# panda_quantflow

**Repository Path**: janl/panda_quantflow

## Basic Information

- **Project Name**: panda_quantflow
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: AGPL-3.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-03
- **Last Updated**: 2025-11-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# PandaAI Quantflow 量化工作流平台

## 概述

**PandaAI QuantFlow** 是一个集成的量化交易和机器学习工作流平台，旨在为量化研究人员提供完整的端到端解决方案，降低AI门槛，打破传统量化高门槛壁垒，让主观交易者、学生乃至普通投资者都能参与策略研发。
![预览](https://lyzj-ai.oss-cn-shanghai.aliyuncs.com/d712ad04032a0d70ea468cc1bfd0d144.png)
![预览](https://lyzj-ai.oss-cn-shanghai.aliyuncs.com/127c169482041aa8bd619a074665d8e2.png)
![预览](https://lyzj-ai.oss-cn-shanghai.aliyuncs.com/47f670c2e1c1d45a593cb3f6b2d707ef.png)
![预览](https://lyzj-ai.oss-cn-shanghai.aliyuncs.com/a5a35c798f3138bdbd145d647abaedee.png)


### 🚀 核心功能

**🔧 可视化工作流编排**
- 基于节点的可视化工作流设计器，支持拖拽式构建复杂的量化研究和交易策略流程
- 丰富的内置工作节点，涵盖数据处理、特征工程、机器学习、因子分析和回测等各个环节
- 灵活的插件系统，支持自定义工作节点开发和扩展

**🤖 机器学习集成**
- 支持主流机器学习算法：XGBoost、LightGBM、RandomForest、SVM、神经网络等
- 提供多任务学习(MTL)和深度学习解决方案
- 自动化模型训练、验证和预测流程

**📈 因子分析与回测策略验证**
- 高性能回测引擎，支持股票、期货
- 完整的事件驱动架构，精确模拟真实交易环境
- 兼容PandaFactor分析框架

**🌐 企业级服务架构**
- 基于FastAPI的高性能REST API服务
- 支持多用户工作流管理和权限控制
- 分布式任务执行，支持云端和本地部署
- 完善的日志系统和实时监控

### 🎯 适用场景

- **量化研究**：因子挖掘、策略开发、模型验证
- **算法交易**：策略回测、实盘验证、风险管理
- **金融数据分析**：市场研究、投资组合优化
- **机器学习应用**：金融预测模型、智能投顾

### 💡 技术特色

- **微服务架构**：模块化设计，易于扩展和维护
- **插件化设计**：通过 `@work_node` 装饰器轻松开发自定义节点
- **工作流支持json导入导出**：通过json文件快速传播和复现工作流
- **容器化部署**：支持Docker和Docker Compose快速部署


## 已规划功能，欢迎加群内测
LLM支持

API代码式调用工作流

CTP实盘交易

QMT实盘交易

数字货币支持

## 服务安装与运行

### 安装包方式 (简单，快速体验)
- 若是您不想花时间搭环境，可以用我们打包好的客户端，一键解压，可直接运行，因为内置数据库和行情数据，文件略大。
![预览](https://lyzj-ai.oss-cn-shanghai.aliyuncs.com/2a1a5cbb2a997f0f143192dc083cd906.png)
内含工作流、超级图表、因子模块。
- **MacOS 系统**: [准备中]
- **Windows 系统**: [下载 Windows 安装包](https://github.com/PandaAI-Tech/panda_quantflow/releases)（因为文件大小限制，做了分包，请下载全部文件再解压）


### 从源码安装（高度自定义，适合二次开发）
#### 前置条件
1. 安装 ANACONDA 环境 ([官网下载](https://www.anaconda.com/download))
2. 下载并启动PandaAI提供的数据库(含有行情数据)<br>
   请联系小助理从网盘下载最新的数据库
   - **MacOS 系统**: 下载并解压后运行
`chmod 600 conf/mongo.key`
`bin/mongod -replSet rs0 --dbpath data/db  --keyFile conf/mongo.key --port 27017 --quiet --auth`
   - **Windows 系统**: 下载并解压后运行 `bin\mongod.exe --replSet rs0 --dbpath data\db  --keyFile conf\mongo.key --port 27017 --quiet --auth`
3. 安装 panda_factor 相关依赖，并且启动factor服务
   ```bash
   git clone https://github.com/PandaAI-Tech/panda_factor.git
   cd panda_factor
   pip install -r requirements.txt
   pip install -e ./panda_common ./panda_factor ./panda_data ./panda_data_hub ./panda_llm ./panda_factor_server 
   python ./panda_factor_server/panda_factor_server/__main__.py
   ```
   panda_factor还有若干功能，例如数据自动更新等，具体请查看([PandaFactor](https://github.com/PandaAI-Tech/panda_factor))

  
#### 安装流程
1. 安装 panda_quantflow
   ```bash
   git clone https://github.com/PandaAI-Tech/panda_quantflow.git
   cd panda_quantflow
   pip install -e .
   ```
2. 启动 panda_quantflow 服务
   ```bash
   python src/panda_server/main.py
   ```
3. 打开 UI 图形界面
   ```bash
   超级图表：http://127.0.0.1:8000/charts/
   工作流：http://127.0.0.1:8000/quantflow/
   ```

## 编写自定义插件
- 开发者可以在项目目录`.src/panda_plugins/custom/`中编写自定义插件, 以在工作流中使用
- 自定义插件需要继承 `BaseWorkNode` 并实现 `input_model`, `output_model` 和 `run` 3 个方法
- 自定义插件示例 (更多示例在`.src/panda_plugins/custom/examples/`中)
   ```python
   from typing import Optional, Type
   from panda_plugins.base import BaseWorkNode, work_node
   from pydantic import BaseModel

   class InputModel(BaseModel):
      """
      Define the input model for the node.
      Use pydantic to define, which is a library for data validation and parsing.
      Reference: https://pydantic-docs.helpmanual.io
      
      
      为工作节点定义输入模型.
      使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
      参考文档: https://pydantic-docs.helpmanual.io
      """
      number1: int
      number2: int

   class OutputModel(BaseModel):
      """
      Define the output model for the node.
      Use pydantic to define, which is a library for data validation and parsing.
      Reference: https://pydantic-docs.helpmanual.io
      
      为工作节点定义输出模型.
      使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
      参考文档: https://pydantic-docs.helpmanual.io
      """
      result: int

   @work_node(name="示例-两数求和", group="测试节点")
   class ExamplePluginAddition(BaseWorkNode):
      """
      Implement a example node, which can add two numbers and return the result.
      实现一个示例节点, 完成一个简单的加法运算, 输入 2 个数值, 输出 2 个数值的和.
      """

      # Return the input model
      # 返回输入模型
      @classmethod
      def input_model(cls) -> Optional[Type[BaseModel]]:
         return InputModel

      # Return the output model
      # 返回输出模型
      @classmethod
      def output_model(cls) -> Optional[Type[BaseModel]]:
         return OutputModel

      # Node running logic
      # 节点运行逻辑
      def run(self, input: BaseModel) -> BaseModel:
         result = input.number1 + input.number2
         return OutputModel(result=result)

   if __name__ == "__main__":
      node = ExamplePluginAddition()
      input = InputModel(number1=1, number2=2)
      print(node.run(input))
   ```
**我们欢迎每一位用户加入节点贡献行列，共同点燃量化开源的火焰🔥** 

**如果有新的节点需求，也欢迎进群告诉我们，只要有助于项目发展，我们都愿意免费支持开发。**

## 项目结构** 
```
panda_workflow/
├── src/                    # 所有源代码
│   ├── common/             # 通用工具和配置
│   ├── panda_ml/           # 机器学习组件
│   ├── panda_plugins/      # 插件系统
│   ├── panda_server/       # API服务
│   ├── panda_backtest/     # 回测系统
│   └── panda_trading/      # 交易执行系统
├── tests/                  # 测试目录
├── pyproject.toml          # 项目配置和依赖
├── Dockerfile              # Docker配置
└── docker-compose.yml      # Docker Compose配置
```

## 加群答疑（备注【开源】更快通过）
![PandaAI 交流群](https://zynf-test.oss-cn-shanghai.aliyuncs.com/github/wechat_2025-06-27_102633_615.png)

## 贡献
欢迎贡献代码、提出 Issue 或 PR:
- Fork 本项目
- 新建功能分支 git checkout -b feature/AmazingFeature
- 提交更改 git commit -m 'Add some AmazingFeature'
- 推送分支 git push origin feature/AmazingFeature
- 发起 Pull Request

## 致谢
感谢量化李不白的粉丝们对我们的支持<br>
感谢所有开源社区的贡献者

## 许可证
本项目采用 GPLV3 许可证