_data.iloc[0]['单位净值']
portfolio_value = [fund_units * hist_data.iloc[0]['单位净值']]
investment_dates = pd.date_range(start_date, end_date, freq='M')
# 定投逻辑
for date in investment_dates:
closest_date = hist_data.index.asof(date)
if pd.notnull(closest_date):
nav = hist_data.at[closest_date, '单位净值']
fund_units += monthly_investment / nav
total_investment += monthly_investment
portfolio_value.append(fund_units * nav)
else:
portfolio_value.append(portfolio_value[-1]) # 如果没有净值数据，保持不变
# 创建回测结果DataFrame
result_df = pd.DataFrame(data={
'Date': investment_dates.union([start_date]),
'Portfolio Value': portfolio_value,
'Total Investment': [initial_investment + monthly_investment * i for i in range(len(portfolio_value))],
})
# 计算统计数据
result_df['Net Value'] = result_df['Portfolio Value'] - result_df['Total Investment']
result_df['Return'] = result_df['Net Value'] / result_df['Total Investment']
result_df['Drawdown'] = 1 - (result_df['Portfolio Value'] / result_df['Portfolio Value'].cummax())
return result_df
开始策略回测
然后，重头戏来了，我们开始回测这个测略和数据分析。
我把所有基金的回测结果都统计出来，还找出了最小回撤、最高收益率、最高平均收益率以及最大净值的那几个基金。这样一来，我们就可以清楚地看到，哪些基金在过去的时间里表现得最好。
当然，我也把这些数据整理成了一份漂亮的HTML报告。这样，就算是对Python一窍不通的朋友，也能一目了然地看到结果。我把代码中输出图像的代码给注释了，如果你要循环回测多个基金，生成图像有点慢，如果是一个基金，那你可以把他们打开。
代码如下：
# 回测所有选定基金，并收集统计数据
num_funds = len(selected_fund_codes)
num_columns = 4
num_rows = num_funds // num_columns + (num_funds % num_columns > 0)
# Create the subplot grid
# fig, axs = plt.subplots(num_rows, num_columns, figsize=(28, 7 * num_rows),squeeze=False)
# fig.suptitle('Portfolio Value of Randomly Selected Funds Over Time')
# axs = axs.flatten()[:num_funds]
for i, fund_code in enumerate(selected_fund_codes):
# Calculate row and column index for the current subplot
# row_idx = i // num_columns
# col_idx = i % num_columns
# Perform backtesting
print("开始回测基金：", fund_code,"这是第",i+1,"个基金")
try:
result_df = backtest(fund_code, starttime, endtime, 10000, 1000)
except Exception as e:
print("Error: ",e.args)
if result_df is None:
continue
# Plot the data
# axs[i].plot(result_df['Date'], result_df['Portfolio Value'], label="Portfolio Value of Fund: "+fund_code)
# axs[i].plot(result_df['Date'], result_df['Return'], label="Return Ratio of Fund: " +fund_code)
# axs[i].legend()
# axs[i].set_title(f"Fund Code: {fund_code} - {find_fund_name(fund_code)}")
# 添加总投资金额
total_investment_amount = result_df['Total Investment'].iloc[-1]
stats.append({
'基金名称': find_fund_name(fund_code),
'基金代码': fund_code,
'最大回撤': result_df['Drawdown'].max(),
'最大收益率': result_df['Return'].max(),
'平均收益率': result_df['Return'].mean(),
'平均回撤': result_df['Drawdown'].mean(),
'最终净值': result_df['Portfolio Value'].iloc[-1],
'净值与总投资差额': result_df['Portfolio Value'].iloc[-1] - total_investment_amount,
'总投资金额': total_investment_amount
})
# 调整图表布局并保存
# plt.tight_layout()
# plt.savefig('backtest_curves.png')
# plt.show()
# 转换统计数据为DataFrame
stats_df = pd.DataFrame(stats)
# 为表格添加“总投资金额”列
stats_df['总投资金额'] = stats_df['最终净值'] - stats_df['净值与总投资差额']
# 选择最优基金
best_fund_idx = stats_df['最大回撤'].idxmin()
best_max_return_idx = stats_df['最大收益率'].idxmax()
best_avg_return_idx = stats_df['平均收益率'].idxmax()
best_netValue = stats_df['最终净值'].idxmax()
best_fund = stats_df.loc[[best_fund_idx, best_max_return_idx, best_avg_return_idx,best_netValue]]
# 输出HTML表格
html_table = stats_df.to_html(index=False)
best_funds_html_table = best_fund.to_html(index=False)
# 保存HTML文件
timestamp = datetime.now().strftime("%Y%m%d-%H%M%S")
html_file_name = f'backtest_stats_{timestamp}.html'
with open(html_file_name, 'w', encoding='utf-8') as f:
f.write(f"<h1>回测时间段：{starttime} -> {endtime}</h1>")
f.write(html_table)
f.write('<br><br>')
f.write('Best Funds: 三个基金分别为：最小回撤基金，最大峰值收益率，最大平均收益率，还有剩余最大净值的基金，最后一个基金应该是该定投方案最好的基金<br>')
f.write(best_funds_html_table)
print(f"Backtest statistics and best funds saved to {html_file_name}")
数据分析
我先回测了001258这个基金的情况。回测的时间段为："2021-01-01"-> "2023-12-31"，结果如下：
统计数据如下：
我们代码很好的给了我们结果，可以看到，这样的定投策略对于这个基金而言，在时间段"2021-01-01"-> "2023-12-31"里，显然是不赚钱的。我们在两年的定投中，损失了3117元，这还不如去银行存款！
找出能赚钱的基金
上面的代码给了我们一个基金的回测数据，显然这个基金不能赚钱，但是，回到开头的问题。A股中有没有通过定投可以赚钱的基金？
既然有了代码，我们就开始循环回测随机50个基金。循环回测代码如下：
# 随机选出10个基金代码
selected_fund_codes = random.sample(fund_list['基金代码'].tolist(), 50)
for i, fund_code in enumerate(selected_fund_codes):
# Calculate row and column index for the current subplot
row_idx = i // num_columns
col_idx = i % num_columns
#Perform backtesting
print("开始回测基金：", fund_code,"这是第",i+1,"个基金")
try:
result_df = backtest(fund_code, "2021-01-01", "2023-12-31", 10000, 1000)
except Exception as e:
print("Error: ",e.args)
if result_df is None:
continue
运行上面的代码后，结果如下：
Best Funds: 三个基金分别为：最小回撤基金，最大峰值收益率，最大平均收益率，还有剩余最大净值的基金，最后一个基金应该是该定投方案最好的基金
可以看到如果以最终收益最为衡量标准，001829这个基金，是这50个基金中定投效果最好的，投资两年，赚了2544，2年综合收益率为5.5%，年化简单计算，大概为2.6%。其他结论我就不总结了，聪明的你可以看看上面的数据表格总结。
这个收益率，嗯~~~~还真不如银行存款。
我搞了了两年定投，最后还不如银行存款来的高，我还要挑选半天基金。而且从上面的数据可以看到，大部分基金都是亏的，这样定投，挑选基金的风险很高啊，这折腾半天干啥？
到这里，似乎我们开头的问题有了答案，基金定投亏多赚少，而且要仔细挑选基金，大部分基金都是亏的，挑选基金有很多坑。而且就算赚钱，似乎好不如银行存款的利率。
但我还是不死心，我想看看A股里所有的基金的回测结果，看看是不是能找到几个收益率高赚钱的基金。
那么说干就干。
A股中所有基金的回测
我用上面的代码，回测了所有A股中的基金，一共有20083个。这么多基金，我的电脑都跑冒烟了，麻烦点个赞鼓励下，这些回测结果，我放到我自己的网站上，大家可以查看。
基金定投是否稳赚不赔？-从数据揭秘定投的真相-Always Learn For Lifealwayslearn.life/216
我这里直接给出结论：
Best Funds: 三个基金分别为：最小回撤基金，最大峰值收益率，最大平均收益率，还有剩余最大净值的基金，最后一个基金应该是该定投方案最好的基金
什么？收益最好的基金。。。既然赚了130多万？回报率足足有1100%。这太恐怖了。
我赶紧去查了下这个基金：
看起来也很一般，是一个稳健理财的基金，普通人还买不到。
我把所有回测的数据放到Excel里，按照收益排名，以下是截图，请自由享用。
同样Excel数据在我网站上可以下载。
你如果看到这里，恭喜你，我们似乎找到了财富密码，这几个表现最好的基金，也就是我现在定投的基金，我们通过数据分析，找到了定投的方向，投资是一场马拉松，而数据就是我们的北星，指引我们前行的方向。实话实话，目前这几个基金表现还不错，但是我要表明的是，以上只是对历史数据的回测得出的结论，不代表未来基金的走势，只是这几个基金前两年表现好，不代表以后会表现良好，总之，投资需谨慎~~！
通过这次回测，我们能够清晰地看到，虽然不是所有基金都能带来预期的收益，但确实有一部分基金表现得非常突出。这验证了我的一点想法——基金定投可以赚钱，但关键在于选择哪些基金，以及如何定投。
最后，我将所有的数据和分析结果整理成了一份报告，并保存为HTML格式，你们不需要懂编程，也能轻松查看。
如果你对这次实验的详细过程感兴趣，或者想要学习如何使用Python和AI进行投资分析，我在我的网站上准备了一系列的高清视频课程。只需点击这里，就可以开始你的智能投资学习之旅了
版权声明：本文内容由互联网用户贡献，该文观点仅代表作者本人。本站不拥有所有权，不承担相关法律责任。如发现有侵权/违规的内容， 联系QQ15101117，本站将立刻清除。
