PyQuantLab — Python 量化交易平台

一站式 Python 量化交易平台：覆盖从行情数据、策略研发、向量化回测、风险分析到组合优化的完整量化工作流。 提供 PyQt5 原生桌面 GUI 与 Streamlit Web UI 双界面，无需浏览器即可完成全部研究流程。

⚠️ 本项目仅供量化研究与教育学习使用，不构成任何投资建议。

---

目录

• 功能特性
• 快速开始
• 使用指南
• 扩展新策略
• 项目结构
• 修改日志
• License

---

功能特性

特性	说明
📡 实时行情	实时报价 + 分时图自动刷新（60s 轮询，间隔可配）
🖥️ 原生桌面 GUI	PyQt5 实现，无需浏览器
🗄️ 数据管理	yfinance 下载历史数据，本地 Parquet 缓存
🧠 策略引擎	内置 4 策略：均线交叉 / RSI / MACD / 布林带
🧩 插件架构	实现基类 + 注册即可添加新策略，UI 自动生成参数控件
⚡ 向量化回测	佣金 + 滑点建模，单策略/多策略对比
📊 绩效指标	Sharpe / Sortino / Calmar / 最大回撤 / VaR-CVaR / alpha-beta
🛡️ 风险分析	回撤分析、滚动指标、压力测试、尾部风险
🏦 组合优化	均值-方差（最大 Sharpe / 最小方差）、风险平价、等权
🎲 蒙特卡洛模拟	Cholesky 分解前瞻组合模拟
🗄️ 回测数据治理	point-in-time 数据层（as_of 时间戳防前视）、幸存者偏差处理、数据质量报告
⚙️ 事件驱动引擎	engine/ 事件循环（信号→订单→撮合→核算），多标的、插件回调、可复现
💰 成本与滑点	佣金/印花税/过户费/半价差/冲击成本/篮子加成，逐笔明细可审计
📈 绩效评估增强	Sharpe/Sortino/Calmar/VaR-CVaR + 月度热力图 + HTML 报告 + trade 导出
🔄 ETF 套利	IOPV/NAV/PCF 数据层、折溢价信号与阈值、篮子同步执行、申赎模拟、套利回测
🧠 ML/DL 建模	防泄漏特征流水线、Purged CV + Walk-forward、LightGBM 基线 + PyTorch LSTM/Transformer
🛡️ 过拟合检测	Deflated Sharpe / PBO / CSCV 过拟合评估与上线建议

快速开始

方式一：源码运行（桌面 GUI）

git clone https://github.com/Misaka4396/PyQuantLab.git
cd PyQuantLab
pip install -r requirements.txt
python launcher_qt.py

方式二：Web UI（Streamlit）

streamlit run app.py
# 浏览器打开 http://localhost:8501

方式三：独立 EXE（免 Python）

pip install pyinstaller
pyinstaller PyQuantLab_Qt.spec --noconfirm
# 产物: dist/PyQuantLab/PyQuantLab.exe

使用指南

步骤	操作
1. 实时行情	输入代码监视实时价格，切换自动刷新与分时图周期
2. 数据管理	输入代码 + 日期范围下载历史数据，本地 Parquet 缓存
3. 策略配置	选择策略调整参数，买卖信号实时预览在价格图上
4. 运行回测	设置资金/佣金/滑点，单策略或全策略横向对比
5. 结果与风险	六大分析页：概览 / 权益曲线 / 回撤 / 交易分析 / 风险指标 / 压力测试
6. 组合模拟	优化权重（最大 Sharpe/最小方差/风险平价）+ 蒙特卡洛交互图表

扩展新策略

1. 创建 strategy/my_strategy.py，实现 BaseStrategy：

from strategy.base import BaseStrategy
import pandas as pd


class MyStrategy(BaseStrategy):
    @classmethod
    def get_name(cls) -> str:
        return "My Strategy"

    @classmethod
    def get_param_spec(cls) -> dict:
        return {
            "param1": {
                "type": "int",
                "default": 10,
                "min": 1,
                "max": 100,
                "step": 1,
                "label": "参数1",
                "help": "说明",
            }
        }

    def generate_signals(self, data: pd.DataFrame) -> pd.Series:
        # 返回: 1(买) / -1(卖) / 0(持有)
        pass

2. 在 strategy/registry.py 注册：

from strategy.my_strategy import MyStrategy

registry.register(MyStrategy)

新策略自动出现在 UI 下拉框中，参数控件自动生成。

项目结构

PyQuantLab/
├── launcher_qt.py       # 桌面应用入口 (PyQt5)
├── launcher.py          # Streamlit Web 入口
├── app.py               # Streamlit 应用
├── config.py            # 全局配置
├── cost_model.py        # 交易成本与滑点模型（A3）
├── cost_config.py       # 成本参数集中配置
├── data/                # 行情/缓存/编排 + A1 数据治理（pit/survivorship/data_loader/quality_report/schemas）
├── strategy/            # 策略基类 + 4 内置策略
├── engine/              # A2 事件驱动回测引擎（events/order/matching/portfolio/accounting）
├── backtest/            # 向量化回测 + 绩效指标 + A4 报告（metrics_enhanced/report）
├── portfolio/           # 组合优化 + 蒙特卡洛
├── etf/                 # B ETF 套利专项（数据层/信号/篮子执行/回测集成）
├── ml/                  # C ML/DL 专项（特征/CV/训练/过拟合检测）
├── core/                # 核心类型与异常
└── ui/
    ├── main_window.py   # PyQt5 主窗口
    ├── charts_qt.py     # Matplotlib 图表工厂
    ├── pages_qt/        # 6 个 PyQt5 页面组件
    ├── pages/           # 5 个 Streamlit 页面
    └── components/      # Streamlit 图表组件

量化研究增强层（v1.2.0 新增）

专项	模块	说明
A 通用底座	data/pit.py 等	point-in-time 数据治理，杜绝未来函数与幸存者偏差
A 通用底座	engine/	事件驱动回测引擎，为 ETF 篮子下单与 ML 滚动重训预留扩展点
A 通用底座	cost_model.py	佣金/印花税/过户费/价差/冲击/篮子成本，逐笔明细可审计
A 通用底座	backtest/metrics_enhanced.py	完整绩效指标 + 一键 HTML/PNG 报告
B ETF 套利	etf/	IOPV/NAV/PCF 对齐、折溢价信号、篮子同步执行、套利回测（理想 vs 真实执行双模式）
C ML/DL	ml/	防泄漏特征、Purged CV + Walk-forward、LightGBM/PyTorch 训练、过拟合检测（DSR/PBO/CSCV）

修改日志

详见 CHANGELOG.md。

质量与工程化

维度	状态
测试体系	164 用例三层金字塔：单元 146 + 集成 8 + E2E 冒烟 10（pytest tests/ -q）
覆盖率门禁	≥80%（pyproject.toml fail_under=80）
Lint/Format	ruff（0 错误）+ pre-commit 提交前自动检查
提交规范	Conventional Commits（commitizen 强制，commit-msg hook）
CI	GitHub Actions：lint → 测试 → 覆盖率门禁（.github/workflows/ci.yml）
API 文档	pdoc 在线文档，scripts/build_docs.ps1 一键重建

打包发布（exe）

桌面版与 ML 训练器为独立 exe + 共享 DLL 目录结构，发布时三者缺一不可：

dist/
├── PyQuantLab/          # 主程序 GUI（双击 PyQuantLab.exe）
├── PyQuantLab_ML/       # ML/DL 训练器（命令行 ml-trainer）
└── PyQuantLab_common/   # 共享 mkl 数学库（两 exe 共用，勿删）

• 主程序：dist\PyQuantLab\PyQuantLab.exe 双击运行
• ML 训练器：dist\PyQuantLab_ML\PyQuantLab_ML.exe train/registry/overfit --help
• 重新打包：python -m PyInstaller PyQuantLab_Qt.spec --noconfirm（主程序）/ PyQuantLab_ML.spec（ML）；共享目录用 scripts/build_common.ps1

API 文档

在线 API 文档（pdoc 生成：powershell -File scripts/build_docs.ps1）。

贡献

欢迎贡献！请阅读 CONTRIBUTING.md（开发环境 / 代码规范 / 测试 / 提交规范 / PR 流程），并遵守 行为准则。

License

MIT License — 详见 LICENSE