shellway/quanxiel
1
0
Fork 0
Code Issues 16 Pull Requests Actions Packages Projects Releases Wiki Activity
Files
25b0aacf524b42dfcc138152df48e8dbcacb5f9c
quanxiel/docs/ROADMAP.md
T

11 KiB
Raw Blame History

quanxiel 量化系统 · 完善路线图（ROADMAP）

编制：小五 | 2026-09-28 定位：在现有「数据导入 + alpha 研究闭环」基础上，补齐 回测可信度 / 风控 / 归因 / 自动化 四块地基，打通「研究 → 实盘」。

0. 现状定位

已有 位置
数据导入（Tushare / 同花顺）+ 增量 + schema quantitative_data/
数据加载（DB + 模拟回退） alpha/data_loader.py
因子研究（注册表 / IC / 分层 / 中性化 / 换手） alpha/factors.py
策略（信号生成 / 分位 / 组合打分 / 权重） alpha/strategy.py
事件驱动回测（组合 / 持仓 / 交易成本） alpha/backtest.py
绩效评估（收益 / 风险 / 报告） alpha/evaluation.py
7 个策略 notebook alpha/*.ipynb

结论：研究闭环已成；「研究 → 实盘」的整条链路基本缺失。缺口见下表。

1. 模块矩阵（已有 / 不完整 / 缺失）

层 状态 说明
数据导入 ✅ 行情/财务/基本面/增量
数据质检 ⚠️ 仅 check_daily_coverage，缺系统化 DQ
Point-in-Time ❌ 财报未按公告日对齐；无成分股历史快照
因子研究 ✅ 基础技术+基本面因子
风格/风险模型 ❌ 无 Barra 类暴露与正交化
组合构建 ⚠️ 有简单权重，无优化器/约束求解
回测引擎 ⚠️ 无涨跌停/停牌/T+1/整手/参与率约束
风控 ❌ 基本空白
归因分析 ❌ 无
稳健性验证 ❌ 无 WFO / PBO
实盘执行 ❌ 无交易接口/订单管理/对账
工程运维 ⚠️ 有导入脚本，无调度/监控
报告可视化 ⚠️ 有 markdown/df，无自动报告/dashboard

2. P0 — 让研究「可信」（最先做）

不做这层，回测收益大概率是假的（未来函数 + 不可成交 + 无风控）。

P0-1 回测真实性：A 股交易规则引擎

  • 新增 alpha/market_rules.py
  • 接口： 
    class MarketRules:
    """A股交易规则约束，供回测下单前校验"""
    def can_buy(self, ts_code, date, price) -> bool: ...      # 涨停/停牌/次新
    def can_sell(self, ts_code, date, price) -> bool: ...     # 跌停/停牌
    def round_lot(self, qty, side) -> int: ...                # 100股整手（卖出可零股）
    def max_volume(self, ts_code, date, participation=0.1) -> float: ...  # 参与率上限
    def is_tradable(self, ts_code, date) -> bool: ...         # 停牌过滤
  • 集成：BacktestEngine(config, market_rules=MarketRules(...))；下单前 execute() 走校验
  • 数据依赖：daily 已有 pre_close/pct_chg，涨跌停按 ±10%/±20% 阈值 + stock_basic.market 判定；停牌用 vol=0 或 trade_cal
  • 验收：构造一个"次日涨停买入"用例，断言该笔被拒

P0-2 Point-in-Time（防未来函数）

  • 数据侧 quantitative_data/schema.sql 新增表 index_weight（成分股历史） 
    CREATE TABLE index_weight (
    index_code VARCHAR(20), con_code VARCHAR(20),
    trade_date DATE, weight NUMERIC(10,6),
    PRIMARY KEY (index_code, con_code, trade_date));
  • 加载侧 alpha/data_loader.py 增加 as_of 语义 
    def load_financials(self, fields, start, end, as_of=None):
    """as_of 非空时，仅取 ann_date <= as_of 的财报（点对点快照）"""
def load_universe(self, index_code, date) -> list[str]:
    """取 date 当日在成分列表内的股票（历史成分）"""
  • 验收：同一财报在公告日前后取到不同值（公告前取不到）

P0-3 风控限额（事前约束）

  • 新增 alpha/risk/limits.py 
    class RiskLimits:
    def __init__(self, config: AlphaConfig): ...
    def clamp_weights(self, weights, industry_map) -> pd.Series: ...
        # 单票上限 max_position_pct / 行业上限 / 总仓位
    def check_drawdown_stop(self, nav_curve) -> bool: ...     # 回撤熔断
    def risk_budget(self, weights, cov) -> dict: ...          # 风险预算/贡献
  • 集成：回测每期调仓前 clamp_weights；净值触发回撤阈值→降仓/清仓
  • 验收：给定超限组合，输出满足全部限额的权重

3. P1 — 提升质量

P1-4 收益归因

  • 新增 alpha/attribution.py 
    class BrinsonAttribution:
    def run(self, portfolio_weights, benchmark_weights,
            returns, industry_map) -> pd.DataFrame:
        """返回 配置/选股/交互 三因子分解"""
class FactorAttribution:
    def run(self, weights, factor_exposures, factor_returns) -> dict:
        """因子收益贡献分解"""

P1-5 组合优化器

  • 新增 alpha/optimizer.py（依赖 cvxpy） 
    class MeanVariance:   def solve(self, mu, cov, constraints) -> weights
class RiskParity:     def solve(self, cov) -> weights
class BlackLitterman: def solve(self, prior, views, ...) -> mu
# constraints: 行业/风格中性、换手上限、个股上限、多空约束
  • 验收：约束可行域内求解，权重和=1，满足全部约束

P1-6 稳健性 / 过拟合检验

  • 新增 alpha/validation.py 
    class WalkForward:   def run(self, strategy_factory, folds) -> pd.DataFrame  # 滚动样本外
def pbo(returns_matrix) -> float        # 过拟合概率 (Bailey et al.)
def deflated_sharpe(returns, n_trials) -> float
def sensitivity(param_grid, evaluator) -> pd.DataFrame

4. P2 — 走向实盘

P2-7 调度 + 监控

  • ops/daily_pipeline.py：盘后自动 增量导入 → 信号生成 → 风控 → 报告
  • 调度：群晖 DSM 计划任务 / cron；失败告警走 OpenClaw（webhook）
  • 新增 ops/monitor.py：数据到达检测、任务失败、仓位异常

P2-8 实盘执行 + 对账

  • 新增 execution/ 
    class BrokerAdapter(ABC):
    def place_order(self, order) -> str: ...
    def cancel_order(self, order_id): ...
    def query_position(self) -> pd.DataFrame: ...
class QmtAdapter(BrokerAdapter): ...      # A股 QMT/miniQMT
class SimAdapter(BrokerAdapter): ...      # 仿真盘
  • 对账：每日 query_position vs 内部账本，差异告警

P2-9 报告 + Dashboard

  • 新增 report/：自动日报/周报（净值/回撤/持仓/归因/暴露）
  • Dashboard：复用 gemdalepi 静态站点方式，生成净值/回撤/暴露可视化页

5. 目录规划（目标）

quanxiel/
├── quantitative_data/     # 数据（现有）+ index_weight
├── alpha/                 # 研究（现有）
│   ├── market_rules.py    # [P0-1] 新增
│   ├── risk/              # [P0-3] 新增
│   ├── attribution.py     # [P1-4] 新增
│   ├── optimizer.py       # [P1-5] 新增
│   └── validation.py      # [P1-6] 新增
├── execution/             # [P2-8] 新增
├── report/                # [P2-9] 新增
└── ops/                   # 运维（现有）+ daily_pipeline.py / monitor.py

6. 建议实施顺序

  1. P0-1 交易规则 → 2. P0-2 PIT → 3. P0-3 风控限额
  2. P1-4 归因 → 5. P1-5 优化器 → 6. P1-6 稳健性
  3. P2-7 调度 → 8. P2-8 实盘 → 9. P2-9 报告

交付节奏建议：每个模块「接口 + 最小实现 + 单测/验收用例」三件套，合入前跑通验收。

7. 版本 v1.1 — 书库佐证与增补（2026-09-28）

依据自家 talebook 书库 8 本量化书交叉验证本路线图，补充以下模块与验收项。 参考书（talebook id）：打开量化投资的黑箱(155) · Quantitative Trading, Chan(986) · Python for Algorithmic Trading, Hilpisch(1125) · 主动投资组合管理, Grinold&Kahn(183) · 量化交易之路, 阿布(149) · Python量化交易教程(167) · Quantitative Trading: Algorithms... Guo(983) · 量化投资策略:超额收益Alpha(1202)

7.1 目标架构对齐「黑箱」六模型

《黑箱》(155) 给出交易系统标准结构：Alpha 模型 + 风险模型 + 交易成本模型 → 投资组合构建模型 ↔ 执行模型（另含 数据 / 研究）。

黑箱模块 本项目对应 状态
Alpha 模型 alpha/factors.py + alpha/strategy.py ✅
风险模型 需新增 alpha/risk/risk_model.py（因子协方差/暴露） ❌
交易成本模型 alpha/config.py 有费率，缺滑点/市场冲击模型 ⚠️
组合构建模型 有简单权重，缺优化器 ⚠️
执行模型 需新增 execution/ ❌

结论：现有目录只覆盖了黑箱 6 模型中的 Alpha +（半）组合构建；风险模型、成本模型、执行模型需显式补齐。

7.2 新增模块（在原 P0/P1/P2 上增补）

  • P0-4 数据质检细化（986：数据是否复权/是否 survivorship-bias free）→ 新增 quantitative_data/dq.py：①复权口径核对(除权除息) ②幸存者偏差检查（point-in-time 股票池）③高低价数据口径 ④停牌/退市标记
  • P1-7 资金管理 / 仓位分配（149 凯利公式；986 Optimal Capital Allocation）→ 新增 alpha/money_mgmt.py：Kelly / 固定比例 / 波动率目标；对应"避免重仓"
  • P1-8 因子处理流水线显式化（167 优矿 RDP：去极值/中性化/标准化）→ 新增 alpha/preprocess.py：winsorize() / zscore() / neutralize(industry, size)，做成可复用管线（factors.py 已有部分，建议独立）
  • P2-10 部署工程化（1125 副标题即 From Idea to Cloud Deployment）→ Docker 化 + 依赖锁定 + CI(单测) + 定时任务容器化
  • P2-11 纸面交易 / 仿真盘（986：Paper Trading 是"最终的样本外检验"）→ execution/SimAdapter + 与回测结果对比报告，建议提前为 P2 第一项

7.3 方法论 / 验收项增补

  • 回测偏差自检清单（986 第3章 / 1125 第4章）：前视偏差 · 数据窥探(data-snooping) · 交易成本 · 幸存者偏差 · 高低价数据 —— 作为回测模块验收 checklist
  • 样本外 + 参数近邻稳定性（155/149）：网格寻优后检查近邻参数结果是否相近；不相近 ⇒ 疑似过拟合
  • 数据挖掘四方针（183）：直觉 · 克制 · 合乎情理 · 样本外测试
  • IC→Alpha 基本定律（183 预测基本定理）：α = IC × 波动率 × 标准化信号，IR = IC × √广度；建议在 P1-5 优化器上游加入此转换，用于衡量研究"深度 vs 广度"

7.4 修订后的实施顺序

  1. P0-4 数据质检 → 2. P0-1 交易规则 → 3. P0-2 PIT → 4. P0-3 风控
  2. P1-8 因子管线 → 6. P1-4 归因 → 7. P1-7 资金管理 → 8. P1-5 优化器 → 9. P1-6 稳健性
  3. P2-11 仿真盘 → 11. P2-10 部署工程化 → 12. P2-7 调度监控 → 13. P2-8 实盘 → 14. P2-9 报告

7.5 主要「新发现」的缺口（原 ROADMAP 未列）

  1. 资金管理/仓位分配（凯利/波动率目标）—— 原稿完全没有
  2. 交易成本模型细化到滑点 + 市场冲击（不只费率）
  3. 显式风险模型（因子协方差/暴露），而非仅在 config 里放限额
  4. 纸面交易作为回测→实盘之间的强制关卡
  5. 部署工程化（Docker/CI/云）—— 原稿只在 P2 一句带过
Reference in New Issue View Git Blame Copy Permalink