feat(records_analysis): 添加期货开仓记录分析工具

- 新增分析脚本 `records_analysis.py`，实现期货开仓数据的多维度统计与可视化，重点位均线穿越和开仓时间
- 创建 `README_records_analysis.md` 文档，详细说明工具功能与使用指南

Lib/future/README_records_analysis.md

@@ -0,0 +1,121 @@
+# 期货开仓记录分析工具
+
+## 概览
+
+该工具基于 `Lib/future/records.csv` 的期货开仓记录，输出以 **平均盈亏** 与 **平均保证金收益率** 为核心的多维度分析结果。脚本聚焦以下能力：
+
+- 自动清洗与增强原始数据：提取品种代码、识别开盘后时间段、计算保证金收益率、穿越均线数量、成交额分组等 15+ 个衍生字段。
+- 提供单一文件内的全套统计汇总、CSV 导出和可视化图表，方便快速洞察交易表现。
+- 所有结果默认输出至 `Lib/future/analysis_results/` 目录，便于后续复盘或回测。
+
+## 核心功能
+
+### 数据预处理
+- 标的字段自动解析出品种代码（如“原油2002(SC2002.XINE)”→“SC”），提取成功率 100%。
+- 结合 `MAPatternStrategy_v002.py` 中的交易时间，计算 `<30分钟 / 30-60分钟 / >1小时` 三段开仓延迟区间。
+- 构建保证金收益率（交易盈亏 ÷ 保证金 × 100）、交易时段（夜盘/上午/下午）、穿越均线数量、成交额分组等指标。
+
+### 多维度统计
+- **均线组合**：统计出现次数、平均盈亏、平均保证金收益率、胜率与盈亏比，可快速筛选表现最稳健的组合。
+- **开盘后时间段**：对比不同开仓延迟区间的平均盈亏与保证金收益率，直观判断开仓时机的重要性。
+- **均线 × 时间段交叉**：同时查看胜率、平均盈亏、平均保证金收益率三张热力图，定位最优战术组合。
+- **交易类型 / 品种 / 品种代码**：支持从“开多/开空”“商品/金融”“Top 品种代码”多层级对比收益表现。
+- **其他维度**：控制台输出仍覆盖成交额分组、交易时段、穿越均线数量、多空对比、夜盘属性与组合策略排名等信息。
+
+### 可视化输出（PNG）
+
+1. `ma_lines_analysis.png`  
+   - 4 个子图：出现次数、胜率、平均盈亏、平均保证金收益率，全部带数值标注，重点突出收益类指标。
+2. `time_segment_analysis.png`  
+   - 展示三个开盘时间段的平均盈亏与平均保证金收益率对比（双柱状图）。
+3. `cross_analysis_heatmap.png`  
+   - 3 张热力图：胜率、平均盈亏、平均保证金收益率（均线组合 × 开盘时间段）。
+4. `variety_analysis.png`  
+   - 交易类型与品种类型的胜率/收益率对比，快速锁定得分最高的资产类别。
+
+> 说明：旧的 `additional_analysis.png` 已移除，所有图表均以平均盈亏与保证金收益率为主视角。
+
+### CSV 输出
+
+| 文件 | 说明 |
+| --- | --- |
+| `records_enhanced.csv` | 增强后的明细数据，包含所有衍生字段 |
+| `ma_lines_stats.csv` | 各均线组合的综合统计 |
+| `time_segment_stats.csv` | 三段开盘时间的统计 |
+| `symbol_stats.csv` | 各品种代码的统计 |
+| `combo_strategy_stats.csv` | “均线组合×时间段×方向” 组合，样本量≥5 |
+
+## 使用指南
+
+### 1. 安装依赖
+
+```bash
+pip install pandas numpy matplotlib seaborn
+```
+
+### 2. 运行脚本
+
+```bash
+cd Lib/future
+python records_analysis.py
+```
+
+### 3. 输出内容
+
+- 控制台：打印各维度汇总表，含样本量、平均盈亏、平均保证金收益率等。
+- `analysis_results/`：自动生成 PNG 图表与 CSV 文件。
+
+## 指标解释
+
+| 指标 | 定义 |
+| --- | --- |
+| 出现次数 | 分组内的交易笔数 |
+| 胜率 | 盈利笔数 / 总笔数（`交易盈亏 > 0` 为盈利） |
+| 平均盈亏 | 交易盈亏字段的均值（元） |
+| 盈亏比 | 平均盈利金额 / 平均亏损金额（绝对值） |
+| 平均保证金收益率 | 单笔收益率（盈亏/保证金×100）的平均值 |
+
+时间段计算：用品种对应的 `trading_start_time` 与委托时间求差，自动处理夜盘跨日情况；交易时段依次划分为夜盘（21:00-03:00）、上午（09:00-12:00）与下午（12:00-16:00）。
+
+## 数据洞察速览（基于 1061 条样本）
+
+- **开仓时机**：<30分钟平均盈亏 11,256 元、保证金收益率 5.73%，显著优于 >1小时段（1,073 元 / 4.17%）。
+- **均线组合**：`MA20;MA30` 在平均盈亏与保证金收益率上均表现亮眼（6,160 元 / 10.36%）。
+- **交易类型**：开多的平均保证金收益率 5.38%，高于开空的 3.20%。
+- **品种类型**：金融期货的平均保证金收益率 7.68%，显著优于商品期货的 3.42%。
+- **组合策略**：`MA10;MA20 + >1小时 + 开空` 的平均保证金收益率 21.25%，位列历史最佳组合之一。
+
+> 以上数字会随最新数据自动更新，可直接参考控制台及 CSV 输出。
+
+## 文件结构
+
+```
+Lib/future/
+├── records.csv                 # 原始交易记录
+├── records_analysis.py         # 主分析脚本
+├── README_records_analysis.md  # 本文档
+└── analysis_results/           # 输出目录
+    ├── *.png                   # 4 张可视化图表
+    ├── records_enhanced.csv    # 增强后的明细
+    ├── ma_lines_stats.csv
+    ├── time_segment_stats.csv
+    ├── symbol_stats.csv
+    └── combo_strategy_stats.csv
+```
+
+## 扩展建议
+
+- 添加更多维度：如持仓时长、波动率、止损/止盈比例等指标。
+- 引入机器学习：基于历史组合表现搭建简单的策略筛选模型。
+- 交互分析：将 CSV 导入 Notebook、BI 工具或 Plotly Dash 进行动态探索。
+
+## 技术栈
+
+- Python 3.x
+- pandas / numpy：数据处理与统计
+- matplotlib / seaborn：绘图与热力图
+
+---
+
+如需调整统计口径或新增图表，可直接修改 `records_analysis.py`，所有逻辑均已模块化拆分，便于快速扩展。
+

Lib/future/records_analysis.py

@@ -0,0 +1,753 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+"""
+期货开仓记录分析工具
+分析 records.csv 中的期货交易数据，提供多维度统计分析
+"""
+
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+from datetime import datetime, timedelta
+import re
+import os
+import sys
+
+# 设置中文字体
+plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei', 'DejaVu Sans']
+plt.rcParams['axes.unicode_minus'] = False
+
+# 期货配置字典（从MAPatternStrategy_v002.py复制）
+FUTURES_CONFIG = {
+    # 贵金属
+    'AU': {'has_night_session': True, 'margin_rate': {'long': 0.21, 'short': 0.21}, 'multiplier': 1000, 'trading_start_time': '21:00'},
+    'AG': {'has_night_session': True, 'margin_rate': {'long': 0.22, 'short': 0.22}, 'multiplier': 15, 'trading_start_time': '21:00'},
+    
+    # 有色金属
+    'CU': {'has_night_session': True, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'AL': {'has_night_session': True, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'ZN': {'has_night_session': True, 'margin_rate': {'long': 0.14, 'short': 0.14}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'PB': {'has_night_session': True, 'margin_rate': {'long': 0.14, 'short': 0.14}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'NI': {'has_night_session': True, 'margin_rate': {'long': 0.16, 'short': 0.16}, 'multiplier': 1, 'trading_start_time': '21:00'},
+    'SN': {'has_night_session': True, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 1, 'trading_start_time': '21:00'},
+    'SS': {'has_night_session': True, 'margin_rate': {'long': 0.07, 'short': 0.07}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    
+    # 黑色系
+    'RB': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'HC': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'I': {'has_night_session': True, 'margin_rate': {'long': 0.16, 'short': 0.16}, 'multiplier': 100, 'trading_start_time': '21:00'},
+    'JM': {'has_night_session': True, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 100, 'trading_start_time': '21:00'},
+    'J': {'has_night_session': True, 'margin_rate': {'long': 0.25, 'short': 0.25}, 'multiplier': 60, 'trading_start_time': '21:00'},
+    
+    # 能源化工
+    'SP': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'FU': {'has_night_session': True, 'margin_rate': {'long': 0.16, 'short': 0.16}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'BU': {'has_night_session': True, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'RU': {'has_night_session': True, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'BR': {'has_night_session': True, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'SC': {'has_night_session': True, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 1000, 'trading_start_time': '21:00'},
+    'NR': {'has_night_session': True, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'LU': {'has_night_session': True, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'LC': {'has_night_session': False, 'margin_rate': {'long': 0.16, 'short': 0.16}, 'multiplier': 1, 'trading_start_time': '09:00'},
+    
+    # 化工
+    'FG': {'has_night_session': True, 'margin_rate': {'long': 0.16, 'short': 0.16}, 'multiplier': 20, 'trading_start_time': '21:00'},
+    'TA': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'MA': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'SA': {'has_night_session': True, 'margin_rate': {'long': 0.14, 'short': 0.14}, 'multiplier': 20, 'trading_start_time': '21:00'},
+    'L': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'V': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'EG': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'PP': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'EB': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'PG': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 20, 'trading_start_time': '21:00'},
+    'PX': {'has_night_session': True, 'margin_rate': {'long': 0.1, 'short': 0.1}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    
+    # 农产品
+    'RM': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'OI': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'CF': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'SR': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'PF': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'C': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'CS': {'has_night_session': True, 'margin_rate': {'long': 0.11, 'short': 0.11}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'CY': {'has_night_session': True, 'margin_rate': {'long': 0.11, 'short': 0.11}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'A': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'B': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'M': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'Y': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    'P': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 10, 'trading_start_time': '21:00'},
+    
+    # 无夜盘品种
+    'IF': {'has_night_session': False, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 300, 'trading_start_time': '09:30'},
+    'IH': {'has_night_session': False, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 300, 'trading_start_time': '09:30'},
+    'IC': {'has_night_session': False, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 200, 'trading_start_time': '09:30'},
+    'IM': {'has_night_session': False, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 200, 'trading_start_time': '09:30'},
+    'AP': {'has_night_session': False, 'margin_rate': {'long': 0.16, 'short': 0.16}, 'multiplier': 10, 'trading_start_time': '09:00'},
+    'CJ': {'has_night_session': False, 'margin_rate': {'long': 0.14, 'short': 0.14}, 'multiplier': 5, 'trading_start_time': '09:00'},
+    'PK': {'has_night_session': False, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 5, 'trading_start_time': '09:00'},
+    'JD': {'has_night_session': False, 'margin_rate': {'long': 0.11, 'short': 0.11}, 'multiplier': 10, 'trading_start_time': '09:00'},
+    'LH': {'has_night_session': False, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 16, 'trading_start_time': '09:00'},
+    'T': {'has_night_session': False, 'margin_rate': {'long': 0.03, 'short': 0.03}, 'multiplier': 1000000, 'trading_start_time': '09:30'},
+    'PS': {'has_night_session': False, 'margin_rate': {'long': 0.16, 'short': 0.16}, 'multiplier': 3, 'trading_start_time': '09:00'},
+    'UR': {'has_night_session': False, 'margin_rate': {'long': 0.14, 'short': 0.14}, 'multiplier': 20, 'trading_start_time': '09:00'},
+    'MO': {'has_night_session': True, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 100, 'trading_start_time': '21:00'},
+    'HO': {'has_night_session': False, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 100, 'trading_start_time': '09:30'},
+    'LG': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 90, 'trading_start_time': '21:00'},
+    'EC': {'has_night_session': False, 'margin_rate': {'long': 0.23, 'short': 0.23}, 'multiplier': 50, 'trading_start_time': '09:00'},
+    'OP': {'has_night_session': False, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 40, 'trading_start_time': '09:00'},
+    'BC': {'has_night_session': True, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 5, 'trading_start_time': '21:00'},
+    'SH': {'has_night_session': True, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 30, 'trading_start_time': '21:00'},
+    'TS': {'has_night_session': False, 'margin_rate': {'long': 0.015, 'short': 0.015}, 'multiplier': 2000000, 'trading_start_time': '09:30'},
+    'AD': {'has_night_session': False, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 10, 'trading_start_time': '09:00'},
+    'PL': {'has_night_session': False, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 20, 'trading_start_time': '09:00'},
+    'SI': {'has_night_session': False, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 5, 'trading_start_time': '09:00'},
+    'SM': {'has_night_session': False, 'margin_rate': {'long': 0.15, 'short': 0.15}, 'multiplier': 5, 'trading_start_time': '09:00'},
+    'AO': {'has_night_session': True, 'margin_rate': {'long': 0.17, 'short': 0.17}, 'multiplier': 20, 'trading_start_time': '21:00'},
+    'TL': {'has_night_session': False, 'margin_rate': {'long': 0.045, 'short': 0.045}, 'multiplier': 1000000, 'trading_start_time': '09:00'},
+    'SF': {'has_night_session': False, 'margin_rate': {'long': 0.14, 'short': 0.14}, 'multiplier': 5, 'trading_start_time': '09:00'},
+    'PR': {'has_night_session': True, 'margin_rate': {'long': 0.12, 'short': 0.12}, 'multiplier': 15, 'trading_start_time': '21:00'},
+    'TF': {'has_night_session': False, 'margin_rate': {'long': 0.022, 'short': 0.022}, 'multiplier': 1000000, 'trading_start_time': '09:00'},
+    'BZ': {'has_night_session': False, 'margin_rate': {'long': 0.13, 'short': 0.13}, 'multiplier': 30, 'trading_start_time': '09:00'},
+}
+
+
+def extract_symbol_code(target_str):
+    """
+    从标的字段提取品种代码
+    例如: '原油2002(SC2002.XINE)' -> 'SC'
+    """
+    match = re.search(r'\(([A-Z]+)\d+\.', target_str)
+    if match:
+        return match.group(1)
+    return None
+
+
+def calculate_time_segment(order_time_str, trading_start_time_str):
+    """
+    计算开仓时间相对于交易开始时间的时间段
+    返回: '<30分钟', '30-60分钟', '>1小时'
+    """
+    try:
+        # 解析时间字符串
+        order_time = datetime.strptime(order_time_str, '%H:%M:%S')
+        start_time = datetime.strptime(trading_start_time_str, '%H:%M')
+        
+        # 如果是夜盘品种（21:00开盘），需要特殊处理跨日情况
+        if trading_start_time_str == '21:00':
+            # 如果委托时间在21:00之前，说明是第二天的交易时间
+            if order_time.hour < 21 and order_time.hour >= 0:
+                # 加24小时处理跨日
+                order_time = order_time + timedelta(days=1)
+                
+        # 计算时间差（分钟）
+        time_diff = (order_time - start_time).total_seconds() / 60
+        
+        # 处理负数情况（可能是跨日）
+        if time_diff < 0:
+            time_diff += 24 * 60
+            
+        # 分类
+        if time_diff < 30:
+            return '<30分钟'
+        elif time_diff < 60:
+            return '30-60分钟'
+        else:
+            return '>1小时'
+    except Exception as e:
+        print(f"时间计算错误: {order_time_str}, {trading_start_time_str}, {e}")
+        return '未知'
+
+
+def calculate_session_type(order_time_str, has_night_session):
+    """
+    计算交易时段类型：夜盘、上午、下午
+    """
+    try:
+        order_time = datetime.strptime(order_time_str, '%H:%M:%S')
+        hour = order_time.hour
+        
+        if has_night_session and (hour >= 21 or hour < 3):
+            return '夜盘'
+        elif 9 <= hour < 12:
+            return '上午'
+        elif 12 <= hour < 16:
+            return '下午'
+        else:
+            return '其他'
+    except:
+        return '未知'
+
+
+def load_and_preprocess_data(csv_path):
+    """
+    加载并预处理数据
+    """
+    print("正在加载数据...")
+    df = pd.read_csv(csv_path)
+    
+    print(f"原始数据行数: {len(df)}")
+    print(f"数据列: {df.columns.tolist()}")
+    
+    # 提取品种代码
+    df['品种代码'] = df['标的'].apply(extract_symbol_code)
+    
+    # 获取品种配置信息
+    df['trading_start_time'] = df['品种代码'].apply(
+        lambda x: FUTURES_CONFIG.get(x, {}).get('trading_start_time', None)
+    )
+    df['has_night_session'] = df['品种代码'].apply(
+        lambda x: FUTURES_CONFIG.get(x, {}).get('has_night_session', False)
+    )
+    
+    # 计算开盘后时间段
+    df['开盘后时间段'] = df.apply(
+        lambda row: calculate_time_segment(row['委托时间'], row['trading_start_time']) 
+        if pd.notna(row['trading_start_time']) else '未知',
+        axis=1
+    )
+    
+    # 计算交易时段
+    df['交易时段'] = df.apply(
+        lambda row: calculate_session_type(row['委托时间'], row['has_night_session']),
+        axis=1
+    )
+    
+    # 计算保证金收益率
+    df['保证金收益率'] = (df['交易盈亏'] / df['保证金']) * 100
+    
+    # 计算穿越均线数量
+    df['穿越均线数量'] = df['crossed_ma_lines'].apply(
+        lambda x: len(x.split(';')) if pd.notna(x) else 0
+    )
+    
+    # 判断是否盈利
+    df['是否盈利'] = df['交易盈亏'] > 0
+    
+    # 成交额分组
+    df['成交额分组'] = pd.cut(df['成交额'], 
+                              bins=[0, 100000, 200000, 500000, float('inf')],
+                              labels=['<10万', '10-20万', '20-50万', '>50万'])
+    
+    print(f"预处理后数据行数: {len(df)}")
+    print(f"品种代码提取成功率: {df['品种代码'].notna().sum() / len(df) * 100:.2f}%")
+    
+    return df
+
+
+def calculate_statistics(group_df):
+    """
+    计算统计指标
+    """
+    total_count = len(group_df)
+    win_count = (group_df['交易盈亏'] > 0).sum()
+    win_rate = win_count / total_count if total_count > 0 else 0
+    
+    avg_profit_loss = group_df['交易盈亏'].mean()
+    
+    # 计算盈亏比
+    profit_trades = group_df[group_df['交易盈亏'] > 0]['交易盈亏']
+    loss_trades = group_df[group_df['交易盈亏'] <= 0]['交易盈亏']
+    
+    avg_profit = profit_trades.mean() if len(profit_trades) > 0 else 0
+    avg_loss = abs(loss_trades.mean()) if len(loss_trades) > 0 else 0
+    profit_loss_ratio = avg_profit / avg_loss if avg_loss > 0 else np.inf
+    
+    avg_margin_return = group_df['保证金收益率'].mean()
+    
+    return pd.Series({
+        '出现次数': total_count,
+        '胜率': win_rate,
+        '平均盈亏': avg_profit_loss,
+        '盈亏比': profit_loss_ratio,
+        '平均保证金收益率': avg_margin_return
+    })
+
+
+def analyze_ma_lines(df):
+    """
+    分析crossed_ma_lines维度
+    """
+    print("\n" + "="*80)
+    print("均线组合分析")
+    print("="*80)
+    
+    ma_stats = df.groupby('crossed_ma_lines').apply(calculate_statistics).round(4)
+    ma_stats = ma_stats.sort_values('出现次数', ascending=False)
+    
+    print(ma_stats.to_string())
+    
+    return ma_stats
+
+
+def analyze_time_segment(df):
+    """
+    分析开盘后时间段维度
+    """
+    print("\n" + "="*80)
+    print("开盘后时间段分析")
+    print("="*80)
+    
+    time_stats = df.groupby('开盘后时间段').apply(calculate_statistics).round(4)
+    
+    # 按指定顺序排列
+    order = ['<30分钟', '30-60分钟', '>1小时', '未知']
+    time_stats = time_stats.reindex([o for o in order if o in time_stats.index])
+    
+    print(time_stats.to_string())
+    
+    return time_stats
+
+
+def analyze_cross_dimension(df):
+    """
+    交叉分析：均线组合 × 开盘后时间段
+    """
+    print("\n" + "="*80)
+    print("交叉分析：均线组合 × 开盘后时间段")
+    print("="*80)
+    
+    # 样本量分布
+    cross_count = pd.crosstab(df['crossed_ma_lines'], df['开盘后时间段'])
+    print("\n样本量分布:")
+    print(cross_count.to_string())
+    
+    # 胜率对比
+    cross_winrate = pd.crosstab(
+        df['crossed_ma_lines'], 
+        df['开盘后时间段'], 
+        values=df['是否盈利'], 
+        aggfunc='mean'
+    ).round(4)
+    print("\n胜率对比:")
+    print(cross_winrate.to_string())
+    
+    # 平均盈亏
+    cross_profit = pd.crosstab(
+        df['crossed_ma_lines'],
+        df['开盘后时间段'],
+        values=df['交易盈亏'],
+        aggfunc='mean'
+    ).round(2)
+    print("\n平均盈亏:")
+    print(cross_profit.to_string())
+    
+    # 平均保证金收益率
+    cross_return = pd.crosstab(
+        df['crossed_ma_lines'], 
+        df['开盘后时间段'], 
+        values=df['保证金收益率'], 
+        aggfunc='mean'
+    ).round(4)
+    print("\n平均保证金收益率(%):")
+    print(cross_return.to_string())
+    
+    return cross_count, cross_winrate, cross_profit, cross_return
+
+
+def analyze_trade_type_and_variety(df):
+    """
+    分析交易类型和品种维度
+    """
+    print("\n" + "="*80)
+    print("交易类型分析")
+    print("="*80)
+    
+    trade_type_stats = df.groupby('交易类型').apply(calculate_statistics).round(4)
+    print(trade_type_stats.to_string())
+    
+    print("\n" + "="*80)
+    print("品种类型分析")
+    print("="*80)
+    
+    variety_stats = df.groupby('品种').apply(calculate_statistics).round(4)
+    print(variety_stats.to_string())
+    
+    print("\n" + "="*80)
+    print("具体品种代码分析（前20名）")
+    print("="*80)
+    
+    symbol_stats = df.groupby('品种代码').apply(calculate_statistics).round(4)
+    symbol_stats = symbol_stats.sort_values('出现次数', ascending=False).head(20)
+    print(symbol_stats.to_string())
+    
+    return trade_type_stats, variety_stats, symbol_stats
+
+
+def analyze_additional_dimensions(df):
+    """
+    其他维度分析
+    """
+    print("\n" + "="*80)
+    print("成交额分组分析")
+    print("="*80)
+    
+    amount_stats = df.groupby('成交额分组').apply(calculate_statistics).round(4)
+    print(amount_stats.to_string())
+    
+    print("\n" + "="*80)
+    print("交易时段分析")
+    print("="*80)
+    
+    session_stats = df.groupby('交易时段').apply(calculate_statistics).round(4)
+    print(session_stats.to_string())
+    
+    print("\n" + "="*80)
+    print("穿越均线数量分析")
+    print("="*80)
+    
+    ma_count_stats = df.groupby('穿越均线数量').apply(calculate_statistics).round(4)
+    print(ma_count_stats.to_string())
+    
+    print("\n" + "="*80)
+    print("多空对比（按均线组合）- 前10个组合")
+    print("="*80)
+    
+    # 获取出现次数最多的前10个均线组合
+    top_ma_lines = df['crossed_ma_lines'].value_counts().head(10).index
+    df_top = df[df['crossed_ma_lines'].isin(top_ma_lines)]
+    
+    long_short_stats = df_top.groupby(['crossed_ma_lines', '交易类型']).apply(
+        calculate_statistics
+    ).round(4)
+    print(long_short_stats.to_string())
+    
+    print("\n" + "="*80)
+    print("品种特性分析（有夜盘 vs 无夜盘）")
+    print("="*80)
+    
+    night_session_stats = df.groupby('has_night_session').apply(calculate_statistics).round(4)
+    night_session_stats.index = ['无夜盘', '有夜盘']
+    print(night_session_stats.to_string())
+    
+    print("\n" + "="*80)
+    print("组合策略分析：最佳组合（样本量>=10）")
+    print("="*80)
+    
+    # 三维组合分析
+    combo_stats = df.groupby(['crossed_ma_lines', '开盘后时间段', '交易类型']).apply(
+        calculate_statistics
+    ).round(4)
+    
+    # 筛选样本量>=10的组合
+    combo_stats = combo_stats[combo_stats['出现次数'] >= 10]
+    
+    # 按保证金收益率排序，显示前10
+    combo_stats_sorted = combo_stats.sort_values('平均保证金收益率', ascending=False).head(10)
+    print("\n保证金收益率最高的10个组合:")
+    print(combo_stats_sorted.to_string())
+    
+    # 按胜率排序，显示前10
+    combo_stats_sorted_winrate = combo_stats.sort_values('胜率', ascending=False).head(10)
+    print("\n胜率最高的10个组合:")
+    print(combo_stats_sorted_winrate.to_string())
+    
+    return {
+        'amount_stats': amount_stats,
+        'session_stats': session_stats,
+        'ma_count_stats': ma_count_stats,
+        'long_short_stats': long_short_stats,
+        'night_session_stats': night_session_stats,
+        'combo_stats': combo_stats
+    }
+
+
+def create_visualizations(df, ma_stats, time_stats, cross_winrate, cross_profit, cross_return, output_dir):
+    """
+    创建数据可视化图表
+    """
+    print("\n" + "="*80)
+    print("生成可视化图表...")
+    print("="*80)
+    
+    # 创建输出目录
+    os.makedirs(output_dir, exist_ok=True)
+    
+    def annotate_barh(ax, bars, formatter=lambda v: f"{v:.0f}", offset_ratio=0.01):
+        """
+        为水平柱状图添加数值标注
+        """
+        if bars is None or len(bars) == 0:
+            return
+        max_width = max((bar.get_width() for bar in bars), default=0)
+        offset = max(max_width * offset_ratio, 0.5)
+        for bar in bars:
+            width = bar.get_width()
+            if np.isnan(width):
+                continue
+            ha = 'left'
+            x = width + offset
+            if width < 0:
+                ha = 'right'
+                x = width - offset
+            y = bar.get_y() + bar.get_height() / 2
+            ax.text(x, y, formatter(width), va='center', ha=ha, fontsize=9)
+    
+    def annotate_bar(ax, bars, formatter=lambda v: f"{v:.0f}", offset_ratio=0.01):
+        """
+        为垂直柱状图添加数值标注
+        """
+        if bars is None or len(bars) == 0:
+            return
+        max_height = max((bar.get_height() for bar in bars), default=0)
+        offset = max(max_height * offset_ratio, 0.5)
+        for bar in bars:
+            height = bar.get_height()
+            if np.isnan(height):
+                continue
+            va = 'bottom'
+            y = height + offset
+            if height < 0:
+                va = 'top'
+                y = height - offset
+            x = bar.get_x() + bar.get_width() / 2
+            ax.text(x, y, formatter(height), va=va, ha='center', fontsize=9)
+    
+    # 1. 均线组合表现对比（前15个）
+    fig, axes = plt.subplots(2, 2, figsize=(16, 12))
+    
+    top_ma = ma_stats.head(15)
+    
+    # 出现次数
+    bars = axes[0, 0].barh(range(len(top_ma)), top_ma['出现次数'])
+    axes[0, 0].set_yticks(range(len(top_ma)))
+    axes[0, 0].set_yticklabels(top_ma.index)
+    axes[0, 0].set_xlabel('出现次数')
+    axes[0, 0].set_title('均线组合出现次数（Top 15）')
+    axes[0, 0].invert_yaxis()
+    annotate_barh(axes[0, 0], bars)
+    
+    # 胜率
+    colors = ['green' if x > 0.5 else 'red' for x in top_ma['胜率']]
+    bars = axes[0, 1].barh(range(len(top_ma)), top_ma['胜率'], color=colors)
+    axes[0, 1].set_yticks(range(len(top_ma)))
+    axes[0, 1].set_yticklabels(top_ma.index)
+    axes[0, 1].set_xlabel('胜率')
+    axes[0, 1].set_title('均线组合胜率（Top 15）')
+    axes[0, 1].axvline(x=0.5, color='black', linestyle='--', alpha=0.5)
+    axes[0, 1].invert_yaxis()
+    annotate_barh(axes[0, 1], bars, formatter=lambda v: f"{v:.1%}", offset_ratio=0.02)
+    
+    # 平均盈亏
+    colors = ['green' if x > 0 else 'red' for x in top_ma['平均盈亏']]
+    bars = axes[1, 0].barh(range(len(top_ma)), top_ma['平均盈亏'], color=colors)
+    axes[1, 0].set_yticks(range(len(top_ma)))
+    axes[1, 0].set_yticklabels(top_ma.index)
+    axes[1, 0].set_xlabel('平均盈亏（元）')
+    axes[1, 0].set_title('均线组合平均盈亏（Top 15）')
+    axes[1, 0].axvline(x=0, color='black', linestyle='--', alpha=0.5)
+    axes[1, 0].invert_yaxis()
+    annotate_barh(axes[1, 0], bars, formatter=lambda v: f"{v:,.0f}", offset_ratio=0.015)
+    
+    # 保证金收益率
+    colors = ['green' if x > 0 else 'red' for x in top_ma['平均保证金收益率']]
+    bars = axes[1, 1].barh(range(len(top_ma)), top_ma['平均保证金收益率'], color=colors)
+    axes[1, 1].set_yticks(range(len(top_ma)))
+    axes[1, 1].set_yticklabels(top_ma.index)
+    axes[1, 1].set_xlabel('平均保证金收益率（%）')
+    axes[1, 1].set_title('均线组合平均保证金收益率（Top 15）')
+    axes[1, 1].axvline(x=0, color='black', linestyle='--', alpha=0.5)
+    axes[1, 1].invert_yaxis()
+    annotate_barh(axes[1, 1], bars, formatter=lambda v: f"{v:.2f}%", offset_ratio=0.02)
+    
+    plt.tight_layout()
+    plt.savefig(os.path.join(output_dir, 'ma_lines_analysis.png'), dpi=150, bbox_inches='tight')
+    print(f"已保存: {os.path.join(output_dir, 'ma_lines_analysis.png')}")
+    plt.close()
+    
+    # 2. 开盘后时间段表现
+    fig, axes = plt.subplots(1, 2, figsize=(14, 6))
+    order = ['<30分钟', '30-60分钟', '>1小时']
+    time_stats_filtered = time_stats[time_stats.index.isin(order)]
+    time_stats_filtered = time_stats_filtered.loc[[idx for idx in order if idx in time_stats_filtered.index]]
+    
+    profit_colors = ['green' if val >= 0 else 'red' for val in time_stats_filtered['平均盈亏']]
+    bars = axes[0].bar(range(len(time_stats_filtered)), time_stats_filtered['平均盈亏'], color=profit_colors)
+    axes[0].set_xticks(range(len(time_stats_filtered)))
+    axes[0].set_xticklabels(time_stats_filtered.index)
+    axes[0].set_ylabel('平均盈亏（元）')
+    axes[0].set_title('不同时间段平均盈亏')
+    axes[0].axhline(y=0, color='black', linestyle='--', alpha=0.5)
+    annotate_bar(axes[0], bars, formatter=lambda v: f"{v:,.0f}")
+    
+    margin_colors = ['green' if val >= 0 else 'red' for val in time_stats_filtered['平均保证金收益率']]
+    bars = axes[1].bar(range(len(time_stats_filtered)), time_stats_filtered['平均保证金收益率'], color=margin_colors)
+    axes[1].set_xticks(range(len(time_stats_filtered)))
+    axes[1].set_xticklabels(time_stats_filtered.index)
+    axes[1].set_ylabel('平均保证金收益率（%）')
+    axes[1].set_title('不同时间段平均保证金收益率')
+    axes[1].axhline(y=0, color='black', linestyle='--', alpha=0.5)
+    annotate_bar(axes[1], bars, formatter=lambda v: f"{v:.2f}%")
+    
+    plt.tight_layout()
+    plt.savefig(os.path.join(output_dir, 'time_segment_analysis.png'), dpi=150, bbox_inches='tight')
+    print(f"已保存: {os.path.join(output_dir, 'time_segment_analysis.png')}")
+    plt.close()
+    
+    # 3. 交叉分析热力图
+    fig, axes = plt.subplots(1, 3, figsize=(22, 10))
+    
+    # 选择前15个均线组合
+    top_ma_lines = ma_stats.head(15).index
+    heatmap_cols = ['<30分钟', '30-60分钟', '>1小时']
+    
+    def prepare_heatmap(table):
+        filtered = table.reindex(index=[idx for idx in top_ma_lines if idx in table.index])
+        if filtered.empty:
+            return filtered
+        cols = [col for col in heatmap_cols if col in filtered.columns]
+        if cols:
+            filtered = filtered[cols]
+        return filtered
+    
+    cross_winrate_filtered = prepare_heatmap(cross_winrate)
+    cross_profit_filtered = prepare_heatmap(cross_profit)
+    cross_return_filtered = prepare_heatmap(cross_return)
+    
+    # 胜率热力图
+    sns.heatmap(cross_winrate_filtered, annot=True, fmt='.2f', cmap='RdYlGn', 
+                center=0.5, vmin=0, vmax=1, ax=axes[0], cbar_kws={'label': '胜率'})
+    axes[0].set_title('均线组合 × 时间段 胜率热力图（Top 15）')
+    axes[0].set_xlabel('开盘后时间段')
+    axes[0].set_ylabel('均线组合')
+    
+    # 平均盈亏热力图
+    sns.heatmap(cross_profit_filtered, annot=True, fmt='.0f', cmap='RdYlGn', center=0,
+                ax=axes[1], cbar_kws={'label': '平均盈亏（元）'})
+    axes[1].set_title('均线组合 × 时间段 平均盈亏热力图（Top 15）')
+    axes[1].set_xlabel('开盘后时间段')
+    axes[1].set_ylabel('均线组合')
+    
+    # 平均保证金收益率热力图
+    sns.heatmap(cross_return_filtered, annot=True, fmt='.2f', cmap='RdYlGn', center=0,
+                ax=axes[2], cbar_kws={'label': '平均保证金收益率（%）'})
+    axes[2].set_title('均线组合 × 时间段 平均保证金收益率热力图（Top 15）')
+    axes[2].set_xlabel('开盘后时间段')
+    axes[2].set_ylabel('均线组合')
+    
+    plt.tight_layout()
+    plt.savefig(os.path.join(output_dir, 'cross_analysis_heatmap.png'), dpi=150, bbox_inches='tight')
+    print(f"已保存: {os.path.join(output_dir, 'cross_analysis_heatmap.png')}")
+    plt.close()
+    
+    # 4. 品种表现分析
+    fig, axes = plt.subplots(2, 2, figsize=(16, 12))
+    
+    # 交易类型对比
+    trade_type_stats = df.groupby('交易类型').apply(calculate_statistics)
+    axes[0, 0].bar(trade_type_stats.index, trade_type_stats['胜率'], 
+                   color=['green', 'red'])
+    axes[0, 0].set_ylabel('胜率')
+    axes[0, 0].set_title('交易类型胜率对比')
+    axes[0, 0].axhline(y=0.5, color='black', linestyle='--', alpha=0.5)
+    
+    axes[0, 1].bar(trade_type_stats.index, trade_type_stats['平均保证金收益率'],
+                   color=['green', 'red'])
+    axes[0, 1].set_ylabel('平均保证金收益率（%）')
+    axes[0, 1].set_title('交易类型保证金收益率对比')
+    axes[0, 1].axhline(y=0, color='black', linestyle='--', alpha=0.5)
+    
+    # 品种类型对比
+    variety_stats = df.groupby('品种').apply(calculate_statistics)
+    axes[1, 0].bar(variety_stats.index, variety_stats['胜率'])
+    axes[1, 0].set_ylabel('胜率')
+    axes[1, 0].set_title('品种类型胜率对比')
+    axes[1, 0].axhline(y=0.5, color='black', linestyle='--', alpha=0.5)
+    
+    axes[1, 1].bar(variety_stats.index, variety_stats['平均保证金收益率'])
+    axes[1, 1].set_ylabel('平均保证金收益率（%）')
+    axes[1, 1].set_title('品种类型保证金收益率对比')
+    axes[1, 1].axhline(y=0, color='black', linestyle='--', alpha=0.5)
+    
+    plt.tight_layout()
+    plt.savefig(os.path.join(output_dir, 'variety_analysis.png'), dpi=150, bbox_inches='tight')
+    print(f"已保存: {os.path.join(output_dir, 'variety_analysis.png')}")
+    plt.close()
+    
+    print("\n所有图表已生成！")
+
+
+def save_results_to_csv(df, ma_stats, time_stats, output_dir):
+    """
+    保存分析结果到CSV
+    """
+    print("\n" + "="*80)
+    print("保存分析结果到CSV...")
+    print("="*80)
+    
+    # 保存增强后的原始数据
+    output_file = os.path.join(output_dir, 'records_enhanced.csv')
+    df.to_csv(output_file, index=False, encoding='utf-8-sig')
+    print(f"已保存增强数据: {output_file}")
+    
+    # 保存均线组合统计
+    output_file = os.path.join(output_dir, 'ma_lines_stats.csv')
+    ma_stats.to_csv(output_file, encoding='utf-8-sig')
+    print(f"已保存均线组合统计: {output_file}")
+    
+    # 保存时间段统计
+    output_file = os.path.join(output_dir, 'time_segment_stats.csv')
+    time_stats.to_csv(output_file, encoding='utf-8-sig')
+    print(f"已保存时间段统计: {output_file}")
+    
+    # 保存品种统计
+    symbol_stats = df.groupby('品种代码').apply(calculate_statistics)
+    output_file = os.path.join(output_dir, 'symbol_stats.csv')
+    symbol_stats.to_csv(output_file, encoding='utf-8-sig')
+    print(f"已保存品种统计: {output_file}")
+    
+    # 保存组合策略统计
+    combo_stats = df.groupby(['crossed_ma_lines', '开盘后时间段', '交易类型']).apply(
+        calculate_statistics
+    )
+    combo_stats = combo_stats[combo_stats['出现次数'] >= 5]
+    combo_stats = combo_stats.sort_values('平均保证金收益率', ascending=False)
+    output_file = os.path.join(output_dir, 'combo_strategy_stats.csv')
+    combo_stats.to_csv(output_file, encoding='utf-8-sig')
+    print(f"已保存组合策略统计: {output_file}")
+
+
+def main():
+    """
+    主函数
+    """
+    # 设置路径
+    script_dir = os.path.dirname(os.path.abspath(__file__))
+    csv_path = os.path.join(script_dir, 'records.csv')
+    output_dir = os.path.join('data', 'future', 'analysis_results')
+    
+    # 检查文件是否存在
+    if not os.path.exists(csv_path):
+        print(f"错误: 找不到文件 {csv_path}")
+        return
+    
+    print("="*80)
+    print("期货开仓记录分析工具")
+    print("="*80)
+    
+    # 加载和预处理数据
+    df = load_and_preprocess_data(csv_path)
+    
+    # 进行各维度分析
+    ma_stats = analyze_ma_lines(df)
+    time_stats = analyze_time_segment(df)
+    cross_count, cross_winrate, cross_profit, cross_return = analyze_cross_dimension(df)
+    trade_type_stats, variety_stats, symbol_stats = analyze_trade_type_and_variety(df)
+    additional_stats = analyze_additional_dimensions(df)
+    
+    # 生成可视化图表
+    create_visualizations(df, ma_stats, time_stats, cross_winrate, cross_profit, cross_return, output_dir)
+    
+    # 保存结果到CSV
+    save_results_to_csv(df, ma_stats, time_stats, output_dir)
+    
+    print("\n" + "="*80)
+    print("分析完成！")
+    print(f"结果保存在: {output_dir}")
+    print("="*80)
+
+
+if __name__ == '__main__':
+    main()
+

pyproject.toml

@@ -10,4 +10,5 @@ dependencies = [
     "nltk>=3.9.2",
     "pandas>=2.3.1",
     "requests>=2.32.5",
+    "seaborn>=0.13.2",
 ]

uv.lock

@@ -246,6 +246,7 @@ dependencies = [
     { name = "nltk" },
     { name = "pandas" },
     { name = "requests" },
+    { name = "seaborn" },
 ]
 
 [package.metadata]
@@ -255,6 +256,7 @@ requires-dist = [
     { name = "nltk", specifier = ">=3.9.2" },
     { name = "pandas", specifier = ">=2.3.1" },
     { name = "requests", specifier = ">=2.32.5" },
+    { name = "seaborn", specifier = ">=0.13.2" },
 ]
 
 [[package]]
@@ -710,6 +712,20 @@ wheels = [
     { url = "https://files.pythonhosted.org/packages/1e/db/4254e3eabe8020b458f1a747140d32277ec7a271daf1d235b70dc0b4e6e3/requests-2.32.5-py3-none-any.whl", hash = "sha256:2462f94637a34fd532264295e186976db0f5d453d1cdd31473c85a6a161affb6", size = 64738, upload-time = "2025-08-18T20:46:00.542Z" },
 ]
 
+[[package]]
+name = "seaborn"
+version = "0.13.2"
+source = { registry = "https://pypi.org/simple" }
+dependencies = [
+    { name = "matplotlib" },
+    { name = "numpy" },
+    { name = "pandas" },
+]
+sdist = { url = "https://files.pythonhosted.org/packages/86/59/a451d7420a77ab0b98f7affa3a1d78a313d2f7281a57afb1a34bae8ab412/seaborn-0.13.2.tar.gz", hash = "sha256:93e60a40988f4d65e9f4885df477e2fdaff6b73a9ded434c1ab356dd57eefff7", size = 1457696, upload-time = "2024-01-25T13:21:52.551Z" }
+wheels = [
+    { url = "https://files.pythonhosted.org/packages/83/11/00d3c3dfc25ad54e731d91449895a79e4bf2384dc3ac01809010ba88f6d5/seaborn-0.13.2-py3-none-any.whl", hash = "sha256:636f8336facf092165e27924f223d3c62ca560b1f2bb5dff7ab7fad265361987", size = 294914, upload-time = "2024-01-25T13:21:49.598Z" },
+]
+
 [[package]]
 name = "six"
 version = "1.17.0"