基于迅投量化（XTquant）的完整量化交易框架，包含数据管理、技术分析、策略开发、回测和实盘交易功能。
- 📊 数据管理：行情数据下载、财务数据获取、本地缓存
- 📈 技术分析：MA、MACD、KDJ 等技术指标计算和图表绘制
- 📉 财务分析：PE、PB、ROE 等财务指标评分
- 🎯 智能选股：基于技术+财务的多维度选股
- 🤖 机器学习选股：基于47因子+ML模型的多因子选股策略
- 🛡️ 风控系统：RSRS择时、ATR动态止损、市场宽度计算
- 🤖 策略回测：完整的回测引擎和性能分析
- 💹 实盘交易：异步交易、实时监控、自动交易
- 📡 实时监控：订单生命周期跟踪、成交记录、统计分析
- 安装迅投 MiniQMT 客户端：xtquant 需要连接 MiniQMT 客户端才能使用
- 启动 MiniQMT：运行代码前必须先启动 MiniQMT 客户端并登录
- Python 3.8+
# 安装所有依赖
pip install -r requirements.txt
# 依赖包括：
# - xtquant（需要连接MiniQMT客户端）
# - pandas, numpy（数据处理）
# - matplotlib, mplfinance（图表绘制）
# - lightgbm, scikit-learn（ML模型支持）
# - statsmodels（RSRS计算）
# - schedule（定时任务调度）
# - pytest, pytest-cov（测试工具）from examples.main import QuantFramework
from src.strategy.strategies import MACDStrategy
# 创建框架实例
framework = QuantFramework()
# 下载历史数据
framework.download_data('002352.SZ', '1d', '20240101', '20241231')
# 运行策略回测
strategy = MACDStrategy()
result = framework.run_backtest('002352.SZ', strategy, '1d', '20240101', '20241231')XTquantdemo1/
├── src/ # 源代码目录
│ ├── data/ # 数据模块
│ │ ├── market_data.py # 行情数据管理
│ │ └── financial_data.py # 财务数据管理
│ ├── analysis/ # 分析模块
│ │ ├── technical.py # 技术指标分析
│ │ ├── fundamental.py # 财务指标分析
│ │ └── factor_calculator.py # 多因子计算（47个因子）
│ ├── selection/ # 选股模块
│ │ └── selector.py # 选股逻辑（包含MLStockSelector）
│ ├── strategy/ # 策略模块
│ │ ├── strategies.py # 交易策略（MACD、MA、KDJ、MLMultiFactorStrategy等）
│ │ └── risk_control.py # 风控模块（RSRS、ATR、市场宽度）
│ ├── backtest/ # 回测模块
│ │ ├── engine.py # 回测引擎
│ │ └── analyzer.py # 性能分析器
│ ├── trading/ # 交易模块
│ │ ├── trader.py # 交易接口（同步/异步）
│ │ ├── auto_trader.py # 自动交易器
│ │ └── trade_monitor.py # 交易监控器（实时监控）
│ └── core/ # 核心模块
│ ├── config.py # 配置管理
│ └── utils.py # 工具函数
├── examples/ # 示例代码目录
│ ├── main.py # QuantFramework 主类
│ ├── complete_example.py # 完整功能示例（推荐）
│ ├── data_example.py # 数据管理示例
│ ├── analysis_example.py # 分析功能示例
│ ├── strategy_example.py # 策略功能示例
│ ├── backtest_example.py # 回测功能示例
│ ├── stock_selection_example.py # 选股功能示例
│ ├── trade_example.py # 交易功能示例
│ ├── async_trade_monitor_example.py # 异步交易+监控示例
│ ├── ml_strategy_example.py # ML多因子策略示例
│ └── README.md # 示例说明文档
├── tests/ # 测试代码
├── run_tests.py # 测试运行脚本
├── pytest.ini # Pytest配置
├── .coveragerc # 覆盖率配置
├── requirements.txt # 依赖包列表
└── README.md # 本文件
from src.data.market_data import MarketDataManager
manager = MarketDataManager()
# 下载历史数据
manager.download_history_data('002352.SZ', '1d', '20240101', '20241231')
# 获取本地数据
data = manager.get_local_data('002352.SZ', '1d', '20240101', '20241231')
# 增量更新数据（自动从最后一条数据往后下载）
manager.update_data('002352.SZ', '1d')
# 批量下载
results = manager.batch_download(['002352.SZ', '000001.SZ'], '1d', '20240101', '20241231')注意：xtquant 会自动管理数据存储，数据存储在 MiniQMT 安装目录下，无需手动指定路径。
from src.data.financial_data import FinancialDataManager
manager = FinancialDataManager()
# 获取财务数据（如果本地没有会自动下载）
financial_data = manager.get_financial_data('002352.SZ', auto_download=True)
# 手动下载财务数据
manager.download_financial_data(['600000.SH', '000001.SZ'],
start_time='20200101',
end_time='20241231')
# 批量获取财务数据
all_data = manager.batch_get_financial_data(['002352.SZ', '000001.SZ'])财务数据字段说明：
- 从
Pershareindex表获取：ROE、EPS、BPS、营业收入增长率、净利润增长率、毛利率、净利率、资产负债率等 - 从
Income表获取：营业收入、净利润、营业利润、利润总额等 - 从
Balance表获取：总资产、总负债、股东权益等 - 从市场数据获取：PE、PB、市值（需要实时价格计算）
三种财务数据函数的区别：
| 函数 | 操作类型 | 数据来源 | 时间筛选 | 执行方式 |
|---|---|---|---|---|
get_financial_data() |
读取 | 本地已下载数据 | ✅ 支持 | 立即返回 |
download_financial_data() |
下载 | 服务器全部数据 | ❌ 不支持 | 同步阻塞 |
download_financial_data2() |
下载 | 服务器指定范围 | ✅ 支持 | 同步阻塞 |
推荐工作流程：
# 方式1：自动下载并获取（推荐）
data = manager.get_financial_data('600000.SH', auto_download=True)
# 方式2：手动下载后获取
manager.download_financial_data(['600000.SH'], start_time='20200101', end_time='20241231')
data = manager.get_financial_data('600000.SH', auto_download=False)订阅行情 vs 获取行情数据：
- 订阅行情（Subscribe Quote）：实时推送，事件驱动，适用于实时监控（本项目未实现）
- 获取行情数据（Get Market Data）：主动获取，批量处理，适用于历史数据分析和回测（本项目使用）
使用决策流程：
需要数据 → 是否实时？
│
├─ 是 → 是否需要持续监控？
│ ├─ 是 → 使用 subscribe_quote()（未实现）
│ └─ 否 → 使用 get_market_data()
│
└─ 否 → 是否需要历史数据？
├─ 是 → download_history_data() + get_local_data()
└─ 否 → get_market_data()
from src.analysis.technical import TechnicalIndicators
from src.visualization.chart import ChartPlotter
calculator = TechnicalIndicators()
# 计算所有指标
indicators = calculator.calculate_all(data)
# 返回: {'ma': DataFrame, 'macd': DataFrame, 'kdj': DataFrame}
# 单独计算指标
ma_data = calculator.calculate_ma(data, periods=[5, 10, 20])
macd_data = calculator.calculate_macd(data)
# 绘制专业图表
plotter = ChartPlotter()
fig, axes = plotter.create_chart(data, indicators, '002352.SZ')from src.analysis.fundamental import FundamentalAnalyzer
analyzer = FundamentalAnalyzer()
# 计算财务得分（0-100分）
score_data = analyzer.calculate_financial_score(financial_data)
# 返回: {'score': 75, 'details': {...}}
# 财务数据筛选
filtered = analyzer.filter_financial_data(financial_data, {
'max_pe': 30,
'min_roe': 10
})from src.strategy.strategies import (
Signal, SignalGenerator,
MACDStrategy, MAStrategy, KDJStrategy, RSIStrategy,
CombinedStrategy
)
# MACD策略
strategy = MACDStrategy()
signals = strategy.generate_signals(data, indicators)
# 均线策略
ma_strategy = MAStrategy(use_multiple_ma=True)
# 组合策略（多个策略投票）
combined = CombinedStrategy(
strategies=[MACDStrategy(), MAStrategy(), KDJStrategy()],
vote_threshold=2 # 至少2个策略同时发出信号
)from src.strategy.strategies import MLMultiFactorStrategy
from src.selection.selector import MLStockSelector
from src.trading.auto_trader import MLAutoTrader
# 创建ML策略（用于回测）
strategy = MLMultiFactorStrategy(
model_path='model_2024_multiclass.pkl',
stock_num=7, # 持仓股票数量
score_threshold=0.61 # 得分阈值
)
# 执行选股
selected_stocks, scores = strategy.select_stocks_for_backtest()from src.strategy.risk_control import RiskController
risk_controller = RiskController()
# 计算RSRS指标（个股）
stock_rsrs = risk_controller.calculate_rsrs('600000.SH')
# 计算市场RSRS（用于择时）
market_rsrs = risk_controller.calculate_market_rsrs()
# 检查市场择时（是否允许开仓）
can_open = risk_controller.check_market_timing() # True/False
# 计算ATR止损位
atr = risk_controller.calculate_atr('600000.SH')
stop_loss = risk_controller.calculate_stop_loss_level('600000.SH', current_high=12.0)
# 计算市场宽度
market_breadth = risk_controller.calculate_market_breadth() # 0-100from src.analysis.factor_calculator import FactorCalculator
calculator = FactorCalculator()
# 计算单个股票的所有47个因子
factors = calculator.calculate_all_factors('600000.SH', end_date='20241231')
# 返回: {'momentum': 2.5, 'beta': 1.2, 'sharpe_ratio_60': 0.8, ...}
# 批量计算多个股票的因子
stock_list = ['600000.SH', '000001.SZ', '000002.SZ']
factor_df = calculator.batch_calculate_factors(stock_list, end_date='20241231')
# 返回: DataFrame，行为股票代码，列为因子名from src.backtest.engine import BacktestEngine
from src.backtest.analyzer import PerformanceAnalyzer
# 创建回测引擎
engine = BacktestEngine(initial_capital=100000.0)
# 运行回测
result = engine.run(data, signals)
# 性能分析
analyzer = PerformanceAnalyzer()
performance = analyzer.analyze(result)
# 返回: {'总收益率': '15.5%', '年化收益率': '12.3%', '夏普比率': 1.2, ...}
# 绘制收益曲线
from src.visualization.performance import PerformancePlotter
plotter = PerformancePlotter()
plotter.plot_performance(result, '002352.SZ')from src.selection.selector import StockSelector
selector = StockSelector()
# 选股（综合技术和财务指标）
result = selector.select_stocks(
financial_filters={
'max_pe': 30,
'min_roe': 10,
'min_profit_growth': 5
},
technical_filters={
'min_technical_score': 40,
'require_above_ma20': True
},
min_total_score=60.0,
max_results=20
)
# 保存选股结果
selector.save_selection_result(result, 'selected_stocks.csv')from src.selection.selector import MLStockSelector
# 创建ML选股器
selector = MLStockSelector(
model_path='model_2024_multiclass.pkl', # 模型文件路径
stock_num=7, # 选股数量
score_threshold=0.61 # 得分阈值
)
# 执行ML选股
selected_stocks, scores = selector.select_stocks_ml(end_date='20241231')
# 返回: (['600000.SH', '000001.SZ', ...], [1.25, 1.18, ...])
# 选股流程：
# 1. 获取指数成分股（中证全指或A股）
# 2. 基础过滤（ST、科创/北交/创业板、停牌）
# 3. 基本面筛选（ROE>15%, ROA>10%，按市值排序）
# 4. 计算47个因子
# 5. ML模型预测得分
# 6. 得分过滤（>0.61）和排序
# 7. 返回前N只股票from src.trading.trader import Trader
# 创建交易接口
trader = Trader(
qmt_path=r'D:\qmt\...\userdata', # QMT路径
account_id='2000128' # 账户ID
)
# 连接交易接口
trader.connect()
# 查询账户信息
account_info = trader.get_account_info()
# 查询持仓
positions = trader.get_positions()# 异步买入（默认，立即返回请求序号）
seq = trader.buy('600000.SH', target_amount=10000) # 买入1万元
# 或指定数量
seq = trader.buy('600000.SH', price=10.5, quantity=10) # 买入10手
# 异步卖出（默认，立即返回请求序号）
seq = trader.sell('600000.SZ', quantity=5) # 卖出5手
# 卖出全部持仓
seq = trader.sell_all('600000.SH')
# 同步交易（阻塞等待结果）
order_id = trader.buy('600000.SH', price=10.5, quantity=10, async_mode=False)from src.trading.trade_monitor import TradeMonitor
# 创建并注册监控器
monitor = TradeMonitor()
trader.trader.register_callback(monitor)
# 异步交易后，监控器自动跟踪所有订单
# 自动打印订单状态变化：
# [监控] 📋 委托回报: 买入600000.SH | 订单100001 | 状态:已报
# [监控] 💰 成交: 买入 600000.SH 10000股@10.50
# [监控] 📋 委托回报: 买入600000.SH | 订单100001 | 状态:已成
# 查看监控摘要
monitor.print_summary()
# 获取统计信息
stats = monitor.get_statistics()
# 查询订单状态
status = monitor.get_order_status(order_id)
# 获取成交记录
trades = monitor.get_trade_records()
# 导出数据
dataframes = monitor.export_to_dataframe()from src.trading.auto_trader import AutoTrader, MLAutoTrader
from src.strategy.strategies import MACDStrategy
from src.selection.selector import MLStockSelector
# 传统策略自动交易
auto_trader = AutoTrader(trader=trader)
strategy = MACDStrategy()
result = auto_trader.run_strategy(
stock_code='002352.SZ',
strategy=strategy,
period='1d',
lookback_days=100
)
# 返回: {'success': True, 'signal': 1, 'async_seq': 12345}from src.trading.auto_trader import MLAutoTrader
from src.selection.selector import MLStockSelector
from src.trading.trader import Trader
# 创建ML自动交易器
selector = MLStockSelector(model_path='model_2024_multiclass.pkl', stock_num=7)
ml_trader = MLAutoTrader(trader=trader, selector=selector, stock_num=7)
# 连接交易接口
ml_trader.connect()
# 1. ML选股
selected_stocks, scores = selector.select_stocks_ml()
# 2. 执行调仓（自动卖出不在目标列表的股票，买入新股票）
result = ml_trader.rebalance_portfolio(selected_stocks, scores)
# 3. 风控检查（ATR止损、RSRS风控，触发后自动再投资）
triggered_stocks, cash_released = ml_trader.check_risk_control()
# 4. 处理涨停股票（涨停打开则卖出并再投资）
sold_stocks, cash = ml_trader.handle_limit_up_stocks()
# 5. 更新涨停股票列表
ml_trader.update_limit_up_list()
# 6. 检查市场择时（市场弱势时禁止开仓）
can_trade = ml_trader.check_market_timing()ML策略特性：
- ✅ 47因子计算：动量、波动率、技术指标、基本面等47个量化因子
- ✅ ML模型预测：基于LightGBM多分类模型的得分预测
- ✅ 动态调仓：每月1日和15日自动调仓，按模型得分分配资金
- ✅ 风控系统：RSRS择时、ATR动态止损、市场宽度监控
- ✅ 涨停处理：昨日涨停股票持有，涨停打开则卖出并再投资
- ✅ 自动再投资：风控触发或涨停打开释放的资金立即再投资
- ✅ 市场择时：市场宽度<45或RSRS<-0.9时禁止开仓/清仓
同步（Synchronous）下单：
- ⏱️ 阻塞式：调用后程序暂停，等待结果
- ✅ 立即获得结果：返回订单编号（order_id）
⚠️ 可能等待较久：如果网络延迟或服务器处理慢，会阻塞程序
异步（Asynchronous）下单（默认）：
- ⚡ 非阻塞式：调用后立即返回，不等待结果
- 📝 返回请求序号：返回 seq（序列号），用于追踪该请求
- 🔔 通过回调获取结果：实际的成功/失败通过回调函数通知
- 🚀 高并发：可以快速发送多个请求，不会阻塞
回调（Callback）机制：
- 🎯 事件驱动：当委托状态变化时自动触发
- 🔄 实时通知：委托回报、成交变动、错误等实时推送
- 📡 被动接收：不需要主动查询，系统主动推送
主要回调事件：
- 委托回报回调
on_stock_order：委托状态变化时触发 - 成交回报回调
on_stock_trade：有成交时触发 - 异步下单响应回调
on_order_stock_async_response：异步下单的响应 - 错误回调
on_order_error：下单失败时触发
对比总结：
| 特性 | 同步 | 异步（默认） | 回调 |
|---|---|---|---|
| 执行方式 | 阻塞等待 | 立即返回 | 自动触发 |
| 返回值 | 订单编号 order_id | 请求序号 seq | 无返回值 |
| 结果获取 | 立即获得 | 通过回调获取 | 实时推送 |
| 性能 | 较慢（需等待） | 快（不等待） | 实时响应 |
| 适用场景 | 单笔交易 | 批量交易、高频 | 实时监控 |
# 注册自定义回调函数
def on_order_confirmed(data):
print(f"订单确认: {data['order_id']}")
def on_order_traded(data):
print(f"成交: {data['stock_code']} {data['volume']}股")
monitor.register_user_callback('on_order_confirmed', on_order_confirmed)
monitor.register_user_callback('on_order_traded', on_order_traded)from examples.main import QuantFramework
from src.strategy.strategies import MACDStrategy
framework = QuantFramework()
# 1. 下载数据
framework.download_data('002352.SZ', '1d', '20240101', '20241231')
# 2. 分析数据（计算指标并绘图）
framework.analyze_data('002352.SZ', '1d', '20240101', '20241231')
# 3. 运行回测
strategy = MACDStrategy()
result = framework.run_backtest('002352.SZ', strategy, '1d', '20240101', '20241231')
# 4. 查看回测结果
print(result['performance'])from src.trading.trader import Trader
from src.trading.trade_monitor import TradeMonitor
import time
# 创建交易接口
trader = Trader(
qmt_path=r'D:\qmt\投研\迅投极速交易终端睿智融科版\userdata',
account_id='2000128'
)
# 创建并注册监控器
monitor = TradeMonitor()
trader.trader.register_callback(monitor)
trader.connect()
# 异步买入（自动监控）
seq1 = trader.buy('600000.SH', target_amount=10000)
seq2 = trader.buy('600519.SH', price=1800, quantity=1)
# 监控器自动跟踪所有订单状态
# 等待一段时间后查看摘要
time.sleep(5)
monitor.print_summary()from examples.main import QuantFramework
from src.strategy.strategies import MAStrategy
# 创建框架（启用交易）
framework = QuantFramework(enable_trading=True,
qmt_path='...',
account_id='2000128')
framework.connect_trader()
# 1. 选股
selected_stocks = framework.select_stocks(
financial_filters={'max_pe': 30, 'min_roe': 10},
max_results=5
)
# 2. 对选出的股票运行自动交易
strategy = MAStrategy()
for idx, row in selected_stocks.iterrows():
stock_code = row['stock_code']
framework.run_auto_trading(stock_code, strategy, lookback_days=100)from src.selection.selector import MLStockSelector
from src.trading.auto_trader import MLAutoTrader
from src.trading.trader import Trader
from src.trading.trade_monitor import TradeMonitor
# 1. 创建交易接口和监控器
trader = Trader(qmt_path='...', account_id='...')
trader.connect()
monitor = TradeMonitor()
trader.trader.register_callback(monitor)
# 2. 创建ML选股器和自动交易器
selector = MLStockSelector(
model_path='model_2024_multiclass.pkl',
stock_num=7,
score_threshold=0.61
)
ml_trader = MLAutoTrader(trader=trader, selector=selector, stock_num=7)
ml_trader.connect()
# 3. ML选股
selected_stocks, scores = selector.select_stocks_ml()
# 4. 检查市场择时
if ml_trader.check_market_timing():
# 5. 执行调仓
result = ml_trader.rebalance_portfolio(selected_stocks, scores)
# 6. 更新涨停股票列表
ml_trader.update_limit_up_list()
# 7. 定时风控检查（ATR止损、RSRS风控）
triggered_stocks, cash = ml_trader.check_risk_control()
# 8. 处理涨停股票（涨停打开卖出并再投资）
sold_stocks, cash = ml_trader.handle_limit_up_stocks()
else:
print("市场弱势，禁止开仓")查看 examples/ 目录获取更多详细示例：
complete_example.py- 完整功能示例（推荐），包含所有核心功能的演示data_example.py- 数据管理功能示例analysis_example.py- 分析功能示例strategy_example.py- 策略功能示例backtest_example.py- 回测功能示例stock_selection_example.py- 选股功能示例trade_example.py- 交易功能示例async_trade_monitor_example.py- 异步交易+实时监控示例ml_strategy_example.py- ML多因子策略完整示例（选股+调仓+风控+实盘交易）
运行示例：
# 运行完整功能示例
python examples/complete_example.py
# 运行特定功能示例
python examples/data_example.py
python examples/strategy_example.py更多示例说明请参考 examples/README.md。
examples/main.py 中的 QuantFramework 类整合了所有模块功能：
from examples.main import QuantFramework
framework = QuantFramework(enable_trading=False, qmt_path=None, account_id=None)
# 数据管理
framework.download_data(stock_id, period, start_time, end_time)
framework.update_data(stock_id, period)
framework.get_data(stock_id, period, start_time, end_time)
# 分析功能
framework.analyze_data(stock_id, period, start_time, end_time, save_chart=True)
# 回测功能
framework.run_backtest(stock_id, strategy, period, start_time, end_time, save_chart=True)
# 选股功能
framework.select_stocks(financial_filters, technical_filters, min_total_score, max_results)
# 交易功能（需要 enable_trading=True）
framework.connect_trader()
framework.get_account_info()
framework.get_positions()
framework.buy_stock(stock_code, price, quantity)
framework.sell_stock(stock_code, price, quantity)
framework.run_auto_trading(stock_code, strategy, period, lookback_days)配置文件位于 src/core/config.py：
- 颜色、字体、布局设置
- 技术指标参数（MA周期、MACD参数等）
- 初始资金：
INITIAL_CAPITAL = 100000.0 - 手续费率：
COMMISSION_RATE = 0.0001（万1） - 滑点率：
SLIPPAGE_RATE = 0.001（0.1%）
- 注意：xtquant 会自动管理数据存储，数据存储在 MiniQMT 安装目录下，不需要手动指定路径
- 默认时间参数：
DEFAULT_START_DATE、DEFAULT_PERIOD
- QMT_PATH：QMT 客户端路径（需配置）
- ACCOUNT_ID：资金账号（需配置）
- ACCOUNT_TYPE：账户类型（'STOCK'/'CREDIT'/'FUTURE'）
- 风险控制参数（最大持仓比例、单股比例等）
重要：使用交易功能前，请在 config.py 中配置 QMT_PATH 和 ACCOUNT_ID，或在创建 Trader 时传入参数。
# 运行所有测试
python run_tests.py
# 运行单元测试
python run_tests.py --type unit
# 运行集成测试
python run_tests.py --type integration
# 快速测试
python run_tests.py --type quick
# 不生成覆盖率报告
python run_tests.py --no-coverage# 运行所有测试
pytest
# 运行特定测试
pytest tests/test_strategies.py
# 显示详细输出
pytest -v
# 生成覆盖率报告
pytest --cov=src --cov-report=html- 打开测试文件（如
tests/test_strategies.py） - 点击测试函数或测试类上方的运行按钮
▶️ - 或右键点击选择 "Run Test"
启用测试运行器：
- 确保
.vscode/settings.json中python.testing.pytestEnabled: true - 按
Ctrl + Shift + P→ 输入 "Test: Focus on Test View" 打开测试资源管理器
# 生成覆盖率报告
pytest --cov=src --cov-report=html
# 查看报告（浏览器打开）
start htmlcov/index.html # Windows在 src/strategy/strategies.py 中继承 SignalGenerator 类：
class MyStrategy(SignalGenerator):
def generate_signals(self, data, indicators):
signals = []
# 实现策略逻辑
# 返回 Signal 对象列表
return signals在 src/analysis/technical.py 中的 TechnicalIndicators 类添加方法：
def calculate_my_indicator(self, data, period=14):
# 计算指标
result = pd.Series(...)
return resultdef my_custom_callback(data):
# 处理回调数据
pass
monitor.register_user_callback('on_order_traded', my_custom_callback)首次使用需要配置 Git 用户信息：
git config --global user.name "你的用户名"
git config --global user.email "你的邮箱@example.com"cd e:\XTquantdemo1
git init确保 .gitignore 文件包含以下内容：
- Python 缓存文件（
__pycache__/,*.pyc） - 虚拟环境（
.venv/,venv/） - IDE 配置（
.idea/,.vscode/） - 测试覆盖率报告（
htmlcov/,.pytest_cache/） - 日志文件（
*.log） - 系统文件（
.DS_Store,Thumbs.db）
# 查看要添加的文件（可选）
git status
# 添加所有文件到暂存区
git add .
# 创建首次提交
git commit -m "Initial commit: XTquant量化交易框架"- 登录 GitHub (https://github.com)
- 点击右上角的 "+" 号，选择 "New repository"
- 填写仓库信息：
- Repository name:
XTquant-demo（或其他你喜欢的名字） - Description:
基于迅投量化(XTquant)的完整量化交易框架 - Visibility: 选择 Public（公开）或 Private（私有）
- 不要勾选 "Initialize this repository with a README"（因为本地已有文件）
- Repository name:
- 点击 "Create repository"
使用 HTTPS（推荐，简单）：
# 添加远程仓库（替换为你的实际仓库地址）
git remote add origin https://github.com/你的用户名/XTquant-demo.git
# 验证远程仓库
git remote -v使用 SSH（需要配置 SSH 密钥）：
git remote add origin git@github.com:你的用户名/XTquant-demo.git# 推送代码（首次推送）
git branch -M main
git push -u origin main重要：GitHub 不再支持密码认证，必须使用 Personal Access Token (PAT)
- 登录 GitHub
- 点击右上角头像 → Settings
- 左侧菜单滚动到底部 → Developer settings
- 点击 Personal access tokens → Tokens (classic)
- 点击 Generate new token (classic)
- 填写信息：
- Note:
XTquant项目上传（描述用途） - Expiration: 选择有效期（建议选择较长时间，如 90 天）
- 勾选权限: 至少勾选
repo（完整仓库权限）
- Note:
- 点击 Generate token
- 立即复制 token（格式类似：
ghp_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx）⚠️ 注意：token 只会显示一次，请立即保存！
# 推送时，系统会提示输入用户名和密码：
Username: 你的GitHub用户名
Password: 粘贴刚才复制的token（不是GitHub密码！）可以切换到 HTTPS：
git remote set-url origin https://github.com/你的用户名/仓库名.git当代码有更新时，使用以下命令：
# 查看更改
git status
# 添加更改的文件
git add .
# 提交更改
git commit -m "描述你的更改"
# 推送到 GitHub
git push# 查看当前状态
git status
# 查看提交历史
git log
# 查看远程仓库
git remote -v
# 查看分支
git branch
# 拉取远程更新
git pull
# 创建新分支
git checkout -b feature/新功能
# 切换分支
git checkout main-
不要提交敏感信息：
- API 密钥
- 密码
- 真实账户信息
- 本地配置文件中的敏感数据
-
.gitignore 已配置：会自动排除：
__pycache__/- Python 缓存.venv/- 虚拟环境.pytest_cache/- 测试缓存htmlcov/- 覆盖率报告*.log- 日志文件.cursor/- Cursor IDE 配置
-
建议提交前检查：
git status git diff # 查看具体更改内容
- 交易风险：实盘交易前请充分测试，建议先在模拟环境验证
- 数据依赖：需要连接 MiniQMT 客户端，确保网络畅通
- 账户配置：交易功能需要配置正确的 QMT 路径和账户 ID
- 异步监控：使用异步交易时，监控器会自动跟踪订单状态，建议等待回调确认后再进行下一步操作
- 数据存储：xtquant 会自动管理数据存储，数据存储在 MiniQMT 安装目录下，无需手动管理
- 数据更新：行情数据使用
incrementally=True自动增量更新，财务数据需要手动调用下载函数更新
欢迎提交 Issue 和 Pull Request！
- Fork 本项目
- 创建特性分支（
git checkout -b feature/新功能） - 提交更改（
git commit -m "添加新功能"） - 推送到分支（
git push origin feature/新功能） - 提交 Pull Request
- 遵循 PEP 8 Python 代码规范
- 添加适当的注释和文档字符串
- 为新功能添加测试用例
- 更新相关文档
- ✅ 机器学习多因子策略：完整适配聚宽ML策略到XTquant框架
- ✅ 47因子计算器：实现完整的47个量化因子计算（动量、波动率、技术、基本面等）
- ✅ 风控系统：RSRS择时、ATR动态止损、市场宽度计算
- ✅ ML自动交易器：集成选股、调仓、风控、再投资的完整自动交易系统
- ✅
FactorCalculator：47个因子计算模块 - ✅
RiskController：风控控制器（RSRS、ATR、市场宽度） - ✅
MLStockSelector：基于ML模型的智能选股器 - ✅
MLAutoTrader：ML策略自动交易器（调仓、风控、再投资） - ✅
MLMultiFactorStrategy：ML多因子策略类（用于回测）
- ✅ 47因子完整实现：动量、Beta、Sharpe、波动率、偏度、峰度、技术指标、基本面等
- ✅ ML模型支持：LightGBM多分类模型，8类概率预测
- ✅ 动态调仓：每月1日和15日调仓，按模型得分分配资金
- ✅ 风控系统：
- RSRS择时（个股<-0.7卖出，市场<-0.9禁止开仓）
- ATR动态跟踪止损（最高价-2*ATR）
- 市场宽度监控（<45清仓）
- ✅ 涨停处理：昨日涨停股票持有，涨停打开卖出并再投资
- ✅ 自动再投资：风控触发或涨停打开释放的资金立即再投资候选股
- ✅ 优化因子计算性能（批量计算支持）
- ✅ 完善风控逻辑（触发后立即再投资）
- ✅ 改进选股流程（基本面筛选+因子计算+ML预测）
- ✅ 重构项目结构，实现模块化设计
- ✅ 整合所有文档到统一的 README.md
- ✅ 完善示例代码组织结构
- ✅ 异步交易和实时监控功能
- ✅ TradeMonitor 交易监控器
- ✅ 完整的示例文件体系（每种功能独立示例文件）
- ✅ 优化数据管理模块
- ✅ 完善财务数据接口使用
- ✅ 改进错误处理和提示信息
- ✅ 选股模块：基于技术+财务的多维度选股
- ✅ 交易模块：同步/异步交易接口
- ✅ 自动交易模块：根据策略信号自动执行
- ✅ 测试框架：完整的 pytest 测试体系
- ✅ 获取 A 股股票列表
- ✅ 获取财务数据（PE、PB、ROE、净利润增长率等）
- ✅ 计算技术指标得分（基于 MA、MACD、KDJ 等）
- ✅ 计算财务指标得分（基于 PE、PB、ROE 等）
- ✅ 综合选股（财务 60% + 技术 40%）
- ✅ 多种选股策略（价值投资、成长投资等）
- ✅ 选股结果保存
- ✅ 交易接口连接和管理
- ✅ 查询账户信息和持仓
- ✅ 买入/卖出股票（支持限价单和市价单）
- ✅ 撤单功能
- ✅ 查询委托和成交记录
- ✅ 卖出全部持仓功能
- ✅ 根据策略信号自动执行交易
- ✅ 自动计算交易数量（根据可用资金）
- ✅ 持仓管理
- ✅ 交易历史记录
- ✅ 完整的 pytest 测试框架
- ✅ 测试配置和 fixtures
- ✅ 样本数据生成器
- ✅ 工具函数测试
- ✅ 配置模块测试
- ✅ 数据分析模块测试
- ✅ 策略模块测试
- ✅ 回测模块测试
- ✅ 集成测试
- ✅ 修正了
download_history_data()的返回值处理 - ✅ 添加了数据下载后的验证机制
- ✅ 改进了数据清理逻辑
- ✅ 优化了索引转换（支持 YYYYMMDD 字符串格式和 DatetimeIndex）
- ✅ 添加了数据有效性检查
- ✅ 新增工具模块（日期格式化、股票代码验证等）
- ✅ 改进了错误处理
本项目仅供学习和研究使用。
如有问题或建议，请通过以下方式联系：
- 提交 Issue
- 发送 Pull Request
版本: 3.0.0
最后更新: 2026-01-12