基于Python的本地量化交易框架，提供数据获取、策略回测、机器学习预测和风险管理等功能。

datadownMeizhu/
├── src/                     # 源代码
│   ├── data/                # 数据层
│   │   ├── downloader.py    # 数据下载（股票/ETF/指数）
│   │   ├── checker.py       # 数据检查
│   │   ├── migrator.py      # 数据迁移
│   │   ├── preprocess.py    # 数据预处理
│   │   ├── feature_engineer.py  # 特征工程 (85+技术指标)
│   │   ├── chan_theory.py   # 缠论特征生成器
│   │   ├── alpha101.py      # Alpha101因子计算
│   │   ├── alpha_ops.py     # Alpha操作函数
│   │   ├── alpha021_040.py  # Alpha021-040
│   │   ├── alpha041_060.py  # Alpha041-060
│   │   ├── alpha061_080.py  # Alpha061-080
│   │   ├── alpha081_101.py  # Alpha081-101
│   │   └── technical_indicators.py
│   ├── models/              # 模型层
│   │   ├── factory.py       # 模型工厂
│   │   ├── trainer.py       # 训练器
│   │   ├── predictor.py     # 预测器
│   │   ├── tcn.py           # TCN模型
│   │   ├── cnnst.py         # CNN+ST Transformer
│   │   ├── small_cnn.py     # 小特征CNN
│   │   └── cnn_transformer.py
│   ├── strategy/            # 策略层
│   │   ├── base_strategy.py # 策略基类
│   │   ├── ml_strategy.py   # 统一ML策略
│   │   └── traditional/     # 传统策略
│   ├── backtest/            # 回测层
│   │   ├── backtest.py      # 统一回测引擎
│   │   ├── backtest_bt.py   # Backtrader适配器
│   │   ├── metrics.py       # 收益指标计算
│   │   └── pbo.py           # PBO分析
│   ├── risk/                # 风控层
│   └── utils/               # 工具
├── config/                  # 配置文件
├── data/                    # 数据存储
├── sql/ddl/                 # 数据库建表脚本
├── results/                 # 回测结果
├── logs/                    # 日志文件
├── docs/                    # 文档
└── tests/                   # 测试
    └── test_alpha101.py     # Alpha因子测试

pip install -r requirements.txt

# 下载股票数据
python src/main.py data download --source yfinance --limit 100

# 下载ETF数据（akshare，无频率限制）
python src/main.py data download_etf --source yfinance --start 2015-01-01

# 下载指数数据
python src/main.py data download_index --source yfinance --start 2015-01-01

# 检查数据
python src/main.py data check

# 默认85个技术指标
python src/main.py preprocess --stocks 500

# 仅15个关键特征
python src/main.py preprocess --stocks 500 --small_features

# 仅5个OHLCV基础特征
python src/main.py preprocess --stocks 500 --basic_features

# TCN模型
python src/main.py train --model tcn --stocks 500 --epochs 80

# CNN+ST Transformer
python src/main.py train --model cnnst --stocks 500 --basic_features

# 小特征CNN（15个特征）
python src/main.py train --model small_cnn --stocks 500 --small_features

# 单股票独立回测（每只10万）
python src/main.py backtest --model_dir checkpoints_tcn --stocks 100 --threshold 0.5 --mode single

# 组合回测（总资金10万，均分）
python src/main.py backtest --model_dir checkpoints_tcn --stocks 100 --threshold 0.5 --mode combined

# 精选回测（按置信度排序，每日最多N只）
python src/main.py backtest --model_dir checkpoints_tcn --stocks 100 --threshold 0.5 --mode limited --max_stocks 5

# 全部模式
python src/main.py backtest --model_dir checkpoints_tcn --stocks 100 --threshold 0.5 --mode all

# 测试集验证
python src/main.py validate --mode test

# 验证集验证
python src/main.py validate --mode val

基于缠论数学量化的技术分析特征：

from src.data.chan_theory import ChanTheory

ct = ChanTheory()
features = ct.generate_features(df)

# 输出22个特征：
# - 分型: fractal_type, fractal_strength
# - 笔: bi_number, bi_direction, bi_length
# - 中枢: zs_exists, zs_zg, zs_zd, zs_height
# - 背驰: beichi_type, beichi_strength
# - 买卖点: maimai_signal, maimai_strength

WorldQuant经典量化因子库，101个公式化Alpha因子：

from src.data.alpha101 import Alpha101

a101 = Alpha101()

# 计算全部101个
factors = a101.compute_all(df)

# 计算指定因子
factors = a101.compute_selected(df, ['alpha_001', 'alpha_050', 'alpha_101'])

# 单个因子
factor = a101.alpha_001(df)

因子类型：动量、量价相关、反转、波动率、交易量等

三种特征可叠加使用：

特征集	数量	来源
技术指标	85+	feature_engineer.py
缠论特征	22	chan_theory.py
Alpha101	101	alpha101.py

合计: 208个特征

表名	说明
daily_data	股票日线数据
stock_info	股票信息
technical_indicators	技术指标
etf_data	ETF日线数据
etf_info	ETF信息
a_share_index_daily_data	A股指数日线数据
a_share_index_info	A股指数信息

运行 python sql/run_ddl.py 创建所有表。

回测结果自动保存到 results/ 目录，每次回测创建独立文件夹（带时间戳）：

results/
└── backtest_2025-01-01_2026-03-20_20250401_153045_single/
    ├── trades.csv          # 交易记录
    ├── capital_curve.csv   # 资金曲线
    ├── summary.json        # 汇总指标
    └── metadata.json       # 配置参数

模型	特征数	参数量	说明
TCN	85	~100K	时序卷积网络
LightweightTCN	85	~50K	轻量级TCN
CNN-Transformer	85	~500K	混合架构
CNN_ST_Transformer	5	~46K	CNN+时空Transformer
SmallCNN	15	~286K	小特征CNN（残差连接）

# 运行Alpha因子测试
python tests/test_alpha101.py

• 数据处理：pandas, numpy
• 机器学习：PyTorch, scikit-learn
• 金融数据：yfinance, akshare
• 回测框架：backtrader（可选）
• 数据库：psycopg2 (PostgreSQL)
• 日志：loguru
• 测试：unittest

MIT License