# FactorHub **Repository Path**: qianglegend/FactorHub ## Basic Information - **Project Name**: FactorHub - **Description**: FactorHub是一个自研的现代化量化因子分析平台，专为量化投资研究者设计。平台完全自主研发，集成了「数据获取-因子管理-因子分析-策略回测-因子挖掘」的完整工作流程，通过直观的Web界面和强大的计算引擎，大幅降低量化分析的门槛，提高研究效率。 FactorHub = Factor（因子） + Hub（中心），意为因子分析和管理的核心枢纽。 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 2 - **Forks**: 0 - **Created**: 2025-10-10 - **Last Updated**: 2026-03-16 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # FactorHub **FactorHub** 是一个开源的现代化量化因子分析平台，专为中国A股市场设计。 > FactorHub = Factor（因子） + Hub（中心） 一个集因子管理、分析、挖掘、组合优化和策略回测于一体的全栈量化投研系统。 --- ## 语言选项 - 🇬🇧 **English** - [README.md](README.md) - 🇯🇵 **日本語 (Japanese)** - [README_JP.md](README_JP.md) --- ## 核心价值 | 价值支柱 | 说明 | | -------------------------- | ------------------------------------------- | | 🎯**完整因子生命周期管理** | 从因子创建、验证、分析到部署的全流程支持 | | 🧪**科学的因子评估体系** | IC/IR分析、单调性检验、换手率分析等专业指标 | | 🧬**智能因子挖掘** | 基于遗传算法的自动因子挖掘，发现阿尔法信号 | | 📊**专业回测引擎** | 支持多因子组合、策略对比、性能归因分析 | --- ## 核心功能 ![1773500695533](image/README_ZH/1773500695533.png) ### 1. 因子管理 - ✅ **自定义因子定义** - 支持通达信（麦语言）语法和TALib函数 - ✅ **公式验证** - 实时语法检查和逻辑验证 - ✅ **版本管理** - 因子修改历史记录和版本回滚 - ✅ **预置因子库** - 内置常用技术因子（MA、RSI、MACD、布林带等） ![1773500664940](image/README_ZH/1773500664940.png) ### 2. 因子分析 - ✅ **IC/IR分析** - 信息系数和信息比率计算（支持1日、5日、10日预测周期） - ✅ **因子暴露度分析** - 分析股票在因子上的暴露分布 - ✅ **因子有效性检验** - 多维度评估因子预测能力 - ✅ **因子归因分析** - 分解因子对收益的贡献 - ✅ **动态监测** - 时间序列维度的因子表现跟踪 ![1773500638704](image/README_ZH/1773500638704.png) ### 3. 因子挖掘 - ✅ **遗传算法挖掘** - 基于DEAP的进化算法自动搜索有效因子 - ✅ **多目标优化** - 同时优化IC、IR、单调性等多个目标 - ✅ **因子生成** - 支持基本算子、函数调用、时间窗口操作 - ✅ **并行计算** - 支持种群并行评估，加速挖掘过程 ![1773500591756](image/README_ZH/1773500591756.png) ### 4. 组合分析 - ✅ **多因子组合** - 支持等权、市值加权、最大化IC_IR等组合方法 - ✅ **风险模型** - 因子中性化处理 - ✅ **优化配置** - 基于历史表现的因子权重优化 - ✅ **组合绩效** - 年化收益、夏普比率、最大回撤等指标 ![1773500498447](image/README_ZH/1773500498447.png) ### 5. 策略回测 - ✅ **单因子回测** - 基于因子分位数的选股回测 - ✅ **多因子策略** - 复合因子信号生成 - ✅ **策略对比** - 多策略并行回测和对比分析 - ✅ **绩效指标** - 收益、风险、换手率等完整指标体系 - ✅ **可视化图表** - 净值曲线、回撤、因子表现等图表 ![1773500440529](image/README_ZH/1773500440529.png) --- ## 技术架构 ### 技术栈 **后端:** - FastAPI 0.135+ - 高性能Web框架 - SQLAlchemy 2.0 - ORM数据库操作 - SQLite - 轻量级数据存储 - Pandas 2.0+ / NumPy - 数据处理 - TA-Lib - 技术分析库 - VectorBT 0.25+ - 回测引擎 - DEAP 1.3+ - 遗传算法框架 - XGBoost 2.0+ - 机器学习模型 - SHAP 0.42+ - 模型解释 - akshare 1.12+ - 中国A股数据源 **前端:** - React 19 - 用户界面框架 - TypeScript - 类型安全 - Ant Design 6 - UI组件库 - ECharts 6 - 数据可视化 - React Router 7 - 路由管理 - Axios - HTTP客户端 - Vite - 构建工具 ### 系统架构（三层设计） ``` ┌─────────────────────────────────────────────────────────┐ │ 前端层 (Frontend) │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────┐ │ │ │ 因子管理 │ │ 因子分析 │ │ 组合优化 │ │ 回测 │ │ │ └──────────┘ └──────────┘ └──────────┘ └──────┘ │ └─────────────────────────────────────────────────────────┘ ↓ HTTP / REST API ┌─────────────────────────────────────────────────────────┐ │ API层 (Routers) │ │ /api/factors /api/analysis /api/mining │ │ /api/portfolio /api/backtest /api/data │ └─────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────┐ │ 业务逻辑层 (Services) │ │ ┌─────────────────┐ ┌─────────────────┐ │ │ │ factor_service │ │ analysis_service│ │ │ └─────────────────┘ └─────────────────┘ │ │ ┌─────────────────┐ ┌─────────────────┐ │ │ │ backtest_svc │ │ portfolio_svc │ │ │ └─────────────────┘ └─────────────────┘ │ │ ┌─────────────────┐ ┌─────────────────┐ │ │ │ mining_svc │ │ data_service │ │ │ └─────────────────┘ └─────────────────┘ │ │ ┌───────────────────────────────────────────────────┐ │ │ │ 策略系统 (Strategies) │ │ │ │ 等权 市值加权 动量 均值回归 自定义... │ │ │ └───────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────┐ │ 数据访问层 (Repositories) │ │ factor_repository, etc. │ └─────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────┐ │ 数据库层 (Database) │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ factors │ │ backtests│ │ cache │ │ │ └──────────┘ └──────────┘ └──────────┘ │ └─────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────┐ │ 外部数据源 (Data Sources) │ │ ┌───────────────────────────────────────────────────┐ │ │ │ akshare (A股数据) │ │ │ │ 日线数据 财务数据 指数数据 行业分类... │ │ │ └───────────────────────────────────────────────────┘ │ └─────────────────────────────────────────────────────────┘ ``` --- ## 项目结构 ``` FactorHub/ ├── backend/ # 后端代码 │ ├── api/ # API层 │ │ ├── main.py # FastAPI主应用 │ │ └── routers/ # API路由 │ │ ├── factors.py # 因子管理接口 │ │ ├── analysis.py # 因子分析接口 │ │ ├── mining.py # 因子挖掘接口 │ │ ├── portfolio.py # 组合分析接口 │ │ ├── backtest.py # 策略回测接口 │ │ └── data.py # 数据管理接口 │ ├── services/ # 业务逻辑层 │ │ ├── factor_service.py # 因子服务 │ │ ├── analysis_service.py # 分析服务 │ │ ├── backtest_service.py # 回测服务 │ │ ├── portfolio_analysis_service.py # 组合服务 │ │ ├── genetic_factor_mining_service.py # 挖掘服务 │ │ ├── data_service.py # 数据服务 │ │ ├── factor_generator_service.py # 因子生成 │ │ ├── factor_validation_service.py # 因子验证 │ │ ├── factor_attribution_service.py # 归因分析 │ │ ├── factor_exposure_service.py # 暴露度分析 │ │ ├── factor_effectiveness_service.py # 有效性分析 │ │ ├── factor_monitoring_service.py # 动态监测 │ │ ├── formula_compiler_service.py # 公式编译 │ │ ├── vectorbt_backtest_service.py # VectorBT回测 │ │ └── ... │ ├── strategies/ # 策略实现 │ │ ├── base_strategy.py # 策略基类 │ │ └── strategy_registry.py # 策略注册 │ ├── repositories/ # 数据访问层 │ │ └── factor_repository.py │ ├── models/ # ORM模型 │ │ └── factor.py │ └── core/ # 核心配置 │ ├── settings.py # 配置管理 │ └── database.py # 数据库连接 ├── frontend/ # 前端代码 │ └── react-antd/ # React + Ant Design版本 │ ├── src/ │ │ ├── pages/ # 页面组件 │ │ │ ├── Home.tsx │ │ │ ├── FactorManagement.tsx │ │ │ ├── FactorAnalysis.tsx │ │ │ ├── FactorMining.tsx │ │ │ ├── PortfolioAnalysis.tsx │ │ │ └── Backtesting.tsx │ │ ├── components/ # 通用组件 │ │ │ └── BacktestCharts.tsx │ │ ├── services/ # API客户端 │ │ │ └── api.ts │ │ ├── utils/ # 工具函数 │ │ │ └── router.tsx │ │ └── types/ # TypeScript类型 │ ├── package.json │ ├── vite.config.ts │ └── .npmrc ├── config/ # 配置文件 │ └── factors.yaml # 预置因子配置 ├── data/ # 数据目录 │ ├── db/ # SQLite数据库 │ └── cache/ # 数据缓存 ├── docs/ # 文档 ├── tests/ # 测试 ├── scripts/ # 工具脚本 ├── pyproject.toml # Python依赖配置 ├── start_api.py # 后端启动脚本 ├── start_all.py # 一键启动脚本 └── README.md ``` --- ## 系统架构图 ```mermaid graph TB subgraph "Frontend Layer" A[React 19 + TypeScript] B[Ant Design 6] C[ECharts 6] D[React Router] end subgraph "API Gateway Layer" E[FastAPI 0.135+] F[CORS Middleware] G[JSON Encoder] end subgraph "Business Logic Layer" H[Factor Service] I[Analysis Service] J[Backtest Service] K[Portfolio Service] L[Mining Service] M[Data Service] end subgraph "Strategy Engine" N[Base Strategy] O[Equal Weight] P[Market Cap] Q[Momentum] R[Mean Reversion] end subgraph "Data Layer" S[(SQLite DB)] T[(akshare API)] U[Cache Layer] end A -->|HTTP/REST| E B --> A C --> A D --> A E --> F F --> G G --> H G --> I G --> J G --> K G --> L G --> M H --> S I --> S J --> S K --> S L --> S J --> N N --> O N --> P N --> Q N --> R M --> T M --> U H --> U ``` --- ## 数据流架构 ### 因子分析数据流 ```mermaid sequenceDiagram participant User as 用户 participant FE as 前端 participant API as API Router participant AS as Analysis Service participant DS as Data Service participant FS as Factor Service participant AK as akshare User->>FE: 选择因子+股票+日期 FE->>API: POST /api/analysis/calculate API->>AS: calculate_factor() AS->>DS: get_stock_data() DS->>AK: 调用akshare API AK-->>DS: 返回原始数据 DS->>DS: 数据预处理
（3σ去极值/缺失值填充/标准化） DS-->>AS: 返回清洗后的数据 AS->>FS: calculate_factor() FS->>FS: 编译因子公式
（MyLanguage/TALib） FS->>FS: 执行因子计算 FS-->>AS: 返回因子值 AS->>AS: 计算IC/IR
计算前向收益
统计检验 AS-->>API: 返回分析结果 API-->>FE: JSON响应 FE->>FE: ECharts可视化 FE-->>User: 展示分析图表 ``` ### 回测数据流 ```mermaid sequenceDiagram participant User as 用户 participant FE as 前端 participant API as API Router participant BS as Backtest Service participant DS as Data Service participant ST as Strategy participant VM as VectorBT User->>FE: 配置回测参数 FE->>API: POST /api/backtesting/run API->>BS: run_backtest() BS->>DS: get_stock_data() DS-->>BS: 历史行情数据 BS->>ST: generate_signals() ST->>ST: 因子计算 ST->>ST: 信号生成 ST-->>BS: 买卖信号 BS->>VM: VectorBT回测 VM->>VM: 计算净值 VM->>VM: 计算绩效指标 VM-->>BS: 回测结果 BS->>BS: 计算风险指标
计算换手率
生成图表数据 BS-->>API: 返回回测结果 API-->>FE: JSON响应 FE->>FE: ECharts可视化 FE-->>User: 展示回测报告 ``` --- ## 应用场景 ### 1. 因子研究人员 **场景**：量化研究员需要测试一个新的技术因子 **操作流程**： 1. 在因子管理页面创建新因子，输入公式（如 `(CLOSE - REF(CLOSE, 5)) / REF(CLOSE, 5)`） 2. 系统自动验证公式语法和逻辑 3. 进入因子分析页面，选择该因子和沪深300成分股 4. 运行IC分析，查看因子预测能力 5. 使用遗传算法挖掘优化该因子 ### 2. 基金经理 **场景**：构建多因子选股组合 **操作流程**： 1. 从因子库中选择5-8个有效因子（估值、动量、质量等） 2. 进入组合分析页面，配置因子权重 3. 系统进行因子中性化处理 4. 查看组合历史表现和风险指标 5. 使用优化器自动寻找最优权重配置 ### 3. 量化交易员 **场景**：回测多因子选股策略 **操作流程**： 1. 选择2-3个互补因子构建复合信号 2. 进入策略回测页面，配置参数（初始资金、手续费、调仓频率） 3. 选择等权或市值加权策略 4. 运行回测，查看净值曲线、回撤、夏普比率 5. 对比多个策略的表现，选择最优方案 ### 4. 金融工程团队 **场景**：批量挖掘和管理因子库 **操作流程**： 1. 使用遗传算法挖掘器，设置种群规模100，进化50代 2. 系统自动搜索有效因子组合 3. 对挖掘出的因子进行严格的样本外测试 4. 将有效因子加入生产因子库 5. 持续监控因子表现衰减 --- ## 快速开始 ### 前置要求 - **Python 3.11+** - **Node.js 18+** - **pnpm** (包管理器) - **TA-Lib** (技术分析库) ### 安装 pnpm ```bash npm install -g pnpm ``` 或访问：https://pnpm.io/installation ### 安装 TA-Lib **Windows:** ```bash # 下载预编译的wheel包安装 pip install TA_Lib-0.4.28-cp311-cp311-win_amd64.whl ``` **Mac:** ```bash brew install ta-lib pip install TA-Lib ``` **Linux:** ```bash sudo apt-get install ta-lib pip install TA-Lib ``` ### 一键启动 使用提供的 `start_all.py` 脚本可以一键启动所有服务： ```bash cd h:\pythonwork\FactorFlow python start_all.py ``` 这个脚本会： 1. 检查环境（pnpm、node_modules） 2. 自动安装前端依赖（如果需要） 3. 启动后端API服务（端口8000） 4. 启动前端开发服务器（端口5173） 5. 自动打开浏览器 ### 分别启动 #### 后端 ```bash # 使用 uv（推荐） uv sync uv run python start_api.py # 或使用标准 Python pip install -r requirements.txt python start_api.py ``` 后端将在 http://localhost:8000 启动，API文档位于 http://localhost:8000/docs #### 前端 ```bash cd frontend/react-antd pnpm install pnpm dev ``` 前端将在 http://localhost:5173 启动 ### 访问应用 启动成功后，访问： | 服务 | 地址 | 说明 | | -------- | -------------------------- | ------------------ | | 前端应用 | http://localhost:5173 | React + Ant Design | | API服务 | http://localhost:8000 | FastAPI后端 | | API文档 | http://localhost:8000/docs | Swagger文档 | --- ## 数据处理计算逻辑 ### 1. 数据获取与缓存 **数据源**：akshare（开源A股数据接口） **缓存策略**： - 缓存目录：`data/cache/akshare/` - 缓存时间：7天（可配置） - 缓存键：基于股票代码和日期范围的哈希值 **数据字段**： - 开盘价（OPEN）、最高价（HIGH）、最低价（LOW）、收盘价（CLOSE） - 成交量（VOLUME）、成交额（AMOUNT） - 涨跌幅（PCT_CHG） ### 2. 数据预处理流程 ``` 原始数据 ↓ 缺失值检测 ↓ 前向填充（Forward Fill） ↓ 后向填充（Backward Fill）（兜底） ↓ 异常值检测（3σ原则） ↓ 异常值截断（Winsorize） ↓ 滚动窗口标准化（252交易日） ↓ 预处理完成数据 ``` **详细说明**： 1. **缺失值处理** - 首先尝试前向填充（使用上一个有效值） - 剩余缺失值使用后向填充（使用下一个有效值） - 仍有缺失则删除该行（极端情况） 2. **异常值处理** - 计算滚动252日均值和标准差 - 超过均值±3σ的值被视为异常值 - 异常值被截断到±3σ边界 3. **标准化处理** - 使用滚动252日窗口进行z-score标准化 - `normalized = (value - mean) / std` - 避免未来数据泄露 ### 3. 因子计算引擎 **公式语法**：支持通达信（MyLanguage）语法 **内置函数**： | 函数名 | 说明 | 示例 | | ----------------------------- | ---------------- | --------------------------- | | `REF(X, N)` | 引用N周期前的X值 | `REF(CLOSE, 1)` | | `SMA(X, N)` | 简单移动平均 | `SMA(CLOSE, 5)` | | `EMA(X, N)` | 指数移动平均 | `EMA(CLOSE, 10)` | | `HHV(X, N)` | N周期内最高价 | `HHV(HIGH, 20)` | | `LLV(X, N)` | N周期内最低价 | `LLV(LOW, 20)` | | `SUM(X, N)` | N周期求和 | `SUM(VOLUME, 5)` | | `AVE(X, N)` | N周期均值 | `AVE(CLOSE, 10)` | | `STD(X, N)` | N周期标准差 | `STD(CLOSE, 20)` | | `RSI(X, N)` | RSI指标 | `RSI(CLOSE, 14)` | | `MACD(X, fast, slow, signal)` | MACD指标 | `MACD(CLOSE, 12, 26, 9)` | | `BBANDS(X, N, K)` | 布林带 | `BBANDS(CLOSE, 20, 2)` | | `ADX(X, N)` | ADX指标 | `ADX(HIGH, LOW, CLOSE, 14)` | | `ATR(X, N)` | ATR指标 | `ATR(HIGH, LOW, CLOSE, 14)` | **运算符**：`+`、`-`、`*`、`/`、`>`、`<`、`>=`、`<=`、`==`、`&`（与）、`|`（或） **因子示例**： ``` # 动量因子（5日收益率） (CLOSE - REF(CLOSE, 5)) / REF(CLOSE, 5) # 均值回归因子 (AVE(CLOSE, 20) - CLOSE) / AVE(CLOSE, 20) # 波动率因子 STD(CLOSE, 20) / AVE(CLOSE, 20) # 量价配合因子 (CLOSE - REF(CLOSE, 1)) * VOLUME ``` ### 4. IC/IR计算逻辑 **IC（Information Coefficient，信息系数）**： - 定义：因子值与未来收益率的相关系数 - 作用：衡量因子的预测能力 **计算步骤**： 1. 对每只股票，计算t期的因子值 `factor_t` 2. 计算t+1期的收益率 `return_{t+1} = (close_{t+1} - close_t) / close_t` 3. 计算截面上所有股票的 `factor_t` 与 `return_{t+1}` 的Pearson相关系数 → 得到t期的IC 4. 对时间序列上所有IC值计算均值和标准差 **IC均值**： ``` IC_mean = mean(IC_1, IC_2, ..., IC_T) ``` **IR（Information Ratio，信息比率）**： ``` IR = IC_mean / IC_std ``` 其中 `IC_std` 是IC的时间序列标准差。 **预测周期**： - 支持1日、5日、10日预测周期 - 可配置：`forward_returns = [1, 5, 10]` **统计检验**： - IC的t统计量 - IC的p值 - IC>0的比例 - IC的自相关性 ### 5. 回测引擎逻辑 **VectorBT集成**： - 基于VectorBT 0.25+高性能回测框架 - 支持向量化计算，大幅提升回测速度 **单因子回测**： 1. 计算因子值 2. 按因子值排序，分为N组（默认5组） 3. 做多因子值最高的一组，做空最低的一组（可选） 4. 定期调仓（日频、周频、月频） **绩效指标**： - **收益率**：累计收益率、年化收益率 - **风险指标**：波动率、夏普比率、最大回撤、Calmar比率 - **交易指标**：换手率、交易次数、胜率、盈亏比 **净值计算**： ``` equity_t = equity_{t-1} * (1 + return_t) ``` **手续费模型**： - 默认：万分之三（0.03%） - 单边收费，买卖均收取 --- ## 许可证 ### 双重许可证 **个人使用**： 本项目采用 **GNU Affero General Public License v3.0 (AGPL-3.0)** 开源许可证。 您可以自由地： - ✅ 使用本软件用于个人学习、研究和非商业用途 - ✅ 修改和改进本软件 - ✅ 分发修改后的版本（需保持相同许可证） - ✅ 在您的项目中引用本项目 **商业使用**： ⚠️ **重要提示**：任何商业用途（包括但不限于： - 在商业产品中集成本项目 - 使用本项目提供付费服务 - 使用本项目进行生产环境的量化交易 - 在公司内部使用本项目进行投研） **都需要获得单独的商业授权**。 --- ### 联系我们获取商业授权 **邮箱**：yl_zhangqiang@foxmail.com 请在邮件中说明： 1. 您的公司/组织名称 2. 您的使用场景和需求 3. 预计使用规模 4. 联系人信息 我们将在3个工作日内回复您。 --- ## 联系我们 **项目维护者**：FactorHub Team **邮箱**：yl_zhangqiang@foxmail.com **欢迎反馈**： - Bug报告 - 功能建议 - 技术交流 - 合作咨询 --- ## 致谢 感谢以下开源项目： - [akshare](https://github.com/akfamily/akshare) - 开源财经数据接口 - [FastAPI](https://fastapi.tiangolo.com/) - 现代Python Web框架 - [VectorBT](https://vectorbt.dev/) - 量化回测框架 - [Ant Design](https://ant.design/) - 企业级UI设计语言 - [ECharts](https://echarts.apache.org/) - 数据可视化库 --- **最后更新**：2026-03-14