https://github.com/aaronlab/quant-trading-system
A股量化交易系统 - 支持可插拔数据源、多策略回测、风险管理
https://github.com/aaronlab/quant-trading-system
Last synced: 1 day ago
JSON representation
A股量化交易系统 - 支持可插拔数据源、多策略回测、风险管理
- Host: GitHub
- URL: https://github.com/aaronlab/quant-trading-system
- Owner: aaronlab
- License: mit
- Created: 2026-03-29T12:25:26.000Z (2 months ago)
- Default Branch: main
- Last Pushed: 2026-03-29T14:58:46.000Z (2 months ago)
- Last Synced: 2026-06-02T18:32:50.793Z (1 day ago)
- Language: Python
- Size: 455 KB
- Stars: 2
- Watchers: 0
- Forks: 1
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- Changelog: CHANGELOG.md
- Contributing: CONTRIBUTING.md
- License: LICENSE
Awesome Lists containing this project
README
# 量化交易系统
**面向中国A股市场的专业量化交易框架**
*可插拔数据源 · 8大内置策略 · ML机器学习策略 · 事件驱动回测 · 交易引擎 · Web Dashboard · 智能风控 · 参数优化*
[](https://www.python.org/)
[](LICENSE)
[]()
[]()
---
## 功能亮点
| 模块 | 功能 | 说明 |
|:---:|:---|:---|
| **数据层** | 可插拔数据源架构 | AKShare（免费）+ Tushare Pro，装饰器注册表模式，轻松扩展 |
| **策略层** | 8 大内置策略 + 复合策略 | 均线交叉、RSI、MACD、布林带、Dual Thrust、均值回归、海龟交易、复合投票 |
| **ML策略** | 机器学习策略引擎 | 纯NumPy实现，支持决策树、随机森林、GBDT、LSTM、集成模型 |
| **回测引擎** | 事件驱动 + A股规则 | 完整支持 T+1、印花税、最小交易单位、滑点模拟 |
| **交易引擎** | 实时/模拟交易执行 | 订单管理、持仓跟踪、实时风控、交易日志 |
| **参数优化** | 网格搜索 + 滚动前进 | 自动遍历参数空间 + Walk-Forward分析防过拟合 |
| **组合回测** | 多股票组合回测 | 等权/自定义权重，相关性分析，组合绩效评估 |
| **策略对比** | 多策略对比工具 | 相同数据下并行运行多策略，自动排名 |
| **信号分析** | 信号质量评估 | 前瞻收益分析、信号胜率、连续盈亏统计 |
| **风险管理** | 仓位管理 + 止损止盈 | 固定比例法 / Kelly公式 / ATR自适应，自动止损止盈 |
| **技术指标** | 18+ 专业指标 | SMA/EMA/MACD/RSI/KDJ/布林带/ATR/OBV/VWAP/ROC/Williams%R/CCI 等 |
| **可视化** | 专业图表 | K线图、交易信号图、净值曲线、回撤图、月度收益热力图 |
| **数据导出** | 多格式导出 | 支持 CSV / Excel / JSON 格式导出 |
| **报告生成** | 回测报告导出 | 支持文本报告 + CSV交易记录 + 净值曲线导出 |
| **CLI工具** | 8 个命令行工具 | 一键获取数据、回测、优化、对比、生成报告 |
---
## 系统架构
```
┌─────────────────────────────────────────────────────────────────────────┐
│ CLI 层 (Click + Rich) │
│ fetch │ backtest │ strategies │ plot │ optimize │ report │ compare │
└──────────────────────────────┬──────────────────────────────────────────┘
│
┌──────────────────────────────┴──────────────────────────────────────────┐
│ 核心层 (core) │
│ AppConfig │ Signal │ Order │ Position │ Portfolio │ TradeRecord │
│ BrokerConfig │ BacktestConfig │ RiskConfig │ DataSourceConfig │
└──────┬──────────────┬──────────────┬──────────────┬─────────────────────┘
│ │ │ │
┌──────┴─────┐ ┌──────┴─────┐ ┌─────┴──────┐ ┌────┴──────────────────┐
│ 数据层 │ │ 策略层 │ │ ML策略层 │ │ 回测引擎层 │
│ (data) │ │ (strategy) │ │ (ml) │ │ (backtest) │
│ │ │ │ │ │ │ │
│ AKShare │ │ 8大策略 │ │ 特征工程 │ │ BacktestEngine │
│ Tushare │ │ 复合策略 │ │ 决策树 │ │ ├── SimulatedBroker │
│ DataExport │ │ (可扩展) │ │ 随机森林 │ │ ├── PortfolioManager │
│ (可扩展) │ │ │ │ GBDT/LSTM │ │ ├── RiskManager │
└────────────┘ └────────────┘ │ 集成模型 │ │ ├── GridSearchOptimizer│
│ MLPipeline │ │ ├── WalkForwardAnalyzer│
┌──────────────┐ └────────────┘ │ ├── PortfolioBacktester│
│ 指标层 │ │ ├── SignalAnalyzer │
│ 18+ 技术指标 │ │ ├── StrategyComparator │
│ ROC/WR/CCI │ │ └── ReportGenerator │
└──────────────┘ └───────────────────────┘
│
┌──────────────────────────┐ ┌───────────────┴──────────────┐
│ 交易引擎层 │ │ 可视化层 │
│ (trading) │ │ (visualization) │
│ │ │ │
│ ExecutionEngine │ │ K线图 / 交易信号图 │
│ ├── SimulatedExecutor │ │ 净值曲线 / 回撤图 │
│ ├── LiveExecutor │ │ 月度收益热力图 │
│ OrderManager │ │ 信号分布图 │
│ PositionTracker │ └──────────────────────────────┘
│ RiskMonitor │
│ TradeLogger │
└──────────────────────────┘
```
### 设计原则
- **可插拔架构** — 数据源、策略均通过注册表 + 抽象基类实现，新增实现零改动核心代码
- **关注点分离** — 数据获取、策略计算、订单执行、风控验证各自独立
- **配置驱动** — 所有参数通过 YAML + Pydantic 统一管理，运行时可覆盖
- **事件驱动** — 回测引擎逐日处理，完整模拟真实交易流程
- **零外部ML依赖** — 机器学习模型纯NumPy实现，无需安装scikit-learn/tensorflow
> 详细架构文档请查看 [docs/ARCHITECTURE.md](docs/ARCHITECTURE.md)
---
## 快速开始
### 环境要求
- Python 3.10+
- pip
### 安装
```bash
# 克隆仓库
git clone https://github.com/zey413/quant-trading-system.git
cd quant-trading-system
# 创建虚拟环境（推荐）
python -m venv .venv
source .venv/bin/activate # macOS/Linux
# .venv\Scripts\activate # Windows
# 安装项目及依赖
pip install -e ".[dev]"
# 验证安装
quant --help
```
### Docker 快速启动
```bash
# 构建并启动
docker-compose up -d
# 运行回测
docker-compose exec quant quant backtest -st ma_crossover -s 000001
```
### 三步上手
**第一步：获取数据**
```bash
quant fetch -s 000001 --start 2024-01-01 --end 2025-01-01
```
**第二步：运行回测**
```bash
quant backtest -st ma_crossover -s 000001 --start 2024-01-01
```
**第三步：查看图表**
```bash
quant plot -s 000001 -st ma_crossover --save chart.png
```
### Python API 快速示例
```python
from quant_trading.core import AppConfig
from quant_trading.data import DataManager
from quant_trading.backtest import BacktestEngine
from quant_trading.strategy import MACrossoverStrategy
# 加载配置 & 获取数据
config = AppConfig.from_yaml("config/default.yaml")
dm = DataManager(config)
df = dm.fetch_daily("000001", start_date="2024-01-01", end_date="2025-01-01")
# 创建策略 & 运行回测
strategy = MACrossoverStrategy(short_window=5, long_window=20)
engine = BacktestEngine(config)
result = engine.run(strategy, df, symbol="000001")
# 查看结果
print(f"总收益率: {result.total_return:.2%}")
print(f"夏普比率: {result.sharpe_ratio:.4f}")
print(f"最大回撤: {result.max_drawdown:.2%}")
```
---
## 策略目录
系统内置 8 大交易策略 + 机器学习策略，覆盖趋势跟踪、动量突破、均值回归、AI量化等主流思路：
### 内置经典策略
| # | 策略名 | 注册名 | 原理 | 核心参数 |
|:-:|:------|:------|:-----|:--------|
| 1 | **均线交叉** | `ma_crossover` | 短期均线上穿长期均线（金叉）买入，下穿（死叉）卖出 | `short_window=5`, `long_window=20` |
| 2 | **RSI 超买超卖** | `rsi` | RSI 从超卖区上穿买入，从超买区下穿卖出 | `period=14`, `oversold=30`, `overbought=70` |
| 3 | **MACD 策略** | `macd` | MACD 柱状线由负转正（金叉）买入，由正转负（死叉）卖出 | `fast=12`, `slow=26`, `signal=9` |
| 4 | **布林带策略** | `bollinger` | 价格触及下轨后回升买入，触及上轨后回落卖出 | `window=20`, `num_std=2` |
| 5 | **Dual Thrust** | `dual_thrust` | 经典动量突破策略，基于前N日价格区间计算上下轨 | `lookback=4`, `k1=0.5`, `k2=0.5` |
| 6 | **均值回归** | `mean_reversion` | 价格偏离均线过远时（Z-Score）回归交易 | `window=20`, `entry_threshold=2.0` |
| 7 | **海龟交易** | `turtle` | 经典趋势跟踪，通道突破买入，ATR仓位管理 | `entry_period=20`, `exit_period=10`, `atr_period=20` |
| 8 | **复合策略** | `composite` | 组合多个子策略，投票决定信号（多数/全体一致/任意） | `strategies=[...]`, `voting="majority"` |
### 机器学习策略
| 模型 | 说明 |
|:-----|:-----|
| **DecisionTreeModel** | 决策树分类器，纯NumPy实现 |
| **RandomForestModel** | 随机森林，Bagging集成多棵决策树 |
| **LinearModel** | 线性模型（逻辑回归/线性回归） |
| **GradientBoostingModel** | 梯度提升决策树 |
| **LSTMModel** | 长短期记忆网络 |
| **EnsembleModel** | 集成模型，组合多种ML模型 |
查看所有策略及参数详情：
```bash
quant strategies
```
> 策略开发指南详见 [docs/STRATEGY_GUIDE.md](docs/STRATEGY_GUIDE.md)
---
## CLI 命令参考
系统提供 8 个命令行工具，覆盖完整量化工作流：
### `quant fetch` — 获取股票数据
```bash
quant fetch -s 000001 --start 2024-01-01 --end 2025-01-01
quant fetch -s 600519 --source akshare -n 50
```
### `quant backtest` — 运行策略回测
```bash
quant backtest -st ma_crossover -s 000001
quant backtest -st rsi -s 600519 --capital 500000
quant backtest -st macd -s 000001 --start 2023-01-01 --end 2024-12-31 --save report.png
```
### `quant strategies` — 列出所有可用策略
```bash
quant strategies
```
### `quant plot` — 生成可视化图表
```bash
quant plot -s 000001 -t candlestick
quant plot -s 600519 -st ma_crossover --save signals.png
quant plot -s 000001 -st rsi -t all
```
### `quant optimize` — 策略参数优化
```bash
quant optimize -st ma_crossover -s 000001 \
-p '{"short_window":[3,5,10],"long_window":[15,20,30]}'
quant optimize -st rsi -s 600519 \
-p '{"period":[10,14,20]}' -m total_return
```
### `quant report` — 生成回测报告
```bash
quant report -st ma_crossover -s 000001
quant report -st rsi -s 600519 -f csv -o ./output
```
> 所有命令均支持 `--config` / `-c` 指定配置文件，`--verbose` / `-v` 开启详细日志。
---
## 高级用法
### 参数优化 (GridSearchOptimizer)
使用网格搜索在参数空间中自动寻找最优参数组合：
```python
from quant_trading.backtest.optimizer import GridSearchOptimizer
from quant_trading.core import AppConfig
config = AppConfig.from_yaml("config/default.yaml")
optimizer = GridSearchOptimizer(config)
# 定义参数搜索空间
param_grid = {
"short_window": [3, 5, 10],
"long_window": [15, 20, 30],
}
# 运行优化（默认优化夏普比率）
result = optimizer.optimize(
strategy_name="ma_crossover",
param_grid=param_grid,
data=data,
symbol="000001",
metric="sharpe_ratio",
)
print(result.summary())
print(f"最优参数: {result.best_params}")
print(f"最优夏普: {result.best_metric_value:.4f}")
```
### 滚动前进分析 (Walk-Forward)
避免参数优化过拟合的进阶工具：
```python
from quant_trading.backtest.walk_forward import WalkForwardAnalyzer
analyzer = WalkForwardAnalyzer(config)
result = analyzer.run(
strategy_name="ma_crossover",
param_grid={"short_window": [3, 5, 10], "long_window": [15, 20, 30]},
data=df,
symbol="000001",
train_size=120, # 训练期 120 个交易日
test_size=60, # 测试期 60 个交易日
step_size=60, # 每次前进 60 个交易日
)
print(result.summary())
```
### 多股票组合回测 (PortfolioBacktester)
```python
from quant_trading.backtest.portfolio_backtest import PortfolioBacktester
backtester = PortfolioBacktester(config)
result = backtester.run(
strategy=strategy,
data_dict={"000001": df1, "600519": df2, "000858": df3},
weights="equal", # 等权重，或自定义 {"000001": 0.4, "600519": 0.3, "000858": 0.3}
)
print(result.summary())
```
### 信号质量分析 (SignalAnalyzer)
```python
from quant_trading.backtest.signal_analyzer import SignalAnalyzer
analyzer = SignalAnalyzer()
signals_df = strategy.generate_signals(data)
result = analyzer.analyze(signals_df, forward_periods=[1, 5, 10])
print(result.summary())
# 绘制信号分布图
analyzer.plot_signal_distribution(signals_df, save_path="signal_dist.png")
```
### 策略对比 (StrategyComparator)
```python
from quant_trading.backtest.comparator import StrategyComparator
comparator = StrategyComparator(config)
comparator.add_strategy("ma_crossover", short_window=5, long_window=20)
comparator.add_strategy("rsi", period=14)
comparator.add_strategy("macd")
comparator.add_strategy("bollinger", window=20, num_std=2)
result = comparator.compare(data, symbol="000001", rank_by="sharpe_ratio")
print(result.summary())
comparator.plot_comparison(result, save_path="comparison.png")
```
### 机器学习策略
```python
from quant_trading.ml import FeatureEngineer, RandomForestModel, MLPipeline
# 特征工程
fe = FeatureEngineer()
features_df = fe.create_features(data)
# 构建训练流水线
pipeline = MLPipeline(
model=RandomForestModel(n_trees=100, max_depth=10),
scaler=StandardScaler(),
)
# 训练与预测
pipeline.fit(X_train, y_train)
predictions = pipeline.predict(X_test)
```
### 交易引擎
```python
from quant_trading.trading import ExecutionEngine, OrderManager, RiskMonitor
# 创建交易执行引擎
engine = ExecutionEngine(mode="simulated")
order_mgr = OrderManager()
risk_monitor = RiskMonitor()
# 添加风控规则
risk_monitor.add_rule(MaxPositionRule(max_pct=0.3))
risk_monitor.add_rule(DailyLossLimitRule(max_loss=50000))
# 执行信号
engine.execute(signal, risk_monitor=risk_monitor)
```
### 自定义策略
继承 `Strategy` 基类，通过装饰器注册即可接入系统：
```python
from quant_trading.strategy.base import Strategy, StrategyRegistry
import pandas as pd
@StrategyRegistry.register("my_strategy")
class MyStrategy(Strategy):
"""自定义策略"""
def __init__(self, param1: int = 10, name: str = ""):
super().__init__(name=name)
self.param1 = param1
def get_params(self) -> dict:
return {"param1": self.param1}
def generate_signals(self, data: pd.DataFrame) -> pd.DataFrame:
data = data.copy()
data["signal"] = "hold"
# 实现你的交易逻辑
# data.loc[buy_condition, "signal"] = "buy"
# data.loc[sell_condition, "signal"] = "sell"
return data
```
### 自定义数据源
```python
from quant_trading.data.base import DataSource, DataSourceRegistry
import pandas as pd
@DataSourceRegistry.register("my_source")
class MyDataSource(DataSource):
def get_name(self) -> str:
return "my_source"
def fetch_daily(self, symbol, start_date, end_date, adjust="qfq") -> pd.DataFrame:
# 返回包含 date, open, high, low, close, volume 列的 DataFrame
...
def fetch_stock_list(self) -> pd.DataFrame:
# 返回包含 code, name 列的 DataFrame
...
```
### 数据导出
```python
from quant_trading.data.export import DataExporter
DataExporter.to_csv(df, "output/data.csv")
DataExporter.to_excel(df, "output/data.xlsx")
DataExporter.to_json(df, "output/data.json")
```
---
## 绩效指标
回测完成后自动计算以下专业绩效指标：
| 类别 | 指标 | 说明 |
|:---:|:-----|:-----|
| **收益** | 总收益率 (`total_return`) | 回测期间总收益 |
| **收益** | 年化收益率 (`annualized_return`) | 按244交易日年化 |
| **风险** | 最大回撤 (`max_drawdown`) | 峰值到谷值的最大跌幅 |
| **风险** | 最大回撤天数 (`max_drawdown_duration`) | 最大回撤持续交易日数 |
| **风险** | 年化波动率 (`volatility`) | 日收益率标准差年化 |
| **风险调整** | 夏普比率 (`sharpe_ratio`) | (年化收益 - 无风险利率) / 波动率 |
| **风险调整** | Sortino比率 (`sortino_ratio`) | 仅考虑下行风险的夏普比率 |
| **风险调整** | Calmar比率 (`calmar_ratio`) | 年化收益率 / 最大回撤 |
| **交易** | 总交易次数 (`total_trades`) | 平仓次数 |
| **交易** | 胜率 (`win_rate`) | 盈利交易占比 |
| **交易** | 盈亏比 (`profit_loss_ratio`) | 平均盈利 / 平均亏损 |
| **交易** | 平均盈利/亏损 (`avg_win` / `avg_loss`) | 单笔平均盈亏金额 |
---
## 配置参考
编辑 `config/default.yaml` 自定义系统参数：
```yaml
# ===== 数据源配置 =====
data_source:
default_source: "akshare" # 数据源: akshare(免费) / tushare(需token)
tushare_token: "" # Tushare Pro Token
cache_dir: "data_cache" # 数据缓存目录
cache_enabled: true # 是否启用缓存
# ===== A股交易规则 =====
broker:
commission_rate: 0.0003 # 佣金率 万三
min_commission: 5.0 # 最低佣金 5元
stamp_tax_rate: 0.001 # 印花税 千一(仅卖出)
slippage: 0.001 # 滑点 0.1%
lot_size: 100 # 最小交易单位 100股(1手)
t_plus_1: true # T+1 交易规则
# ===== 回测参数 =====
backtest:
initial_capital: 1000000.0 # 初始资金 100万
start_date: "2024-01-01" # 回测起始日期
end_date: "2025-12-31" # 回测结束日期
risk_free_rate: 0.025 # 无风险利率 2.5%
# ===== 风控参数 =====
risk:
max_position_pct: 0.3 # 单股最大仓位 30%
max_total_position_pct: 0.8 # 总仓位上限 80%
stop_loss_pct: 0.05 # 止损线 5%
take_profit_pct: 0.15 # 止盈线 15%
position_sizing: "fixed_ratio" # 仓位算法: fixed_ratio / kelly / atr_based
```
### A股交易规则
本系统完整支持以下A股特殊规则：
| 规则 | 说明 |
|:-----|:-----|
| T+1 | 当日买入的股票次日才能卖出 |
| 最小交易单位 | 100股（1手） |
| 佣金 | 万三（0.03%），最低5元 |
| 印花税 | 千一（0.1%），仅卖出时收取 |
| 滑点模拟 | 买入价上浮、卖出价下浮 |
| 涨跌停 | 普通股票 ±10%，ST股票 ±5% |
| 交易时间 | 9:30-11:30, 13:00-15:00 |
| 年交易日 | 约244天 |
---
## 项目结构
```
quant-trading-system/
├── config/default.yaml # 默认配置文件
├── src/quant_trading/
│ ├── core/ # 核心数据模型和配置
│ │ ├── config.py # AppConfig (Pydantic)
│ │ ├── models.py # Signal, Order, Position, Portfolio
│ │ ├── enums.py # 枚举类型
│ │ └── logging_config.py # 日志配置
│ ├── data/ # 数据源层（可插拔架构）
│ │ ├── base.py # DataSource ABC + 注册表
│ │ ├── manager.py # DataManager 统一接口
│ │ ├── akshare_source.py # AKShare 免费数据源
│ │ ├── tushare_source.py # Tushare Pro 数据源
│ │ └── export.py # DataExporter 多格式导出
│ ├── indicators/ # 技术指标 (18+)
│ │ ├── base.py # Indicator ABC
│ │ ├── trend.py # SMA, EMA, MACD
│ │ ├── oscillator.py # RSI, KDJ
│ │ ├── volatility.py # 布林带, ATR
│ │ ├── volume.py # OBV, VWAP
│ │ ├── momentum.py # ROC, Williams%R, CCI
│ │ └── utils.py # 一键添加指标、相关性分析
│ ├── strategy/ # 交易策略 (8+)
│ │ ├── base.py # Strategy ABC + 注册表
│ │ ├── ma_crossover.py # 均线交叉策略
│ │ ├── rsi_strategy.py # RSI 超买超卖策略
│ │ ├── macd_strategy.py # MACD 策略
│ │ ├── bollinger_strategy.py # 布林带策略
│ │ ├── dual_thrust.py # Dual Thrust 突破策略
│ │ ├── mean_reversion.py # 均值回归策略
│ │ ├── turtle.py # 海龟交易策略
│ │ └── composite.py # 复合投票策略
│ ├── ml/ # 机器学习策略
│ │ ├── features.py # FeatureEngineer 特征工程
│ │ ├── models.py # 决策树/随机森林/GBDT/LSTM/集成
│ │ ├── pipeline.py # MLPipeline + 标准化器
│ │ └── evaluation.py # ModelEvaluator 模型评估
│ ├── backtest/ # 回测引擎
│ │ ├── engine.py # 回测主引擎
│ │ ├── broker.py # 模拟券商（A股规则）
│ │ ├── portfolio.py # 组合管理
│ │ ├── metrics.py # 绩效指标计算
│ │ ├── optimizer.py # GridSearchOptimizer 参数优化
│ │ ├── walk_forward.py # WalkForwardAnalyzer 滚动前进分析
│ │ ├── portfolio_backtest.py # PortfolioBacktester 组合回测
│ │ ├── signal_analyzer.py # SignalAnalyzer 信号质量分析
│ │ ├── comparator.py # StrategyComparator 策略对比
│ │ └── report.py # ReportGenerator 报告生成
│ ├── trading/ # 交易引擎
│ │ ├── execution_engine.py # 执行引擎（模拟/实盘）
│ │ ├── order_manager.py # 订单生命周期管理
│ │ ├── position_tracker.py # 持仓跟踪与盈亏计算
│ │ ├── risk_monitor.py # 实时风控监控
│ │ └── trade_logger.py # 交易日志与统计
│ ├── risk/ # 风险管理
│ │ ├── manager.py # 风控管理器
│ │ ├── position_sizer.py # 仓位管理
│ │ └── stop_loss.py # 止损止盈
│ ├── visualization/ # 可视化
│ │ └── charts.py # 图表绘制
│ └── cli/ # 命令行工具
│ └── main.py # CLI 入口
├── tests/ # 单元测试 + 集成测试
├── examples/ # 使用示例
├── docs/ # 文档
│ ├── ARCHITECTURE.md # 架构设计文档
│ ├── USER_GUIDE.md # 用户手册
│ ├── STRATEGY_GUIDE.md # 策略开发指南
│ ├── API_REFERENCE.md # API 文档
│ ├── DEPLOYMENT.md # 部署文档
│ └── EXAMPLES.md # 使用示例集
├── Dockerfile # Docker 镜像构建
├── docker-compose.yml # Docker Compose 编排
├── CONTRIBUTING.md # 贡献指南
├── CHANGELOG.md # 更新日志
└── pyproject.toml # 项目配置
```
---
## 技术栈
| 技术 | 用途 |
|:-----|:-----|
| **Python 3.10+** | 运行环境 |
| **pandas / numpy** | 数据处理和数值计算 |
| **AKShare / Tushare** | A股行情数据获取 |
| **matplotlib** | 图表绘制和可视化 |
| **Pydantic** | 配置验证和数据模型 |
| **Click + Rich** | 命令行界面和终端美化 |
| **PyArrow** | Parquet 数据缓存 |
| **Docker** | 容器化部署 |
| **pytest** | 单元测试和集成测试 |
---
## 项目路线图
### 已完成
- [x] **可插拔数据源** — AKShare + Tushare，装饰器注册表模式
- [x] **8大内置策略** — 均线交叉、RSI、MACD、布林带、Dual Thrust、均值回归、海龟、复合
- [x] **事件驱动回测引擎** — 完整A股规则支持
- [x] **参数优化** — 网格搜索 + 滚动前进分析
- [x] **多股票组合回测** — 等权/自定义权重
- [x] **信号质量分析** — 前瞻收益分析
- [x] **风险管理** — 仓位管理 + 止损止盈
- [x] **18+技术指标** — 含ROC、Williams%R、CCI等
- [x] **机器学习策略** — 纯NumPy实现，6种ML模型
- [x] **交易引擎** — 订单管理、持仓跟踪、实时风控
- [x] **数据导出** — CSV / Excel / JSON
- [x] **Docker 部署** — Dockerfile + docker-compose
### 进行中
- [ ] **Web Dashboard** — 基于 Streamlit/Dash 的交互式回测面板
- [ ] **数据库支持** — PostgreSQL/ClickHouse 存储历史数据和回测结果
- [ ] **实时行情** — 接入实时行情数据流，支持实盘信号推送
### 规划中
- [ ] **多品种支持** — 期货、ETF、可转债回测
- [ ] **分布式优化** — 多进程/分布式参数搜索加速
- [ ] **涨跌停验证** — Broker 层涨跌停限制校验
- [ ] **移动止损** — 追踪止损 (Trailing Stop) 策略
- [ ] **基准对比** — 与沪深300/中证500等基准指数对比
- [ ] **因子分析** — 多因子选股框架
- [ ] **报告增强** — HTML可交互报告
---
## 文档索引
| 文档 | 说明 |
|:-----|:-----|
| [用户手册](docs/USER_GUIDE.md) | 安装配置、回测教程、策略选择、FAQ |
| [策略开发指南](docs/STRATEGY_GUIDE.md) | 自定义策略开发、ML策略、注册系统 |
| [API 参考](docs/API_REFERENCE.md) | 所有模块的类和方法文档 |
| [架构文档](docs/ARCHITECTURE.md) | 系统架构设计、数据流、模块职责 |
| [部署文档](docs/DEPLOYMENT.md) | Docker部署、服务器部署、监控 |
| [使用示例](docs/EXAMPLES.md) | 10个完整使用示例 |
| [更新日志](CHANGELOG.md) | 版本更新历史 |
| [贡献指南](CONTRIBUTING.md) | 开发规范、PR流程 |
---
## 开发
```bash
# 安装开发依赖
pip install -e ".[dev]"
# 运行全部测试
pytest tests/ -v
# 运行测试（带覆盖率）
pytest tests/ -v --cov=quant_trading
# 运行特定测试
pytest tests/test_strategies.py -v
```
详细开发指南请查看 [CONTRIBUTING.md](CONTRIBUTING.md)。
---
## 许可证
本项目基于 [MIT License](LICENSE) 开源。
## 致谢
- [AKShare](https://github.com/akfamily/akshare) — 优秀的开源金融数据接口
- [Tushare](https://tushare.pro/) — 专业的金融数据服务平台