这不是一个声称"功能很多"的平台。 这是一个经过系统性验证的量化研究平台。
核心研究链路的 6 项关键验证全部通过：
| 验证 | 方法 | 结果 |
|---|---|---|
| Oracle Factor | 已知未来收益作为因子 → Rank IC | IC = 1.000000 → IC 计算与数据对齐正确 |
| Known Alpha Recovery | 生成含已知预测性 Alpha 的数据 → 因子引擎恢复 | IC 与理论值一致 → 因子链路完整 |
| Rank IC 对比 | 手动 vs 官方 rank_ic 计算 | 一致（差异 0.13%） → evaluation.py 无 bug |
| MVO Audit | 全 Pipeline 60 次调仓日志记录 | 60/60 Success, 0 Fallback → 优化器正常工作 |
| WalkForward | 多 fold 滚动 OOS 验证 | 全部通过 → 无前视偏差 |
| No-Lookahead 防护 | 8 条不可协商契约 | 全部实现 → 研究过程严格因果 |
详细验证报告：docs/VALIDATION_REPORT.md
No-Lookahead 契约：docs/NO_LOOKAHEAD_CONTRACT.md
[Step 1] v1.0 — 平台验证
Oracle IC=1.0, Known Alpha Recovery
→ 平台计算正确性确认
[Step 2] Discovery v1 — 因子池污染
Top 8 Sharpe +0.46 vs All 26 -0.78
→ 加入噪声因子降低整体 Alpha
[Step 3] Discovery v2 — 合成数据 Alpha 结构
3 簇有效, 方向正确, 逐年稳定
[Step 4] Cross-Validation — 合成 ≠ 真实 A 股
方向全反, 趋势因子在 A 股系统性失效
[Step 5] RQ4 — Sign Flip 分析
4/5 簇 8/8 年 IC 为负 (100%)
→ 方向性错误的铁证
[Step 6] Market Structure v3 — A 股结构测绘
IC(H) 全部 10 个时间尺度为负
→ 纯均值回归市场, 80d 反转最强
[Step 7] RQ5b — Theory-Execution Gap 合上
S=40/H=80 反转 Sharpe +0.45
→ 信号方向对的, 持有期匹配就能赚钱
[Step 8] Regime Discovery v4 — 状态依赖
α = Signal × I(方向性市场)
→ Bull/Bear 有效, Sideways 无效
[Step 9] ExecutionAdapter + RQ6 — 执行边界
80d ≠ 4×20d, 月频全负 Sharpe
→ 时间分解非线性, 信息损失不可逆
[Step 10] RQ7 — Sampling Phase Diagram
35/35 (f,H) 单元全负
→ Phase Collapse: 固定频率采样破坏信号结构
A 股存在可预测的 40-80d 反转结构（Sharpe +0.45），但该结构是连续时间相位现象。在固定频率、无相位感知的执行策略下，信号因 aliasing 和相位错位系统性崩溃。
| 研究层 | 状态 | 核心发现 |
|---|---|---|
| Signal Existence | ✅ 完成 | A 股反转 Alpha 存在, Sharpe +0.45 |
| Market Structure | ✅ 完成 | IC(H) 全负, 80d 最优, Regime Dependent |
| Execution (测试范围内) | ✅ 已测绘 | 月频+简单 phase proxy 均失败 |
| Latent State Control | ❓ 未探索 | 状态空间/非线性控制是否可行未知 |
详细研究成果：docs/research/
这是一个面向 A 股市场的多因子量化交易平台，覆盖从数据获取、因子计算、信号合成、组合优化、回测验证到实盘交易的完整流水线。
跟市面上其他量化框架的区别：
- 不是 backtrader 那样的逐 K 线回测框架，而是向量化多因子平台，更适合日频选股策略
- 不是 Qlib 那样的纯 ML 研究平台，而是把因子研究、回测、实盘执行打通了
- 不是 vnpy 那样的交易执行系统，而是从因子出发的策略研究平台，附带执行能力
- 专为 A 股设计，不是把美股框架改几个参数就拿来用
整个项目大概 34,000 行 Python + 9,800 行 Vue，1205 个单元测试，105 个 Python 模块。
| 模块 | 状态 | 说明 |
|---|---|---|
| 多数据源接入 | ✅ 6 个 | Baostock / Tushare / Adata / AKShare / 新浪 / 合成数据 |
| 因子计算 | ✅ 26 个内置 + 35 函数表达式引擎 | 22 技术 + 4 基本面，支持字符串公式定义因子 |
| 信号合成 | ✅ 4 种方式 | 等权 / IC 加权 / ICIR 加权 / 投票 |
| 因子筛选 | ✅ 3 种模式 | Ranking / Screener / Vote |
| 组合优化 | ✅ 3 种优化器 | 等权 / 均值方差 / 风险平价 |
| 回测 | ✅ 完整 | 向量化月频回测 + Walk-Forward + 蒙特卡洛 + 参数扫描 |
| 风控 | ✅ 12 层 | VaR / Barra / 压力测试 / 熔断 / Regime / 排雷 / 止损 / 时段 / 连接健康 |
| 实盘交易 | ✅ Paper / QMT / XTP | 多因子信号 → 风控预检 → 自动下单 → P&L 跟踪 |
| 执行层 | ✅ 完整 | 订单 FSM / OMS / TWAP/VWAP / TCA / PortfolioOrchestrator |
| Web 界面 | ✅ Vue 3 + ECharts | Bloomberg 风格仪表盘 + WebSocket 实时推送 |
| API | ✅ 97 个端点 | REST + WebSocket |
| 测试 | ✅ 1205 个 | 覆盖全部模块 |
| 配置版本管理 | ✅ | 自动备份 + diff + rollback |
| LLM 情绪因子 | ✅ DeepSeek | 财经新闻 → 情绪评分 |
| 未来函数检测 | ✅ | 自动化工具，不是只靠文档承诺 |
| 跨源数据验证 | ✅ | 多数据源交叉验证 + 置信度评分 |
| K 线形态识别 | ✅ 12 种 | 吞没/启明星/黄昏星/锤头等 |
- 日内高频交易（本平台定位日频多因子）
- 期权/期货策略引擎（只有基础接口）
- 日内高频交易（本平台定位日频多因子）
- 多账户管理（目前单账户）
# 克隆
git clone https://github.com/sijie-Z/quant_platform.git
cd quant_platform
# 安装依赖
pip install -r requirements.txt合成数据模式，不需要任何 API key，直接跑：
python main.py run三分钟跑完，你会看到这样的输出：
[1/6] Loading data... → 500只股票，5年数据
[2/6] Computing factors... → 20个因子计算 + IC评价
[3/6] Generating alpha... → 等权合成信号
[4/6] Portfolio optimization...
[5/6] Running backtest... → 月频调仓，完整成本模型
[6/6] Generating report... → 净值曲线 / IC排名 / 压力测试
用实盘数据跑：
# Baostock（免费，无需API key）
python main.py run --use-baostock
# 或者改用 Tushare（需 TUSHARE_TOKEN 环境变量）
export TUSHARE_TOKEN=your_token_here
python main.py run# 全部 1205 个测试（跑一次大概 3 分钟）
pytest tests/ -q
# 只看某个模块
pytest tests/test_factors/test_technical.py -v
pytest tests/test_execution/test_engine.py -v
pytest tests/test_risk/test_financial_health.py -v ┌─────────────────────────────────────────────┐
│ Core Architecture (core/) │
│ EventBus · Store · StateMachine · Audit │
│ Scheduler · RiskMonitor · CircuitBreaker │
└──────────────┬──────────────────────────────┘
│ 全部通过 EventBus 通信
│ 全部状态由 Store 持久化
┌──────────────────────────────────┼──────────────────────────────────┐
v v v
数据层 ────→ 因子引擎 ────→ Alpha 模型 ────→ 组合优化器
(6 数据源) (26 因子 + (ICIR/Vote/ (MVO/RP/EW)
表达式引擎) Screener/ML)
|
v
增强回测 ←──── 回测引擎 ←──── 风控模块 ←──── 执行层
(WalkFW/MC/ (向量化/ (VaR/Barra/ (OMS/算法/
参数扫描) 成本模型) MC/熔断/排雷) TCA/Broker)
|
v
实盘交易引擎 ←──── 多策略管理 ←──── 报告引擎
(Paper/QMT/ (资本分配/ (Dashboard/
XTP) 聚合P&L) Alphalens)
|
v
Web 界面 (Vue 3 + ECharts)
REST API (97 个端点)
WebSocket (实时推送)
所有组件通过 EventBus 通信，互不了解对方存在：
from quant_platform.core.events import get_event_bus
bus = get_event_bus()
bus.subscribe("order.*", handler) # 通配符，订阅所有订单事件
bus.subscribe("order.filled", specific_handler) # 精确匹配优先
bus.publish("order.filled", {"order_id": "...", "price": 10.5})
# 死信队列：处理不了的自动进入死信
# 拦截器链：可以在事件传播中插入过滤/转换
# 事件历史：可以回溯最近 N 条事件INIT → READY → PRE_MARKET → TRADING ↔ REBALANCING → POST_MARKET → READY
任何状态 → HALTED（熔断）
任何状态 → ERROR（不可恢复错误）动量因子（4 个）：
| 因子 | 参数 | 计算公式 |
|---|---|---|
momentum_1m |
period=21 | 过去 21 交易日累计收益 |
momentum_3m |
period=63 | 过去 63 交易日累计收益 |
momentum_6m |
period=126 | 过去 126 日累计收益 |
momentum_12m |
period=252, skip=21 | 过去 252 日收益（跳过最近 21 日避免反转） |
波动率因子（2 个）：
| 因子 | 参数 | 说明 |
|---|---|---|
volatility_20d |
period=20 | 20 日日收益率标准差 |
volatility_60d |
period=60 | 60 日波动率 |
基础技术因子（4 个）：
| 因子 | 参数 | 说明 |
|---|---|---|
turnover_20d |
period=20 | 20 日平均换手率 |
rsi_14d |
period=14 | 相对强弱指数，>70 超买，<30 超卖 |
amplitude_20d |
period=20 | 20 日平均振幅 |
macd |
fast=12, slow=26, signal=9 | MACD 柱状图值 |
新因子（7 个，从外部项目吸收）：
| 因子 | 来源 | 核心思路 |
|---|---|---|
efficiency_ratio |
KF Timing App | 方向/总路径，衡量趋势流畅度 [0,1] |
breakout_ignition |
KF Timing App | 放量 + 异动同时触发 → 突破信号 |
trend_stage |
a-share-trend-strategy | 价格在 120 日高低点区间的位置 → 鱼头/鱼身/鱼尾 |
ma_convergence |
a-share-hybrid-strategy | MA5/10/20 三条均线的间距 → 是否在积蓄突破能量 |
breakout_proximity |
a-share-hybrid-strategy | 距 20 日高点的距离 [0,1] |
pure_volatility |
东吴证券研报复现 | FF3 回归残差标准差 → 正交化换手率 → AR(30) 去序列相关 |
mtf_resonance |
a-share-signal skill | 日/周/月三周期趋势是否同向 |
K 线形态因子（5 个，来自 Qlib Alpha158）：
| 因子 | 公式 | 含义 |
|---|---|---|
kmid |
(close - open) / open | 阳线/阴线实体强度 |
klen |
(high - low) / open | 日内振幅 |
kup |
(high - max(open,close)) / open | 上影线长度 |
klow |
(min(open,close) - low) / open | 下影线长度 |
ksft |
(2*close - high - low) / open | 收盘价在当日区间位置 |
K 线形态识别（12 种，单独的 candle_patterns.py 模块）：
单根： 十字星、锤头线、射击之星、光脚阳/阴线
双根： 阳包阴、阴包阳、多头母子、空头母子
三根： 早晨之星、黄昏之星、三白兵、三只乌鸦
用法：
from quant_platform.factors.candle_patterns import CandlePatternRecognizer
recognizer = CandlePatternRecognizer()
patterns = recognizer.recognize_all(ohlc_df)
for p in patterns:
print(f"{p.name} ({p.type.value}) 强度={p.strength}")基本面因子（5 个）：
log_market_cap（对数市值）、pb_ratio（市净率）、pe_ratio（市盈率）、roe（净资产收益率）、asset_growth（资产增长率）
股东结构因子（单独的 shareholder.py 模块）：
从 akshare 获取前十大股东数据，分类识别股东性质：
from quant_platform.factors.shareholder import classify_shareholders
# 获取数据
import akshare as ak
df = ak.stock_gdfx_top_10_em(symbol="sh600519", date="20241231")
# 分析
structure = classify_shareholders(df, code="600519")
print(structure.concentration_label) # "高度集中" / "相对分散"
print(structure.has_state_owned) # 是否有国资
print(structure.has_foreign) # 是否有外资
print(structure.z_index) # 第一大 / 第二大股东比受 vnpy 启发，支持用字符串公式定义因子，不用写 Python 类：
from quant_platform.factors.expression_engine import ExpressionFactor
# 实现一个 WorldQuant 风格的 alpha 因子
factor = ExpressionFactor(
name="my_alpha",
expression="ts_rank(ts_sum(close_pct, 5) / ts_std(close_pct, 20), 10)",
)
result = factor.compute(prices)在 YAML 配置里定义：
# config/default.yaml
factors:
expression:
my_momentum: "ts_sum(close_pct, 21)"
my_vol: "ts_std(close_pct, 20)"
complex_alpha: "ts_rank(ts_sum(close_pct, 5) / ts_std(close_pct, 20), 10)"内置 35 个函数：
| 类别 | 函数 | 数量 |
|---|---|---|
| 时序 | ts_sum, ts_mean, ts_std, ts_rank, ts_min, ts_max, ts_corr, ts_cov, ts_slope, ts_delay, ts_delta, ts_decay_linear, ts_product, ts_rsquare, ts_argmax, ts_argmin, ts_quantile | 17 |
| 截面 | cs_rank, cs_mean, cs_std, cs_sum, cs_scale, cs_zscore | 6 |
| 数学 | log, abs, sign, pow, sqrt, less, greater, if_else, scale, neg | 10 |
| 辅助 | 支持 +, -, *, /, >, <, == 等运算符 |
在 config/default.yaml 中设置：
alpha:
method: "icir_weighted" # 可选: equal_weight, ic_weighted, icir_weighted, voteequal_weight：所有因子等权平均，简单但不容易过拟合ic_weighted：按历史 Rank IC 加权（point-in-time，只用过去数据）icir_weighted：按 IC/IC_std 加权（point-in-time），过滤低 ICIR 因子vote：每个因子独立判断多/空/观望，多数决（来自 FinRL 理念）
除了常规的排名加权，还有两种额外模式：
Screener（条件筛选模式）：
python main.py screen --rules "pe_ratio=lt:30,roe=gt:0.15"返回所有同时满足 PE < 30 和 ROE > 15% 的股票，等权分配。适合快速条件选股。
Tradability Gate（可交易门控）：
设置 alpha.tradability_gate: true 后，信号会乘以一个"可交易分数"（基于个股的行情状态分类），低 tradability 的股票信号自动归零。适合过滤掉噪音股。
ScreenFilter（Zipline 风格筛选器）：
from quant_platform.factors.expression_engine import ScreenFilter, top, bottom
momentum_mask = top(momentum_factor_result, 20)
volatility_mask = bottom(volatility_factor_result, 30)
screen = ScreenFilter(momentum_mask) & ScreenFilter(volatility_mask)
pipe = AlphaPipeline(screen_filter=screen)
signal = pipe.run(factors, returns)# 基础回测
python main.py run # 合成数据
python main.py run --use-baostock # 实盘数据
python main.py run --force # 忽略缓存重算
python main.py run --description "加了新因子 v2" # 给版本加描述
# 策略对比与参数扫描
python main.py compare --optimizers equal_weight,mean_variance,risk_parity
python main.py sweep --optimizers equal_weight,mean_variance --frequencies monthly,weekly
# 高级分析
python main.py walkforward --folds 6 --method expanding
python main.py ml train --model lightgbm
python main.py ml signal --model xgboost# 条件选股
python main.py screen --rules "pe_ratio=lt:30,roe=gt:0.15"
python main.py screen --rules "momentum_1m=gt:0.05,volatility_20d=lt:0.03" --logic and
# 检查未来函数（验证数据泄露）
python main.py check-lookahead --threshold 1e-4 --max-dates 20python main.py config list # 查看所有版本
python main.py config show v3 # 查看某版本配置
python main.py config diff v1 v3 # 对比两个版本
python main.py config rollback v2 # 回滚到 v2
python main.py config delete v1 # 删除版本（需确认）# Paper Trading（默认）
python main.py trade
python main.py trade --broker paper --days 60 --cash 5000000
# QMT 实盘（需 miniQMT + xtquant）
export QMT_PASSWORD="your_password"
python main.py trade --broker qmt --universe "600519,000858,000001" --days 30python main.py execute执行完整的"数据 → 因子 → 信号 → 订单创建 → 成交 → 持仓"链，验证所有模块能串起来跑通。
python main.py web # 启动 Web 控制台
python main.py profile # 性能分析
python main.py cache list # 缓存列表
python main.py cache clear # 清除缓存
python main.py research report # LLM 分析报告
python main.py analyze # 分析已有结果FastAPI 提供 97 个 REST 端点 + WebSocket。启动后访问 /api/docs 自动生成 Swagger 文档。
python main.py web
# http://localhost:8000/api/docs ← Swagger UI
# http://localhost:8000/ ← Vue 3 前端
| 路径 | 方法 | 说明 |
|---|---|---|
/api/run |
POST | 运行完整流水线 |
/api/run/{id}/result |
GET | 获取运行结果 |
/api/factors |
GET | 因子列表 |
/api/screen |
POST | 条件选股 |
/api/risk/status |
GET | 风控状态 |
/api/trading/start |
POST | 启动交易引擎 |
/api/ws |
WS | WebSocket 实时推送 |
/api/health |
GET | 健康检查 |
完整列表见 api/routes.py，每个端点都有 Pydantic 请求/响应模型和详细的类型注解。
| 层次 | 模块 | 机制 |
|---|---|---|
| 1 | VaR | 历史/参数/蒙特卡洛三种 VaR + CVaR |
| 2 | 压力测试 | 2008 金融危机 / 2015 股灾 / 2020 新冠三种场景 |
| 3 | Barra 模型 | 10 因子横截面回归，因子风险 vs 特异性风险分解 |
| 4 | 蒙特卡洛 | Block Bootstrap + Student-t 参数化 + 交易序列洗牌 |
| 5 | 熔断器 | 仓位/行业/亏损/回撤/订单频率限额 + Kill Switch |
| 6 | 行情检测 | 波动率+趋势+相关性三维度 → risk_on/off |
| 7 | 健康检查 | 开盘前自检（数据/资金/持仓/路由/风控） |
| 8 | 行情分类 | 个股级 5 profile 分类器 + tradability 门控 |
| 9 | 未来函数检测 | 截断数据重算信号 vs 全量信号 -> 差异即泄露 |
| 10 | 动态止损 | 三层止损（监控→半仓→清仓）+ 反弹保护 |
| 11 | 时段风险 | 不同交易时段不同风险乘数（开盘尾盘最危险） |
| 12 | 财务排雷 | 24 条规则检测造假 + ST 退市风险 + 资本周期 + 护城河评分 |
10:45 之前 → 不做止损（避免开盘剧烈波动误触发）
10:45-14:50 → 正常执行
14:50 之后 → 不做止损（避开尾盘集合竞价）
亏损达到 -0.5% → 进入监控
亏损达到 -1.2% → 减半仓（创业板/科创板 -1.6%）
亏损达到 -2.5% → 清仓（创业板/科创板 -3.5%）
反弹保护：触发半仓止损后，如果价格反弹回成本价以上 → 重置止损状态
from quant_platform.risk.financial_health import FraudDetector, assess_st_risk
# 24 条规则排雷
detector = FraudDetector()
report = detector.analyze(financials_df)
print(report.summary) # 排雷评分: 15分 (中风险)
for rule in report.rules:
if rule.status == 'fail':
print(f" FAIL: {rule.name} — {rule.detail}")
# ST 退市风险评估
st = assess_st_risk(financials_df)
if st.total_score >= 5:
print(f"ST 风险 {st.risk_level}") # 高风险 / 极高风险
# 巴菲特 Owner Earnings
from quant_platform.risk.financial_health import owner_earnings, capital_cycle_stage
oe = owner_earnings(net_income=1000, depreciation=200, maintenance_capex=150)
cc = capital_cycle_stage(capex=[200, 150, 100], depreciation=[100, 95, 90])
print(cc['stage']) # 投资扩张期 / 稳态期 / 产能出清期PENDING → SUBMITTED → PARTIAL → FILLED
↘ CANCELLED / REJECTED / EXPIRED每个状态迁移都经过 transition_order() 函数校验，非法迁移直接抛异常。每次迁移自动向 EventBus 发布 order.status 事件。
from quant_platform.execution.engine import ExecutionEngine, OrderSide
engine = ExecutionEngine()
order = engine.create_order("600519", OrderSide.BUY, 100)
engine.submit_order(order)
engine.process_fill(order, price=150.0, quantity=100, commission=4.5)
pos = engine.get_position("600519")
print(f"持仓: {pos.quantity} 股, 成本: {pos.avg_cost}")
snapshot = engine.portfolio_snapshot({"600519": 155.0})
print(f"未实现盈亏: {snapshot['total_unrealized_pnl']}")连接因子流水线和执行引擎的桥梁：
Alpha 信号 → PortfolioOrchestrator → ExecutionEngine → Broker
↕
MultiStrategyManager（资本分配 + 风控）
处理信号→目标仓位→买卖订单的转换：
from quant_platform.strategy.portfolio_orchestrator import PortfolioOrchestrator
from quant_platform.strategy.multi_strategy import MultiStrategyManager, StrategyConfig
ms = MultiStrategyManager(total_capital=1_000_000)
sid = ms.add_strategy(StrategyConfig(name="test", allocation_pct=1.0))
orchestrator = PortfolioOrchestrator(ms)
orchestrator.on_signal("2025-01-01", alpha_signal, strategy_id=sid)
orchestrator.rebalance()
orchestrator.process_fills(prices)
summary = orchestrator.portfolio_summary()
print(f"持仓数: {summary['n_positions']}, PnL: {summary['total_pnl']}")| 名称 | 类型 | 需要 API Key | 覆盖内容 |
|---|---|---|---|
| Baostock | 免费 A 股数据 | ❌ | 日K/周K/月K/财务/行业分类 |
| Tushare | 免费+付费 A 股数据 | ✅ 需注册 | 日K/分钟K/财务/资金流/龙虎榜 |
| Adata | 免费 A 股数据 | ❌ | 日K/概念板块/资金流/龙虎榜/北向 |
| AKShare | 免费全市场 | ❌ | A 股实时行情/板块/新闻 |
| 东方财富 | HTTP 直连 | ❌ | 实时行情/龙虎榜/资金流/涨停板 |
| 新浪财经 | HTTP 直连 | ❌ | 实时报价/历史K线 |
| PostgreSQL | 自有数据 | ❌ | 存储回测结果/策略状态 |
| Synthetic | 合成数据 | ❌ | 500只/5年/可复现 |
多源交叉验证（可选）：
# config/default.yaml
data:
validated: true # 同时从 Baostock + Adata 拉数据，对比一致性启用后系统会自动从两个源分别取数、对比偏差、给出置信度分数。
每次运行 python main.py run 时，系统会自动保存当前配置为一个版本（v1, v2, v3...）。
python main.py config list
# v3 2026-05-31T12:00:00 Run: alpha=icir_weighted optimizer=risk_parity
# v2 2026-05-30T10:30:00 Run: alpha=equal_weight optimizer=mean_variance
# v1 2026-05-29T18:00:00 Initial config
python main.py config diff v1 v3 # 查看两次运行之间改了什么
python main.py config rollback v2 # 回滚到 v2 版本的配置quant_platform/
├── main.py # CLI 入口（15 个命令）
├── app.py # FastAPI 入口
├── config/default.yaml # 所有可配置参数（零硬编码）
├── config/schema.py # 类型化 dataclass 配置校验
│
├── core/ # ★ 核心架构（事件驱动）
│ ├── events.py # EventBus: topic pub/sub
│ ├── store.py # SQLite WAL: 8张表
│ ├── state_machine.py # 8 状态 FSM
│ ├── scheduler.py # A 股开市时间调度
│ ├── audit.py # 合规审计三路输出
│ └── instrument.py # 跨资产抽象
│
├── data/ # 数据层
│ ├── providers/ # 6 个数据源
│ ├── pipeline.py # 清洗/对齐/过滤
│ ├── quality.py # 8 项数据质量检查
│ ├── board_scanner.py # 实时全市场扫描（涨停/强势/连板）
│ └── providers/validated_provider.py # 多源交叉验证
│
├── factors/ # ★ 因子引擎
│ ├── technical.py # 22 个技术因子
│ ├── fundamental.py # 5 个基本面因子
│ ├── expression_engine.py # 表达式引擎 + 35 个函数
│ ├── expressions/ # ts_* / cs_* / math_* 函数库
│ ├── candle_patterns.py # K 线形态识别（12 种）
│ ├── shareholder.py # 股东结构分析
│ ├── registry.py # 因子注册表
│ ├── evaluation.py # IC 分析 + Alphalens 导出
│ ├── processing.py # 缩尾/标准化/中性化
│ ├── ic_monitor.py # IC 衰减监控
│ ├── network.py # 图网络因子
│ └── orthogonalization.py # 因子正交化
│
├── alpha/ # Alpha 信号
│ ├── pipeline.py # 信号生成管道
│ ├── combination.py # 4 种合成方法
│ └── ml_signal.py # XGBoost/LightGBM
│
├── portfolio/ # 组合优化
│ ├── optimizers.py # 等权 / MVO / 风险平价
│ ├── black_litterman.py # Black-Litterman 模型
│ ├── constraints.py # A 股约束
│ ├── screener.py # 因子条件筛选器
│ └── covariance.py # 协方差估计（Ledoit-Wolf Numba）
│
├── backtest/ # 回测
│ ├── engine.py # 向量化多期回测
│ ├── cost_model.py # A 股成本模型
│ ├── metrics.py # 绩效指标 + print_summary
│ ├── walkforward.py # Walk-Forward 验证
│ └── distributed.py # 并行参数扫描
│
├── execution/ # 执行层
│ ├── engine.py # Order FSM + ExecutionEngine
│ ├── oms.py # 订单管理系统
│ ├── algorithms.py # TWAP/VWAP/Iceberg
│ ├── tca.py # 交易成本分析
│ ├── connection.py # 连接生命周期管理
│ └── order_book.py # 限价订单簿
│
├── trading/ # 实盘交易
│ ├── broker.py # Simulated/QMT/XTP Broker
│ ├── engine.py # 实盘交易引擎
│ ├── realtime.py # AKShare 实时行情
│ └── live_runner.py # 实盘试跑
│
├── risk/ # ★ 风控体系（12 层）
│ ├── circuit_breaker.py # 实时风控 + Kill Switch
│ ├── var.py # VaR/CVaR
│ ├── stress.py # 压力测试
│ ├── barra.py # 10 因子 Barra 模型
│ ├── regime.py # 行情状态检测 + 自适应参数
│ ├── profile_classifier.py # 个股行情分类
│ ├── lookahead_detector.py # 未来函数检测
│ ├── stop_loss.py # 动态三层止损
│ ├── time_segment.py # 交易时段风控
│ └── financial_health.py # 24 条排雷 + ST 风险 + 资本周期 + 护城河
│
├── strategy/ # 策略管理
│ ├── multi_strategy.py # 多策略资本分配 + P&L 聚合
│ └── portfolio_orchestrator.py # 信号→订单桥梁
│
├── agent/ # LLM
│ ├── sentiment_factor.py # DeepSeek 情绪因子
│ └── research_agent.py # 研报分析 Agent
│
├── api/routes.py # 97 个 REST 端点 + WebSocket
├── api/schemas.py # Pydantic 模型
├── frontend/ # Vue 3 + ECharts
├── monitoring/ # Grafana 仪表盘
├── utils/ # Numba / PipelineCache / Config / Metrics
│
├── tests/ # 1205 个测试
│ ├── test_core/ # 137 测试
│ ├── test_data/ # 154 测试（含 validated provider）
│ ├── test_factors/ # 131 测试
│ ├── test_alpha/ # 42 测试
│ ├── test_portfolio/ # 36 测试
│ ├── test_backtest/ # 51 测试
│ ├── test_execution/ # 141 测试（含 engine FSM）
│ ├── test_trading/ # 112 测试
│ ├── test_risk/ # 55 测试（含 financial health）
│ ├── test_strategy/ # 14 测试（含 orchestrator）
│ └── test_utils/ # 33 测试
│
└── docs/ABSORPTION_NOTES.md # 外部项目吸收笔记
这个项目从 20+ 个外部开源项目中吸收设计理念。每一行代码都标明了来源。
| 来源项目 | 吸收内容 | 差不多行数 | 类型 |
|---|---|---|---|
| vnpy | 表达式驱动因子引擎 | 1248 | 架构级 |
| freqtrade | 未来函数检测工具 | 408 | 架构级 |
| KF Timing App | 个股行情分类 + Tradability Gate | 599 | 架构级 |
| BlackOil-OmniAlpha | Factor Screener 条件选股 | 1165 | 新功能 |
| Zipline | Factor Filters + ScreenFilter | ~150 | 新功能 |
| FinRL | 投票信号组合 | ~44 | 新功能 |
| PyPortfolioOpt | Black-Litterman 模型 | ~220 | 新功能 |
| 悟道真英雄 | 配置版本管理 | 680 | 基建 |
| Hummingbot | 连接生命周期管理 | ~153 | 基建 |
| Backtrader | print_summary 格式化输出 | ~70 | 基建 |
| Jesse | 交易序列洗牌 MC | ~52 | 基建 |
| Qlib | K 线形态因子 | ~96 | 因子 |
| a-share-trend-strategy | 趋势阶段因子 | ~25 | 因子 |
| a-share-hybrid-strategy | 均线汇聚 + 突破临近因子 | ~55 | 因子 |
| financial-report-minesweeper | 24 条排雷规则 + ST 风险 | ~400 | 风控 |
| AlphaPilot Pro | 动态止损 + 时段风控 | ~300 | 风控 |
| Senior Analyst | 多源数据交叉验证 | ~280 | 数据 |
| Buffett Skill | Owner Earnings + 护城河评分 | ~120 | 风控 |
| PureVolatility 研报 | 特质波动率因子 | ~80 | 因子 |
| a-share-signal skill | 多周期共振因子 | ~45 | 因子 |
| stock-analyst | K 线形态识别 | ~275 | 因子 |
| Adata | Adata 数据源 | ~200 | 数据 |
| 合计 | ~5000+ 行 |
详细记录见 docs/ABSORPTION_NOTES.md。
| 层面 | 技术选型 |
|---|---|
| 编程语言 | Python 3.10+ |
| 异步框架 | asyncio |
| 数据处理 | Pandas, NumPy |
| 优化求解 | cvxpy, SciPy |
| 机器学习 | XGBoost, LightGBM, SHAP, scikit-learn |
| 性能加速 | Numba（6 个 JIT 内核：Rank IC / 缩尾 / zscore / Ledoit-Wolf / 动量 / 回撤） |
| 表达式引擎 | 自研，35 个函数，Python eval() 沙箱 |
| Web 框架 | FastAPI |
| 前端 | Vue 3, Vite, ECharts, Lightweight-Charts |
| 数据存储 | SQLite (WAL), PostgreSQL (asyncpg) |
| 数据源 | Baostock, Tushare, Adata, AKShare, East Money, Sina |
| 文档 | Swagger (自动生成), 中英双语 README |
| 监控 | Prometheus, Grafana（16 面板） |
| 容器化 | Docker, Docker Compose |
| CI/CD | GitHub Actions（Python 3.10/3.11/3.12 矩阵） |
MIT License
Copyright (c) 2026
本软件仅供学习和研究使用，不构成任何投资建议。股市有风险，投资需谨慎。