在投资界流传着这样一句话：“不要用你的直觉，去挑战市场的概率。”
每天都有无数的基民在各大论坛上争论：
“定投到底选周四好还是周五好？听说周四是‘法定砸盘日’？”
“月初发工资定投，和月末定投，收益率真的有差别吗？”
“买QDII基金，用无脑日定投策略能不能跑赢智能网格？”
面对这些问题，99%的人都在用“我觉得”、“我上次”来回答。但作为数据时代的投资者，我们只相信一样东西——数据与回测。
今天，我将向大家毫无保留地开源我耗费大量心血搜集、整理的全市场15811只核心基金的【复权净值】海量历史数据，并且附带一套我自己编写的Python多维度定投策略回测引擎。
无论你是想要验证自己投资策略的个人投资者，还是寻找金融数据进行机器学习、毕业设计的学生，亦或是专业的量化数据分析师，这份数据包都将是你的“无价之宝”。
第一部分：数据集介绍
1.1. 权威的数据来源与各类基金数据
本数据集的所有底层数据均抓取自国内权威金融终端——同花顺。经过严格的数据清洗与结构化处理，涵盖了目前市场上最具投资价值的四大类基金，总计 15,811只。
从数据规模来看，15811 只基金的样本量远超普通研究的覆盖范围，能够有效避免 “幸存者偏差”，真实反映不同品类基金的整体表现。其中混合型基金数量占比过半，也印证了其在市场中的主流地位 —— 这类基金既适合追求稳健收益的保守型投资者，也能通过调整仓位满足进取型投资者的需求。
1.2. 数据时间跨度和格式
本数据集的时间跨度为：各基金成立之日起，至2026年春节前（即2026年2月13日）的所有完整交易日数据。
时间跨度完整：无论是 2013 年成立的老基金，还是 2025 年新发的基金，均保留从成立首日到 2026 年春节前的所有净值记录，最长时间跨度超 13 年；
数据粒度精细：以交易日为单位记录净值，无间断、无缺失，能够精准还原基金在不同市场周期（牛市、熊市、震荡市）的表现；
复权净值全覆盖：除原始净值外，同步搜集复权净值数据（包含分红、拆分等权益调整），真实反映基金的实际收益水平，避免 “账面收益” 与 “实际收益” 的偏差。
1.3. 开箱即用的JSON数据结构
为了方便各层级的开发者调用，我摒弃了繁杂的数据库配置，将数据结构化为极其轻量且易于解析的 JSON 格式。
(1) 基金代码与名称映射数据
该数据是基金的 “基础档案”，建立了基金代码、名称的唯一映射关系，格式示例如下：
字段说明：
- id：内部唯一标识，方便数据关联；
- code：基金代码（交易所唯一标识），可直接对接同花顺、天天基金等平台的实时数据；
- name：基金全称，便于识别基金类型和跟踪标的。
(2)复权净值序列
复权净值是衡量基金实际收益的核心指标，格式示例如下：
它将分红和拆分重新投资计算在内，真实地反映了投资者的实际收益曲线。数据以 [日期, 复权净值] 的二维数组形式呈现，按时间顺序严格排列。
第二部分：数据的核用途——六大应用场景
2.1 学术研究：验证行为金融理论
利用15,811只基金的长期数据，可以验证以下经典假说：
日历效应检验：
- 周一效应：周末信息累积导致周一波动加大
- 周四效应：T+1制度下周四抛压较重
- 月初效应：机构调仓导致月初上涨概率高
研究设计示例：
假设：周四定投因"黑色星期四"效应，长期收益显著高于其他工作日
方法：对每只基金分别计算周一至周五定投的年化收益率
统计：使用配对t检验比较周四 vs 其他日期的收益差异
2.2 智能投顾：构建个性化定投方案
基于数据分析结果，可开发智能定投推荐引擎：
2.3 基金评价：超越传统评级体系
传统基金评级（如晨星三年五星）存在幸存者偏差。利用本数据的全量特性，可以：
2.4 量化策略开发：从回测到实盘
进阶应用——多因子定投模型：
数据扩展性：本数据集提供纯净的价格序列，可与宏观经济数据、市场情绪指标、资金流向数据等进行多维度融合。
2.5 投资者教育：可视化说服工具
利用数据生成个性化投资报告
可视化建议：
- 热力图：展示不同成立年限基金的最佳定投日分布
- 箱线图：对比各类基金在不同策略下的收益波动范围
- 桑基图：追踪资金从"日定投"流向"周定投"的迁移路径
2.6 商业智能：基金产品设计与营销
基金公司应用场景：
- 新产品设计：根据历史数据，设计"智能周定投"功能，自动选择最佳扣款日
- 客户挽留：向月定投客户展示"如果改为周定投（周四）的历史收益差异"
- 营销素材：制作"15,811只基金大数据告诉你：周四定投真的更好"等传播内容
第三部分：基于Python的定投回测系统
在这个章节，我将带你逐行拆解我随数据附赠的 Python 回测代码。这套代码不仅仅是一个简单的计算器，而是一个多维度、面向对象思维的量化统计分析工具。
3.1 系统文件结构
3.2核心功能亮点
灵活的时间截取：支持测算自定义时间段（例如：只测算2025年到2026年初这段特定行情的表现）。
按“基龄”分组统计：将基金分为“1年内”、“1-3年”、“3-5年”、“5年以上”，消除幸存者偏差，看清老基金和新基金在策略上的不同表现。
四大策略同台竞技：
基准策略：每个交易日无脑定投。
普通周定投：每周固定选一天（周一至周五）定投。
避雷针策略：避开特定的一天（比如绝对不在周四买），其余四天定投。
月定投策略：每月固定1号到28号中的某一天定投。
3.3源码深度剖析
1. 核心的“大脑”：calculate_profit 收益计算函数
这是整个回测框架的灵魂。它完美模拟了真实的定投场景：每次触发定投条件时，固定投入指定金额（如10元），然后根据当天的复权净值计算买入的份额，最后统一用期末净值结算收益。
2. 多策略对决：analyze_strategies 策略分析函数
在这个函数中，代码让不同的策略在一只基金身上进行“内卷”，然后将胜利的数据记录在统计模板中。
3.4运行步骤
修改fileName 即可运行四种类型的基金分析
3.5运行结果展示
打开结果文件，可查看不同成立年限基金的最优定投日分布：
数据下载
下载后你将获得：
FundCode 文件夹（包含4大分类的基金基础信息列表）。
NetFundValue 文件夹（包含15811个以基金代码命名的、记录从成立至2026年2月13日复权净值的JSON文件）。
Analyze_fund.py (Python分析源码)。
项目完整代码：下载地址
优惠下载(五折) ：关注+回复关键字：基金数据
