Henry Lin

Posted on Jun 8

开源量化分析软件功能介绍

#quantitative #analysis

📈 多因子选股系统 — 项目功能介绍

面向 A 股市场的全链路量化分析平台 — 因子计算 · 机器学习 · 组合优化 · 回测验证 · 实时行情

指标	数据
Python 模块	108
业务代码	15,600+ 行
服务模块	30+
API 蓝图	14
内置因子	12

一、整体功能介绍

多因子选股系统是一个覆盖量化研究全流程的分析平台，从数据管理到策略回测一站式完成。系统采用 Flask + SQLAlchemy + SocketIO 技术栈，基于 Parquet + SQLite 双层存储架构，零外部数据库依赖，克隆即可运行。

核心能力总览

实时行情分析：通达信分钟数据接入，MACD、KDJ、RSI、布林带等技术指标实时计算
因子与选股：12 个内置因子 + 自定义因子表达式引擎，支持白名单安全校验
机器学习建模：XGBoost、LightGBM、RandomForest 三大算法的完整模型生命周期
组合优化：等权重、均值方差、风险平价、因子中性四种经典优化方法
回测验证：单策略与多策略回测，丰富的绩效指标（年化收益、夏普比率、最大回撤等）
风险管理：组合持仓管理、实时价格刷新、风险指标监控、预警管理、压力测试

请求流程

HTTP / WebSocket → Blueprint (app/api/*.py) → Service (app/services/*.py) → ParquetDataReader (行情数据)
                                                                             ↕
                                                               SQLAlchemy Models (SQLite 应用状态)

技术栈

类别	技术
后端框架	Python 3.8–3.11、Flask、Flask-SocketIO、Flask-SQLAlchemy、Celery
数据处理	Pandas、NumPy、PyArrow、SciPy、Scikit-learn
机器学习	XGBoost、LightGBM、RandomForest、CVXPY
前端 & 可视化	Bootstrap 5、ECharts、Plotly、Matplotlib / MPLFinance
数据源	通达信（实时行情）、Baostock（历史数据）、Tushare（可选）、Parquet 离线数据包
AI 能力	Ollama（本地 LLM）、OpenAI API（可选）、Text2SQL、Qwen2.5-Coder

二、各模块功能介绍

2.1 实时行情分析模块

API 蓝图前缀：/api/realtime-analysis/*

核心服务：

RealtimeIndicatorEngine（services/realtime_indicator_engine.py）：实时技术指标计算
RealtimeTradingSignalEngine（services/realtime_trading_signal_engine.py）：多策略交易信号生成与融合

功能特性：

功能	说明
实时指标计算	支持 MACD、KDJ、RSI、布林带等经典技术指标的实时计算与展示
多策略信号生成	基于不同策略的交易信号生成，支持信号融合与综合研判
信号监控	交易信号的实时监控与历史回溯
策略回测	对生成的信号进行历史回测验证
板块分析	板块表现统计与异动检测
市场情绪	市场情绪指标的实时追踪

数据源：通达信分钟级行情数据，存储于 data/stock_minute/（Parquet 格式）。

2.2 因子与选股模块

API 蓝图前缀：/api/ml-factor/*、/api

核心服务：

FactorEngine（services/factor_engine.py）：内置因子计算与自定义因子管理
FactorExpressionEngine（services/factor_expression_engine.py）：白名单校验的自定义因子公式引擎
StockScoringEngine（services/stock_scoring.py）：因子评分与 ML 评分的综合选股引擎

内置因子（12 个）

维度	因子名	说明
动量	`momentum_1d`	1 日动量
动量	`momentum_5d`	5 日动量
动量	`momentum_20d`	20 日动量
波动率	`volatility_20d`	20 日波动率
技术指标	`rsi_14`	RSI 相对强弱
技术指标	`turnover_rate`	换手率
基本面	`pe_ratio`	市盈率
基本面	`pb_ratio`	市净率
基本面	`roe`	净资产收益率
基本面	`debt_ratio`	资产负债率
基本面	`current_ratio`	流动比率
基本面	`gross_margin`	毛利率

自定义因子

支持用户通过表达式语法定义自定义因子，表达式引擎采用白名单校验机制，确保安全性。用户可在因子管理界面创建、编辑和管理自定义因子公式。

选股评分

StockScoringEngine 提供两种评分模式：

因子评分：基于多个因子的加权综合评分
ML 评分：基于机器学习模型的预测评分

2.3 机器学习建模模块

API 蓝图前缀：/api/ml-factor/*

核心服务：

MLModelManager（services/ml_models.py）：XGBoost / LightGBM / RandomForest 模型生命周期管理
ModelTrainingJobService（services/model_training_job_service.py）：异步训练任务轮询与管理

功能特性：

功能	说明
模型创建	支持 XGBoost、LightGBM、RandomForest 三大算法的模型创建
模型训练	支持同步与异步训练，异步训练通过 Celery 或内联模式执行
模型预测	训练完成的模型可直接用于股票预测
特征工程	因子组合与特征选择
性能评估	模型性能评估与多模型比较
训练任务管理	异步训练任务的提交、状态查询与管理

2.4 组合优化模块

API 蓝图前缀：/api/ml-factor/*

核心服务：

PortfolioOptimizer（services/portfolio_optimizer.py）：等权 / 均值方差 / 风险平价 / 因子中性

优化方法：

方法	说明	适用场景
等权重优化	所有股票分配相同权重	简单基准、等权组合
均值方差优化	基于 Markowitz 理论的均值-方差优化	追求风险调整后收益最大化
风险平价优化	基于风险贡献均衡的权重分配	风险均衡配置
因子中性组合	控制因子暴露度在中性水平	消除特定因子风险暴露

2.5 回测验证模块

API 蓝图前缀：/api/ml-factor/*

核心服务：

BacktestEngine（services/backtest_engine.py）：单策略与多策略回测

回测能力：

功能	说明
单策略回测	对单个选股策略进行历史回测验证
多策略比较	同时运行多个策略并比较绩效表现
年化收益率	计算策略的年化收益
夏普比率	风险调整后收益指标
最大回撤	策略的最大净值回撤幅度
胜率	盈利交易占比
卡尔玛比率	年化收益与最大回撤的比值

回测结果以可视化图表形式展示，支持净值曲线、收益分布等多种视图。

2.6 风险管理模块

API 蓝图前缀：/api/realtime-analysis/*

核心服务：

RealtimeRiskManager（services/realtime_risk_manager.py）：风险指标、预警管理、压力测试

功能特性：

功能	说明
投资组合持仓 CRUD	创建、查询、更新、删除投资组合持仓记录
实时价格刷新	通过通达信接口获取实时行情价格
风险指标监控	实时计算并展示组合风险指标
预警管理	设定预警规则，触发时自动通知
压力测试	模拟极端市场场景，分析组合表现

2.7 数据管理模块

API 蓝图前缀：/api/data-jobs/*

核心服务：

DataJobs（services/data_jobs/）：数据下载任务执行器

数据架构：

存储	用途	说明
Parquet 文件	市场行情数据	高性能列式存储，承载日线/分钟线行情、基本面、技术面、资金流数据
SQLite 数据库	应用状态	轻量级存储，管理持仓、报告、预警等低并发元数据
Redis 缓存	任务队列 & 缓存	Celery 任务 Broker、实时数据缓存、WebSocket 消息分发（可选）

数据下载工具（位于 app/utils/）：

工具	数据源	说明
`trade_calendar.py`	Tushare / Baostock	交易日历下载
`stock_basic.py`	Tushare / Baostock	股票基本信息下载
其他数据脚本	Tushare / Baostock	行情、财务等数据下载

注意：下载顺序为 trade_calendar.py → stock_basic.py → 其他脚本。

任务执行模式（通过 DATA_JOB_EXECUTION_MODE 环境变量控制）：

inline（默认开发模式）：在 Web 进程中直接执行，无需 Celery
celery（默认生产模式）：通过 Celery Worker 异步执行，需要 Redis

2.8 Text2SQL 自然语言查询模块

API 蓝图前缀：/api

核心服务：

Text2SQLEngine（services/text2sql_engine.py）：LLM 驱动的自然语言转 SQL 查询
LLMService（services/llm_service.py）：LLM 服务封装（Ollama / OpenAI）

功能说明：

用户可以使用自然语言描述查询需求，系统通过 LLM 将自然语言转换为 SQL 查询语句，直接查询股票数据。

LLM 配置：

配置	默认值	说明
默认提供商	Ollama	本地 LLM 服务
默认模型	qwen2.5-coder	阿里通义千问代码模型
可选提供商	OpenAI API	通过 `LLM_CONFIG` 配置切换

2.9 实时分析报告模块

API 蓝图前缀：/api/realtime-analysis/*

核心服务：

RealtimeReportGenerator（services/realtime_report_generator.py）：分析报告生成器

功能：基于实时行情数据和分析结果，自动生成可视化分析报告，涵盖市场概况、板块表现、个股分析等内容。

2.10 WebSocket 推送模块

API 蓝图前缀：/api/websocket/*

核心服务：

WebSocketPushService（app/websocket/websocket_push_service.py）：WebSocket 推送服务

功能：通过 WebSocket 实现数据的实时推送，支持实时行情、交易信号、风险预警等信息的即时通知。

三、系统架构概览

quantitative_analysis/
├── app/                              # 应用主目录
│   ├── __init__.py                  # Flask 工厂模式 (create_app)
│   ├── extensions.py                # 扩展初始化 (SQLAlchemy, SocketIO, Redis)
│   ├── api/                         # API 蓝图
│   │   ├── analysis_api.py          #   市场分析 API
│   │   ├── ml_factor_api.py         #   ML 因子管理 API
│   │   ├── realtime_analysis.py     #   实时分析 API
│   │   ├── realtime_indicators.py   #   实时指标 API
│   │   ├── realtime_signals.py      #   交易信号 API
│   │   ├── realtime_monitor.py      #   实时监控 API
│   │   ├── realtime_risk.py         #   风险管理 API
│   │   ├── realtime_report.py       #   分析报告 API
│   │   ├── text2sql_api.py          #   自然语言查询 API
│   │   ├── data_jobs_api.py         #   数据下载任务 API
│   │   └── websocket_api.py         #   WebSocket 管理 API
│   ├── models/                      # 数据模型 (SQLAlchemy + Parquet 事件)
│   ├── services/                    # 核心业务服务
│   ├── routes/                      # 页面路由 (HTML 渲染)
│   ├── templates/                   # Jinja2 HTML 模板
│   ├── static/                      # CSS / JS / 图片
│   ├── utils/                       # 数据下载脚本 (通达信/Baostock/Tushare)
│   ├── websocket/                   # WebSocket 推送服务
│   └── services/tongdaxin/          # 通达信行情客户端
├── data/                            # 数据目录
│   ├── stock_minute/                #   分钟级行情 Parquet
│   ├── ml_factor_state/             #   ML 因子状态 Parquet
│   └── realtime_events/            #   实时事件 Parquet
├── tests/                           # 测试用例
├── acceptance/                      # 验收标准与里程碑
├── config.py                        # 配置管理
├── run.py                           # Web 启动入口
└── run_system.py                    # 初始化与诊断工具

四、核心服务一览

服务	文件	职责
FactorEngine	`services/factor_engine.py`	内置因子计算与自定义因子管理
FactorExpressionEngine	`services/factor_expression_engine.py`	白名单校验的自定义因子公式引擎
MLModelManager	`services/ml_models.py`	XGBoost / LightGBM / RandomForest 模型生命周期
ModelTrainingJobService	`services/model_training_job_service.py`	异步训练任务轮询与管理
StockScoringEngine	`services/stock_scoring.py`	因子评分与 ML 评分的综合选股引擎
PortfolioOptimizer	`services/portfolio_optimizer.py`	等权 / 均值方差 / 风险平价 / 因子中性
BacktestEngine	`services/backtest_engine.py`	单策略与多策略回测
Text2SQLEngine	`services/text2sql_engine.py`	LLM 驱动的自然语言转 SQL 查询
RealtimeIndicatorEngine	`services/realtime_indicator_engine.py`	实时技术指标计算
RealtimeTradingSignalEngine	`services/realtime_trading_signal_engine.py`	多策略交易信号生成与融合
RealtimeRiskManager	`services/realtime_risk_manager.py`	风险指标、预警管理、压力测试
DataJobs	`services/data_jobs/`	数据下载任务执行器（Inline / Celery）

五、API 蓝图一览

URL 前缀	功能域
`/api`	主 API — 股票、分析、Text2SQL
`/api/ml-factor/*`	因子管理、ML 模型、选股评分、组合优化
`/api/data-jobs/*`	数据下载任务提交与状态查询
`/api/realtime-analysis/*`	实时指标、信号、监控、风险、报告
`/api/websocket/*`	WebSocket 管理端点

六、快速开始

1. 克隆 & 安装

git clone <repository-url>
cd quantitative_analysis

# 安装依赖
pip install -r requirements.txt

# 如遇兼容问题，使用最小依赖
pip install -r requirements_minimal.txt

2. 下载数据

下载预打包的 A 股历史数据，解压到 data/ 目录即可。也可通过系统内的数据管理页面在线更新。

3. 启动系统

# 启动 Web 服务
python run.py

# 访问地址
http://localhost:5000    # Web 界面
http://localhost:5000/api # API 入口

容器化启动（可选）

cp .env.example .env
docker compose up --build

默认启动 Web + SQLite + Redis；市场数据和 ML 因子状态仍使用本地 Parquet 文件。

七、配置说明

所有配置通过 config.py 管理，支持环境变量 .env 文件覆盖。

配置项	默认值	说明
`DATA_SOURCE`	`parquet`	数据源类型
`SQLALCHEMY_DATABASE_URI`	SQLite	应用状态数据库
`REDIS_HOST / REDIS_PORT`	`localhost:6379`	Redis 连接（Celery/缓存）
`FLASK_ENV`	`development`	运行环境
`DATA_JOB_EXECUTION_MODE`	`inline`	任务执行模式（inline / celery）
`LLM_CONFIG`	Ollama (qwen2.5-coder)	LLM 提供商配置

八、项目定位

✅ 适用场景

量化交易入门学习
策略研究与验证
二次开发与定制
量化系统架构参考

❌ 不适用场景

直接用于实盘交易
高频交易系统

九、版本历史

版本	日期	内容
v1.0.0	2025-06-01	多因子选股系统初始版本：因子管理和计算、机器学习模型集成、组合优化、回测验证引擎、Web 界面和 API 接口
v2.0.0-parquet	2026-06-06	架构升级：从 MySQL 迁移到 Parquet + SQLite，零外部数据库依赖。新增实时行情分析模块、通达信行情接入、日频数据中心、投资组合管理完整闭环、报告可视化、离线数据包

多因子选股系统 — 面向 A 股市场的全链路量化分析平台
MIT License

DEV Community

开源量化分析软件功能介绍

📈 多因子选股系统 — 项目功能介绍

一、整体功能介绍

核心能力总览

请求流程

技术栈

二、各模块功能介绍

2.1 实时行情分析模块

2.2 因子与选股模块

内置因子（12 个）

自定义因子

选股评分

2.3 机器学习建模模块

2.4 组合优化模块

2.5 回测验证模块

2.6 风险管理模块

2.7 数据管理模块

2.8 Text2SQL 自然语言查询模块

2.9 实时分析报告模块

2.10 WebSocket 推送模块

三、系统架构概览

四、核心服务一览

五、API 蓝图一览

六、快速开始

1. 克隆 & 安装

2. 下载数据

3. 启动系统

容器化启动（可选）

七、配置说明

八、项目定位

✅ 适用场景

❌ 不适用场景

九、版本历史

Top comments (0)