多因子选股系统

一个功能完整的多因子选股系统，集成了因子计算、机器学习建模、股票选择、组合优化和回测验证等功能。

本系统仅限于学习交流，需要二次开发或定制化开发，请联系

🌟 系统特色

核心功能

• 📊 因子管理: 内置12个常用因子，支持自定义因子创建
• 🤖 机器学习: 支持随机森林、XGBoost、LightGBM等算法
• 🎯 智能选股: 基于因子和ML模型的多种选股策略
• 📈 组合优化: 等权重、均值-方差、风险平价等优化方法
• 🔄 回测验证: 完整的策略回测和多策略比较
• 📋 分析报告: 行业分析、因子贡献度等深度分析

技术架构

• 后端: Python 3.8+ / Flask / SQLAlchemy
• 数据处理: Pandas / NumPy / Scikit-learn
• 机器学习: XGBoost / LightGBM / CVXPY
• 前端: Bootstrap 5 / JavaScript
• 数据库: MySQL / SQLite

🚀 快速开始

1. 环境要求

• Python 3.8+
• MySQL 5.7或8.x

2. 安装依赖

# 克隆项目
git clone <repository-url>
cd quantitative_analysis

# 安装依赖
pip install -r requirements.txt

3. 启动系统

# 使用启动脚本
python run_system.py

# 或者直接运行（推荐）
python app.py

遇到以下问题

Traceback (most recent call last):
  File "/root/stock/run.py", line 9, in <module>
    app = create_app(os.getenv('FLASK_ENV', 'default'))

执行：pip install eventlet

4. 访问系统

• Web界面: http://localhost:5000
• API文档: http://localhost:5000/api

📖 使用指南

系统启动器

运行 python run_system.py 后，选择相应操作：

1. 检查系统依赖 - 验证Python版本和必需包
2. 初始化数据库 - 创建数据表和内置因子
3. 启动Web服务器 - 启动开发模式服务器
4. 启动Web服务器(生产模式) - 启动生产模式服务器
5. 运行系统演示 - 执行完整功能演示
6. 显示系统信息 - 查看系统功能概览

Web界面操作

1. 仪表盘

• 查看系统状态和统计信息
• 快速访问主要功能

2. 因子管理

• 查看内置因子列表
• 创建自定义因子
• 计算因子值

3. 模型管理

• 创建机器学习模型
• 训练模型
• 模型预测

4. 股票选择

• 基于因子的选股
• 基于ML模型的选股
• 配置选股参数

5. 组合优化

• 多种优化方法
• 约束条件设置
• 权重分配结果

6. 分析报告

• 行业分析
• 因子贡献度分析

7. 回测验证

• 单策略回测
• 多策略比较

API接口使用

因子相关接口

import requests

# 获取因子列表
response = requests.get('http://localhost:5000/api/ml-factor/factors/list')

# 创建自定义因子
factor_data = {
    "factor_id": "custom_momentum",
    "factor_name": "自定义动量因子",
    "factor_type": "momentum",
    "factor_formula": "close.pct_change(10)",
    "description": "10日价格变化率"
}
response = requests.post('http://localhost:5000/api/ml-factor/factors/custom', json=factor_data)

# 计算因子值
calc_data = {
    "trade_date": "2024-01-15",
    "factor_ids": ["momentum_1d", "momentum_5d"]
}
response = requests.post('http://localhost:5000/api/ml-factor/factors/calculate', json=calc_data)

模型相关接口

# 创建模型
model_data = {
    "model_id": "my_xgb_model",
    "model_name": "我的XGBoost模型",
    "model_type": "xgboost",
    "factor_list": ["momentum_1d", "momentum_5d", "volatility_20d"],
    "target_type": "return_5d"
}
response = requests.post('http://localhost:5000/api/ml-factor/models/create', json=model_data)

# 训练模型
train_data = {
    "model_id": "my_xgb_model",
    "start_date": "2023-01-01",
    "end_date": "2023-12-31"
}
response = requests.post('http://localhost:5000/api/ml-factor/models/train', json=train_data)

选股相关接口

# 基于因子选股
selection_data = {
    "trade_date": "2024-01-15",
    "factor_list": ["momentum_1d", "momentum_5d"],
    "method": "equal_weight",
    "top_n": 50
}
response = requests.post('http://localhost:5000/api/ml-factor/scoring/factor-based', json=selection_data)

# 基于ML模型选股
ml_selection_data = {
    "trade_date": "2024-01-15",
    "model_ids": ["my_xgb_model"],
    "top_n": 50
}
response = requests.post('http://localhost:5000/api/ml-factor/scoring/ml-based', json=ml_selection_data)

组合优化接口

# 组合优化
optimization_data = {
    "expected_returns": {"000001.SZ": 0.05, "000002.SZ": 0.03},
    "method": "mean_variance",
    "constraints": {
        "max_weight": 0.1,
        "risk_aversion": 1.0
    }
}
response = requests.post('http://localhost:5000/api/ml-factor/portfolio/optimize', json=optimization_data)

🏗️ 系统架构

目录结构

stock_analysis/
├── app/                    # 应用主目录
│   ├── api/               # API接口
│   ├── models/            # 数据模型
│   ├── services/          # 业务服务
│   ├── routes/            # 路由
│   └── utils/             # 工具函数
├── templates/             # HTML模板
├── static/               # 静态文件
├── examples/             # 使用示例
├── config.py             # 配置文件
├── requirements.txt      # 依赖包
├── run_system.py         # 系统启动器
└── README.md            # 说明文档

核心模块

1. 因子引擎 (FactorEngine)

• 因子定义管理
• 因子值计算
• 支持自定义公式

2. 机器学习管理器 (MLModelManager)

• 模型创建和训练
• 预测和评估
• 支持多种算法

3. 股票打分引擎 (StockScoringEngine)

• 因子打分
• ML模型打分
• 综合评分

4. 组合优化器 (PortfolioOptimizer)

• 多种优化算法
• 约束条件支持
• 风险模型估计

5. 回测引擎 (BacktestEngine)

• 策略回测
• 性能指标计算
• 多策略比较

📊 内置因子

动量因子

• momentum_1d: 1日动量
• momentum_5d: 5日动量
• momentum_20d: 20日动量

波动率因子

• volatility_20d: 20日波动率

技术指标

• rsi_14: RSI相对强弱指标

成交量因子

• turnover_rate: 换手率

基本面因子

• pe_ratio: 市盈率
• pb_ratio: 市净率
• roe: 净资产收益率
• debt_ratio: 资产负债率
• current_ratio: 流动比率
• gross_margin: 毛利率

🔧 配置说明

数据库配置

在 config.py 中修改数据库连接：

# SQLite (默认)
SQLALCHEMY_DATABASE_URI = 'sqlite:///stock_analysis.db'

# MySQL
SQLALCHEMY_DATABASE_URI = 'mysql+pymysql://user:password@localhost/stock_analysis'

日志配置

LOG_LEVEL = 'INFO'
LOG_FILE = 'logs/app.log'

🧪 运行演示

系统提供了完整的功能演示：

# 运行完整演示
python examples/complete_system_example.py

# 或通过启动器运行
python run_system.py
# 选择 "5. 运行系统演示"

演示内容包括：

1. 因子管理演示
2. 模型管理演示
3. 股票选择演示
4. 组合优化演示
5. 集成选股和优化演示
6. 回测验证演示
7. 分析功能演示

📈 性能指标

系统支持的回测指标：

• 总收益率
• 年化收益率
• 年化波动率
• 夏普比率
• 最大回撤
• 胜率
• 卡尔玛比率

🛠️ 开发指南

添加自定义因子

1. 在因子管理界面创建因子定义
2. 编写因子计算公式
3. 测试因子计算结果

扩展机器学习模型

1. 在 MLModelManager 中添加新算法
2. 实现训练和预测方法
3. 更新API接口

添加优化算法

1. 在 PortfolioOptimizer 中实现新方法
2. 添加约束条件支持
3. 测试优化结果

🐛 故障排除

⚠️ 依赖包兼容性问题

如果遇到 empyrical 或 TA-Lib 安装失败，请使用修复版启动脚本：

# 使用修复版快速启动（推荐）
python quick_start_fixed.py

# 或使用最小化依赖
pip install -r requirements_minimal.txt

详细解决方案请查看：安装指南

常见问题

1. 依赖包安装失败

   # 方案1：使用修复版启动脚本
   python quick_start_fixed.py
   
   # 方案2：手动安装核心依赖
   pip install Flask pandas numpy scikit-learn
   
   # 方案3：使用国内镜像
   pip install -r requirements_minimal.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

2. Python版本兼容性

   • 推荐使用 Python 3.8-3.11
   • Python 3.12 可能有部分包兼容性问题
   • 使用修复版脚本可以自动处理

3. 数据库连接失败

   • 检查数据库配置
   • 确保数据库服务运行
   • 验证连接权限

4. 因子计算失败

   • 检查数据是否存在
   • 验证因子公式语法
   • 查看日志错误信息

5. 模型训练失败

   • 确保有足够的训练数据
   • 检查因子数据完整性
   • 调整模型参数

📝 更新日志

v1.0.0 (2025-06-01)

• 完整的多因子选股系统
• 支持因子管理和计算
• 机器学习模型集成
• 组合优化功能
• 回测验证引擎
• Web界面和API接口

📄 许可证

本项目采用 MIT 许可证。

🤝 贡献

欢迎提交Issue和Pull Request来改进这个项目。

---

多因子选股系统 - 让量化投资更简单！