# HunterQuant

**Repository Path**: GhunterX/HunterQuant

## Basic Information

- **Project Name**: HunterQuant
- **Description**: 个人使用的量化交易系统
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 5
- **Forks**: 0
- **Created**: 2018-07-26
- **Last Updated**: 2026-02-12

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

#HunterQuant

一个功能完整的个人量化交易系统，专注于中国A股市场的数据获取、因子计算、策略回测和实盘交易。

## 项目概述

HunterQuant是一个端到端的量化交易平台，包含以下核心功能：

- **数据管理**：支持从通达信(TDX)数据源获取日线数据、基础数据、财报数据
- **因子计算**：10+种技术和基本面因子，包括相对强度、移动平均、成交量比率等
- **股票池筛选**：8种选股策略，包括趋势跟踪、低PE价值投资、形态识别等
- **策略回测**：完整的回测引擎，支持止损/止盈、仓位管理、基准对比
- **信号生成**：多种买卖信号类型，包括布林带突破、MA突破等
- **实时监控**：市场动量、板块表现、趋势风险等多维度监控
- **深度学习**：基于EfficientNet的K线形态识别模型

## 技术栈

- **语言**: Python 3.13
- **数据库**: MongoDB
- **数据源**: 通达信(TDX) 本地数据文件
- **深度学习**: PyTorch + torchvision (EfficientNet-B3)
- **数据分析**: Pandas, NumPy, scipy, scikit-learn
- **可视化**: Matplotlib, mplfinance

## 系统架构

```
HunterQuant/
├── data/           # 数据管理子系统
├── factor/         # 因子管理子系统
├── strategy/       # 策略管理子系统
├── trading/        # 交易决策子系统
├── monitor/        # 市场监控子系统
├── DL/             # 深度学习模块
├── util/           # 工具类
└── visual/         # 可视化工具
```

### 核心模块说明

#### 1. 数据管理子系统 (`data/`)

| 文件 | 功能 |
|------|------|
| `data_module.py` | 核心数据访问层，提供K线数据检索 |
| `daily_crawler.py` | 日K线数据爬虫 |
| `basic_crawler.py` | 基础股票信息爬虫 |
| `finance_report_crawler.py` | 财报数据爬虫 |
| `fixing/daily_fixing.py` | 数据质量修复（缺失K线、复权因子） |

**数据库集合**:
- `daily` - 日K线数据（未复权）
- `daily_qfq` - 前复权数据
- `daily_hfq` - 后复权数据
- `basic` - 每日基础信息（PE、市值等）
- `stable` - 静态股票信息
- `index_cons` - 指数成分股

#### 2. 因子管理子系统 (`factor/`)

| 因子 | 文件 | 描述 |
|------|------|------|
| 价格变化率 | `change_rate_factor.py` | 不同周期的涨跌幅 |
| 移动平均 | `hfq_ma_factor.py` | MA5/10/20/60/120/250 |
| 成交量比率 | `vol_ratio_factor.py` | 量比指标 |
| 相对强度 | `rs_factor.py` | 5/10/20/60/120/250日RS |
| 主指数因子 | `main_index_factor.py` | 指数相关因子 |
| 新高因子 | `new_high_factor.py` | 价格新高检测 |
| 中位数因子 | `median_factor.py` | 价格中位数 |
| PE因子 | `pe_factor.py` | 市盈率相关 |

#### 3. 策略管理子系统 (`strategy/`)

**股票池实现**:
- `trending_stock_pool.py` - 趋势跟踪（A-B-C-D形态识别）
- `trending_speedup_stock_pool.py` - 趋势加速检测
- `low_pe_stock_pool.py` - 低PE价值筛选
- `short_strength_stock_pool.py` - 短期强度筛选
- `pattern_stock_pool.py` - 形态选股
- `perfect_pattern_stock_pool.py` - 完美形态检测
- `manual_stock_pool.py` - 手动选股

**策略配置格式** (`strategy/strategies/*.conf`):
```ini
name=trending
stock_pool=trending_stock_pool
interval=1
begin_date=None
end_date=None
capital=10000000
single_position=1000000
stop_loss=tracking||fixed_ma20_3||keep_dates
max_loss=5
```

#### 4. 交易决策子系统 (`trading/`)

**回测引擎** (`backtest.py`):
- 完整的日级别模拟交易
- 仓位管理（单个仓位上限）
- 止损/止盈策略
- 基准对比（沪深300）
- 绩效指标：夏普比率、最大回撤、年化收益
- 交易记录存储到MongoDB

**止损策略**:
- `tracking_stop_loss.py` - 跟踪止损
- `fix_ma20_3_stop_loss.py` - MA20固定止损
- `keep_dates_stop_loss.py` - 时间止损

**止盈策略**:
- `tracking_stop_profit.py` - 跟踪止盈
- `fix_stop_profit.py` - 固定止盈目标

**信号类型**:
- 布林带突破（向上/向下）
- MA10突破
- 自定义买卖信号

#### 5. 市场监控子系统 (`monitor/`)

- `momentum_monitor.py` - 市场动量跟踪
- `main_index_monitor.py` - 指数监控
- `best_block_monitor.py` - 最佳板块表现
- `trade_fit_monitor.py` - 交易适配度分析
- `trending_risk_monitor.py` - 趋势风险评估

#### 6. 深度学习模块 (`DL/`)

基于EfficientNet-B3的K线形态识别：

- `kline_train_model.py` - PyTorch训练流水线（360行）
- `kline2img.py` - K线转图像
- 支持GPU/CPU/MPS
- 4类形态分类（双底等）
- 实时形态扫描器
- 预训练模型：`kline_pattern_model.pth` (46MB)

## 安装与配置

### 1. 环境要求

```bash
pip install pymongo pandas numpy matplotlib scipy scikit-learn
pip install torch torchvision mplfinance
```

### 2. 数据库配置

修改 `util/database.py`:

```python
# MongoDB配置
client = MongoClient('mongodb://127.0.0.1:27017/')
db = client['my_quant']
```

### 3. 数据源配置

修改 `full_task.py` 中的路径：

```python
# 通达信数据路径
tdx_data_path = '/path/to/tdx_data'
```

## 使用指南

### 完整工作流

运行 `full_task.py` 执行完整流程：

```python
python full_task.py
```

执行步骤：
1. `crawl_data()` - 数据抓取
2. `fixing_data()` - 数据修复
3. `compute_factor()` - 因子计算
4. `compute_signal()` - 信号计算
5. `monitor()` - 市场监控
6. `get_today_candidates()` - 获取今日备选股

### 单独模块使用

#### 数据抓取

```python
from data.daily_crawler import DailyCrawler
from data.basic_crawler import BasicCrawler

dc = DailyCrawler()
dc.crawl_index(begin_date="2000-01-01", end_date="2025-01-01")
dc.multi_crawl_codes(begin_date, end_date)

bc = BasicCrawler()
bc.crawl_stable_data()
bc.crawl_index_cons()
```

#### 因子计算

```python
from factor.factor_module import FactorModule
fm = FactorModule()
fm.compute(begin_date="2020-01-01", end_date="2025-01-01")
```

#### 策略回测

```python
from strategy.strategy_module import Strategy

# 使用预定义策略
strategy = Strategy('trending_strategy')
strategy.backtest()

# 或创建自定义策略配置文件后运行
strategy = Strategy('your_strategy')
strategy.backtest()
```

#### 深度学习形态识别

```python
from DL.kline_train_model import PatternScanner

scanner = PatternScanner('kline_pattern_model.pth', code, begin, end)
pattern, confidence = scanner.detect()
print(f"检测到形态: {pattern}, 置信度: {confidence}")
```

## 数据库Schema

### 主要集合

| 集合名 | 描述 |
|--------|------|
| `daily` | K线数据 (OHLCV, is_trading) |
| `daily_qfq` | 前复权K线 |
| `daily_hfq` | 后复权K线 |
| `basic` | 每日基础数据 (PE、市值等) |
| `stable` | 静态信息 (名称、行业、上市日期) |
| `index_cons` | 指数成分股 |
| `change_rate` | 价格变化率 |
| `rs` | 相对强度因子 |
| `hfq_ma` | 后复权移动平均 |
| `vol_ratio` | 成交量比率 |
| `<strategy>_backtest` | 策略回测结果 |
| `<strategy>_option_stocks` | 每期选中的股票 |
| `<strategy>_feature` | 机器学习特征数据 |

## 项目特性

1. **多进程数据处理**：使用16进程并行计算因子
2. **完整回测引擎**：支持涨停/跌停限制、滑点、手续费
3. **风险管控**：多种止损止盈策略
4. **数据质量保障**：自动填充缺失K线、计算复权因子
5. **形态识别**：深度学习模型辅助K线形态判断

## 开发说明

- 代码使用MongoDB聚合和批量写入优化性能
- 多进程处理CPU密集型因子计算
- 自定义QuantLogger日志记录
- 中英文混合注释

## 许可证

本项目为个人使用项目。

## 贡献

欢迎提交Issue和Pull Request。