本仓库为量化研究 / 学习项目，不构成任何投资建议。
股市有风险，谨慎操作；据此交易的一切后果由使用者自行承担。
历史回测、模拟与纸面表现均 不代表 未来收益。
面向 沪深 A 股 的分层量化系统：从 AI 因子挖掘 → Qlib 研究回测 → Backtrader 独立复演 → 人工/模拟实盘闭环 → Web 看板监控，强调 低换手、可复现、防过拟合、回测与执行口径一致。
核心代码在
quant/目录（约 5k 行自研 Python）。
同目录下的qlib/、backtrader/、vnpy/、rd-agent/、abu/为上游开源项目的本地只读引用，便于对照学习，不是本仓库的维护范围。
| 亮点 | 说明 |
|---|---|
| 全链路分层架构 | L0 数据 → L2 Qlib 研究 → L3 Backtrader 验证 → L4 执行 → L5 运维看板；层间仅通过 CSV 数据契约 通信，可独立替换升级 |
| 「换手率是生命线」 | 实证：毛超额 IR 0.6~0.8，高换手净 IR 一度 −0.17；引入 5 日标签 + hold_thresh=10 后净 IR 约 1.04；2026-08 Plan C 超参后净 IR 1.05、年化净超额约 +11.2% |
| 双引擎交叉验证 | Qlib 向量化回测 + Backtrader 事件驱动复演（T+1 / 涨跌停 / 停牌 / 整手 / 费税）；复演与 Qlib 年化差异 ≤3pct 才放行（Plan C：−2.70pct / 0.2%滑点超额 7.86%） |
| UMP 信号二次否决 | 借鉴 abu「裁判」思想自研 LightGBM 拦截器，样本外 A/B 超额 IR 0.21 → 0.48，无 abu 运行时依赖 |
| LLM 因子挖掘 + 五道准入 | 自研轻量 RD-Agent 式闭环；15 个 LLM 候选仅 2 个 进入纸面跟踪，漏斗有效拦截 AI 过拟合 |
| 研究线 + 实盘线双线并行 | 10 万模拟线自动成交 vs 1.2 万实盘线人工回填；同一信号源，隔离账本，可量化「执行偏差」；TA 仅影子线，未过门禁不上 live |
| 舆情长期记忆 | 东财/财联社/新浪多源采集 + 高峰自部署 Qwen / 闲时 DeepSeek 摘要 + 本地向量库；看板「舆情跟踪」可持续查看 |
| 短线猎手（建议层） | 5~15 日 +10% 预测与跟踪：候选池 + LLM 辩论 + 分档门槛 + delta 仅追新增公告；不改订单；看板「短线猎手」页 |
| 路线一友好落地 | 无需 miniQMT 即可起步：系统出单、同花顺手动下单、收盘回填成交；看板 + 内置定时一键常驻 |
| 可复现 | MLflow / Qlib Recorder 记录实验；YAML 配置入仓；跨层 CSV 经 schemas.py 校验 |
在线地址：http://43.159.136.65:8000（FastAPI + 内置定时，收盘后自动更新）
| 总览 | 舆情跟踪 | 短线猎手 |
|---|---|---|
| 多账户净值、累计收益、持仓数与现金占比 | 多源舆情 + LLM 摘要 + 近 90 日走势 | 10 日 +10% 预测、评测报告、活跃跟踪 |
（另有 操作清单 页：调仓指令与目标持仓。）
部分 Markdown 预览不支持 Mermaid，只能看到代码块。
下面每张图都有 ASCII 版（直接可见）；完整六张图见 docs/FLOWCHARTS.md。
推到 GitHub 在线查看 README 时，Mermaid 会自动渲染成图形。
┌─────────────────────────────────────────────────────────────────────────┐
│ L5 运维 run_daily · 净值/日报 · 监控 · FastAPI 看板 :8000 │
├──────────────────── CSV 契约 ───────────────────────────────────────────┤
│ L4 执行 make_trade_plan → record_fills → reconcile │
├──────────────────── 信号 score ─────────────────────────────────────────┤
│ L3 验证 Backtrader 复演 · UMP 裁判 │
├──────────────────── 因子/模型 ──────────────────────────────────────────┤
│ L2 研究 Qlib Alpha158+LGBM · predict_daily │ L1 LLM→准入→因子库 │
├──────────────────── Qlib bin ───────────────────────────────────────────┤
│ L0 数据 investment_data · baostock · 质检 │
└─────────────────────────────────────────────────────────────────────────┘
Mermaid 版（GitHub 可渲染）
flowchart TB
subgraph L0["L0 数据层"]
D1[investment_data / baostock]
D2[Qlib cn_data bin]
end
subgraph L1["L1 AI 迭代层"]
LLM[LLM 因子提议]
GATES[五道准入]
LIB[(factors.yaml)]
LLM --> GATES --> LIB
end
subgraph L2["L2 研究层"]
QL[Alpha158 + LGBM]
SIG[每日信号]
QL --> SIG
end
subgraph L3["L3 验证层"]
BT[Backtrader]
UMP[UMP 裁判]
end
subgraph L4["L4 执行层"]
PLAN[orders]
FILL[fills]
REC[reconcile]
PLAN --> FILL --> REC
end
subgraph L5["L5 运维层"]
RUN[run_daily]
NAV[净值/日报]
UI[看板 :8000]
RUN --> NAV --> UI
end
D1 --> D2 --> QL
LIB -.-> QL
SIG --> BT
SIG --> PLAN
UMP --> PLAN
REC --> NAV
[下载数据] → [run_baseline] → IR≥0.8? ─否→ [调 hold_thresh/topk/标签] ─┐
↑ │ │
└────────────── 否 ────────────┘ │
│是 │
▼ │
[Backtrader 复演] → 差异≤3pct? ─否─────────────────────────────┘
│是
▼
[predict_daily] → [双线 evening/postclose 闭环]
22:30 evening(自动) 更新数据 → 信号 → 调仓清单(UMP) → orders/
↓
次日 9:30~10:00(人工) 同花顺照单下单
↓
收盘后(人工) record_fills 录入实际成交
↓
23:30 postclose(自动) 对账 → 净值 → 日报 → 看板
研究线 research_sim_100k：自动 simulate_fills
实盘线 live_manual_10k：fills 由用户回填
LLM提议 → ①初筛 → ②去重 → ③样本外 → ④经济逻辑 → ⑤组合增量
↓ ↓ ↓ ↓ ↓
rejected rejected rejected rejected passed_auto
↓
paper_tracking(1~3月)
↓
live 并入模型
更多流程图（时序图、双线对比、看板调度）→ docs/FLOWCHARTS.md
git clone git@github.com:abell12134/abq.git && cd abq
python3 -m venv quant-venv
quant-venv/bin/pip install -r quant/requirements.txt要求：Python 3.10 · 生产 csi500 重训内存 ≥3GB（已配 swap）；全 A 实验建议 ≥16GB · 磁盘 ≥5GB
# 首次解压 datasets/qlib_cn_data.tar.gz.part_* → datasets/qlib_data/cn_data
quant-venv/bin/python quant/ops/ensure_qlib_data.py
# run_baseline / predict_daily 启动时也会自动解压cd quant
../quant-venv/bin/python research/run_baseline.py
# 产出：data/reports/baseline_*.md · MLflow · data/signals/latest_pred.csv
# IR < 0.8 时不会晋升：不写 latest_pred，recorder 隔离到 research/mlruns_rejected/当前基线口径（生产）：
- 标的池：中证500（
csi500） · 基准：中证500 SH000905 · 模型：Alpha158 + LGBM Plan C - 组合：TopK50 / n_drop3 / hold_thresh=10 · 标签：5 日开盘价收益
- 线上 recorder：
826b98ae（样本外 IR 1.0459） - 全 A 实验（未过关）：
research/workflow_baseline_all.yaml；旧/对照：workflow_baseline_csi500.yaml、workflow_baseline_planC.yaml
../quant-venv/bin/python validation/replay_backtrader.py
../quant-venv/bin/python validation/ump_judge.py traincp configs/secret.env.example configs/secret.env # 填入 LLM_API_KEY 等，切勿提交 git
../quant-venv/bin/python factor_lab/run_iteration.py --iters 3 --k 5# 回填最近一周，让看板启动即有数据
../quant-venv/bin/python ops/backfill.py --days 6
# 启动常驻看板（FastAPI + 内置 APScheduler）
bash webapp/serve.sh start 8000
# 浏览器打开 http://43.159.136.65:8000（或本机 http://127.0.0.1:8000）账户配置见 configs/accounts/：
| 账户 | 用途 | 模式 |
|---|---|---|
research_sim_100k |
10 万研究模拟线 | 系统自动按次日开盘价模拟成交 |
live_manual_10k |
1.2 万实盘线 | manual + 人工回填 fills；仅 LGBM+UMP，不开 TA |
shadow_ctrl_sim |
TA 对照影子线 | 与 live 同参，无 TA |
shadow_ta_sim |
TA 否决影子线 | use_ta_veto: true；门禁未 PASS 前不上 live |
cd quant
# --- 晚间：生成次日调仓清单 ---
../quant-venv/bin/python ops/run_daily.py --stage evening --account research_sim_100k --ump
../quant-venv/bin/python ops/run_daily.py --stage evening --account live_manual_10k --ump
# --- 实盘线：收盘后回填成交 ---
../quant-venv/bin/python execution/record_fills.py --account live_manual_10k \
--day <成交日> --order-day <订单日> --template
# 编辑 data/accounts/live_manual_10k/fills/<成交日>.csv 后：
../quant-venv/bin/python execution/record_fills.py --account live_manual_10k --day <成交日> --apply
# --- 晚间：对账 / 净值 / 日报 ---
../quant-venv/bin/python ops/run_daily.py --stage postclose --account live_manual_10k \
--day <成交日> --order-day <订单日>
# --- 双线复盘 ---
../quant-venv/bin/python ops/review_accounts.py --research research_sim_100k --live live_manual_10k不跑看板服务时，可用
ops/crontab.example配置系统 cron（与看板内置定时二选一）。
quant/
├── data_pipeline/ # L0：抓取、质检、日更
├── research/ # L2：Qlib 工作流、训练、每日信号
├── factor_lab/ # L1：LLM 因子挖掘 + 准入 + 因子库
├── validation/ # L3：Backtrader 复演 + UMP 裁判
├── execution/ # L4：调仓清单、成交回填、对账
├── ops/ # L5：编排、净值、日报、监控、回填
├── webapp/ # L5：FastAPI 看板 + APScheduler
├── contracts/ # 跨层 CSV schema 校验
├── configs/ # global.yaml + accounts/*.yaml
└── data/ # 运行时数据（gitignore，按账户隔离）
详细设计与阶段验收见 设计实现方案.md，模块级说明见 quant/README.md。
| 阶段 | 内容 | 状态 |
|---|---|---|
| 1 | 数据 + Qlib 基线（IR≥0.8） | ✅ |
| 2 | Backtrader 独立复演 + 滑点敏感性 | ✅ |
| 2b | UMP 裁判二次否决 | ✅ |
| 3 | LLM 因子迭代 + 五道准入 + 纸面跟踪/滚动重训路径 | ✅（live 晋升待满纸面期） |
| 4 | 路线一每日闭环（编排/回填/对账/日报/硬熔断/行业约束） | 🛠 实盘约 16/20 日（2026-07-16 净值 11,651） |
| 5a | Web 看板 + 内置定时 + 双线并行 | 🛠 运行中（live=manual / research=simulated） |
| 5 | miniQMT 全自动（vn.py） | 📋 规划中 |
| 文件 | 用途 |
|---|---|
configs/global.yaml |
标的池、基准、默认策略参数、费率、风控 |
configs/accounts/*.yaml |
分账户资金、topk、模式（simulated/manual） |
configs/secret.env |
LLM API 凭证（gitignore，勿提交） |
research/workflow_baseline.yaml |
Qlib 训练/回测/组合完整配置 |
本站在巨人肩上，核心能力来自以下开源项目（本地 clone 仅供对照，自研代码在 quant/）：
- Microsoft Qlib — AI 量化研究与回测
- Backtrader — 事件驱动回测
- VeighNa (vn.py) — 实盘通道（阶段 5 规划）
- Microsoft RD-Agent — 因子迭代思想参考
- Abu Quant — UMP 裁判思想参考
- investment_data — A 股 Qlib 数据包
本仓库为量化研究 / 学习项目，不构成任何投资建议。
股市有风险，谨慎操作；据此交易的一切后果由使用者自行承担。
- 历史回测、模拟与纸面表现均 不代表 未来收益；AI 挖掘因子存在 过拟合 风险，请务必走完准入与纸面跟踪流程。
- 实盘前请用小资金验证，并理解 A 股 T+1、涨跌停、停牌 等制度约束。
本项目完全开源、可自部署，但持续运行并不免费：
- LLM 因子实验室：DeepSeek 等 API 按 token 计费，多轮迭代提案与准入评估
- 舆情长期记忆：闲时 DeepSeek 摘要 + 高峰自部署 Qwen 推理（GPU/电费）
- 实盘舆情硬伤筛：Cursor Agent 联网检索，按次消耗
- 公网演示看板：服务器与带宽，供他人浏览学习
若你觉得这套「研究 → 验证 → 执行 → 看板」闭环有帮助，欢迎用下面两种方式支持维护（自愿、非商业、不构成任何服务对价）：
- 给仓库 Star — 最好的免费鼓励，也让更多人发现这个项目
👉 github.com/abell12134/abq 点右上角 ⭐ - 微信赞赏（可选） — 用于补贴 API 与服务器开销；金额随意，感谢认可
扫码微信赞赏 · 自愿支持 · 与研究用途无关
赞赏纯属自愿，不换取投资建议、代操、信号订阅或任何承诺收益；本仓库始终是研究 / 学习项目。
欢迎 Issue / PR。提交前请确保：
- 不提交
configs/secret.env、data/、API Key - 新 CSV 契约走
contracts/schemas.py - 研究/验证/执行三层调仓逻辑保持一致（TopkDropout + hold_thresh）
License: MIT（请随仓库一并添加 LICENSE 文件）
- docs/SWING_HUNTER.md — 短线猎手：门槛档位、数据布局、CLI、看板 API
- docs/FLOWCHARTS.md — 全部流程图（ASCII + Mermaid 双版本）
- quant/README.md — 模块手册与命令索引
- 设计实现方案.md — 完整架构、时间线、风险表、阶段验收