A-Share Multi-Factor Quantitative Research & Trading Platform

A 股多因子量化平台：从数据研究到实盘交易的一条完整流水线。

数据 → 因子 → 信号 → 组合 → 回测 → 风控 → 执行 → 实盘 → Web 监控

---

项目定位

一个覆盖 研究 → 验证 → 实盘 全链路的 A 股量化平台：

• 研究层：20+ 因子引擎、IC/ICIR 评估、因子合成、Walk-Forward 验证、组合优化
• 验证层：Oracle IC / Known Alpha / MVO Audit 六项系统性验证，No-Lookahead 零前视契约
• 实盘层：实时行情、Paper Trading 模拟盘、QMT 实盘接口、实时风控熔断、执行算法
• 展示层：FastAPI 97 个 REST 端点 + WebSocket 实时推送 + Vue 3 Bloomberg 风格仪表盘

设计原则：先验证，后交易；先诚实，后优化。 所有研究记录都携带 Trust Metadata（数据源、复权方式、PIT 状态、偏差警告），不做粉饰。

---

功能全景

📊 因子研究

能力	说明
技术因子	Momentum(1/3/6/12m)、Volatility(20/60d)、Turnover、RSI、MACD、Efficiency Ratio、Breakout、Candle 系列、Trend Stage、MA Convergence 等 20+
基本面因子	log_market_cap、PB、PE、ROE、Asset Growth
因子处理	缩尾(1%/99%) → zscore 标准化 → 行业+市值中性化
因子评估	Rank IC / Pearson IC / ICIR / 分位数收益 / IC 衰减 / 相关性矩阵
图网络因子	股票关联网络 + 4 种中心性度量（PageRank/特征向量/介数/度）
LLM 因子	财经新闻情绪因子（Strategy 模式：关键词 ↔ OpenAI 可插拔）

📈 回测与验证

能力	说明
向量化回测	月频调仓 + 日频持仓漂移，热路径零 for 循环
A 股成本模型	佣金 0.03%（双边）+ 印花税 0.1%（仅卖出）+ 滑点 + 手数约束
Walk-Forward	滚动/扩展窗口 OOS 验证，每个 fold 内用 train-only 数据重算信号
系统性验证	Oracle Factor IC=1.0、Known Alpha Recovery、MVO 60/60 成功、Rank IC 手动对比
风险建模	VaR/CVaR、蒙特卡洛模拟、Barra 10 因子风险模型、压力测试

💹 实盘交易

能力	说明
实时行情	AKShare 全市场快照 / 东方财富 WebSocket 推送 / Level 2 盘口
Paper Trading	延迟模拟、部分成交、撤单失败、LOB 撮合、A 股规则（T+1/涨跌停/手数）
实盘接口	QMT（xtquant）实盘 broker，代码格式自动转换，失败自动回退模拟盘
实时风控	仓位/行业/日亏损/回撤限额 + 5 级风险等级 + Kill Switch 熔断
执行算法	TWAP / VWAP / Iceberg + SmartRouter 智能路由 + TCA 成本分析
运行内核	EventBus（异步/背压/死信队列）+ StateMachine + 审计日志 + 调度器

🖥️ Web 平台

• FastAPI 97 端点：pipeline / 分析 / 风控 / OMS / 实盘 / 监控 全覆盖
• WebSocket 实时推送：EventBus → WS 桥接，交易事件实时到达前端
• Vue 3 + ECharts 仪表盘：Bloomberg 风格 11 行面板（净值曲线/因子热力图/风险仪表/持仓/归因）
• 监控：Prometheus 指标 + Grafana 16 面板模板 + 合规审计导出

---

快速开始

# 1. 环境
python -m venv .venv
.venv\Scripts\pip install -r requirements.txt

# 2. 跑完整流水线（默认合成数据，无需联网）
.venv\Scripts\python main.py run

# 3. 启动 Web 平台（FastAPI + Vue）
.venv\Scripts\python main.py web
# 浏览器打开 http://localhost:8000

# 4. 运行所有测试
.venv\Scripts\python -m pytest tests/ -q

CLI 命令（18 个）

python main.py run                 # 完整流水线（数据→因子→信号→回测→报告）
python main.py analyze             # 分析已有结果
python main.py compare             # 多策略对比
python main.py sweep               # 参数网格搜索
python main.py walkforward         # Walk-Forward OOS 验证
python main.py ml train/signal     # ML Alpha 信号（XGBoost/LightGBM）
python main.py trade               # Paper Trading 仿真
python main.py trade --broker qmt  # QMT 实盘（需 miniQMT）
python main.py web                 # Web 服务
python main.py research            # 研究 Agent
python main.py screen              # 选股筛选
python main.py execute             # 执行算法
python main.py factor-store        # 因子健康度
python main.py gate                # 策略门禁评估
python main.py strategy            # 多策略管理
python main.py check-lookahead     # 前视偏差检测
python main.py config              # 配置管理
python main.py profile             # 性能分析

---

目录结构

quant_platform/
│
├── main.py                 # CLI 入口（18 命令）
├── app.py                  # FastAPI 应用
│
├── core/                   # 运行内核：EventBus v2 / Store / StateMachine / Audit / Scheduler
├── data/                   # 数据层：Synthetic/Tushare/Baostock/AkShare/PostgreSQL/WebSocket/Level2
│   └── providers/
├── factors/                # 因子引擎：20+ 技术/基本面因子 + 处理 + 评估 + 图网络
├── alpha/                  # Alpha 合成：等权/IC/ICIR + ML 信号
├── portfolio/              # 组合优化：EqualWeight / MVO / RiskParity
├── backtest/               # 回测：向量化引擎 + 成本模型 + WalkForward + 逐笔回测
├── risk/                   # 风险：VaR/Barra/蒙特卡洛/熔断/Kill Switch/Regime 检测
├── execution/              # 执行：OMS / TWAP/VWAP/Iceberg / TCA / 订单簿
├── trading/                # 实盘：实时行情 / Paper / QMT / LiveEngine / SignalGenerator
├── strategy/               # 多策略管理
├── agent/                  # LLM：情绪因子 + RAG 研究 Agent
├── api/                    # FastAPI 路由（97 端点）
├── frontend/               # Vue 3 仪表盘（35 组件）
├── reporting/              # 报告：文本/图表/自包含 HTML
├── operations/             # 基金运营：NAV / 投资者门户
├── compliance/             # 合规审计导出
├── monitoring/             # Grafana 仪表盘模板
│
├── framework/              # 能力层契约（Protocols）：Factor/Evaluator/MarketData/Broker
│   └── contracts/
├── lab/                    # 研究实验室：诚实因子运行 + Registry + 自动报告
│   ├── runs/
│   ├── registry/
│   └── reports/
├── tools/                  # 研究工具：common_runner / sanity_check / attribution
│
├── docs/                   # 文档：架构 / 里程碑 / 研究报告 / 协议
├── tests/                  # 单元测试（81 个测试文件，覆盖全部模块）
├── config/                 # YAML 配置（零硬编码）
└── requirements.txt        # 精确版本锁定

---

研究验证

本平台核心研究链路经过系统性验证（详见 docs/VALIDATION_REPORT.md）：

验证项	方法	结果
Oracle Factor	已知未来收益作为因子 → Rank IC	IC = 1.000000（计算与数据对齐正确）
Known Alpha Recovery	生成含已知 Alpha 的数据 → 因子引擎恢复	IC 与理论值一致
Rank IC 对比	手动 vs 官方计算	差异 < 0.001%
MVO Audit	60 次调仓全日志	60/60 Success, 0 Fallback
WalkForward	多 fold 滚动 OOS	全部通过（无前视偏差）
No-Lookahead	8 条不可协商契约	全部实现

诚实研究记录（lab/）：每次因子运行都会在 SQLite Registry 中记录数据源、复权方式、PIT 状态、偏差警告，失败运行同样记录——系统从不隐藏自身的不确定性。

---

研究里程碑

阶段	内容	结论
M1	Research OS MVP：3 个诚实因子运行	平台可信度验证通过
M2	Low Vol vs Momentum 逐年 IC 诊断	Low Vol 胜在年际稳定性
M3	10 因子 Factor Zoo	A 股是反转市场，动量因子 IC 全负
M4	volatility_20d 组合回测	IC=+0.0334 不能直接转成组合收益（成本/换手吃掉 alpha）

核心发现：A 股市场存在强均值回归 Alpha（40–80 交易日连续时间结构），但固定频率执行（月频）下因采样混叠系统性失效——信号存在 ≠ 策略可投资。这正是平台"诚实研究"的价值：不粉饰数据。

---

已知限制

限制	说明
部分数据源需要 API key	Tushare（token）、OpenAI（LLM 因子）
QMT 实盘需环境	需券商 miniQMT + xtquant 包 + 实盘账号
Level 2 数据	仅回放/模拟，无真实券商 L2 接入
生产存储	默认 SQLite；生产环境建议切换 PostgreSQL（docker-compose 已包含）

---

文档索引

文档	内容
docs/NO_LOOKAHEAD_CONTRACT.md	前视偏差零容忍契约（8 条铁规）
docs/VALIDATION_REPORT.md	六项系统性验证报告
docs/KERNEL_ARCHITECTURE.md	实盘运行内核（控制平面）设计
docs/PRODUCTION_PLAYBOOK.md	从回测到实盘的完整操作手册
docs/PRODUCTION_ARCHITECTURE_V1.md	生产架构 v1（80d 反转 + Vol Filter）
docs/ASHARE_PITFALLS.md	10 大 A 股实盘陷阱及处理
docs/OPS_RUNBOOK.md	运维手册
docs/research/	系统研究报告（Alpha Discovery / 市场结构 / Regime）

---

许可

MIT License — 仅供教学和研究使用，不构成投资建议。