🧬 基于轨迹的自进化范式，通过多样化规划初始化、轨迹级进化和结构化假设-代码约束，实现卓越的量化 Alpha 因子挖掘
💬 研究方向 → 🧩 多样化规划 → 🔄 轨迹进化 → ✅ 已验证的 Alpha 因子
**系统演示**：下方为 QuantaAlpha 本地UI从输入研究方向到因子挖掘与回测的完整流程演示，可点击观看。[📹 观看演示视频](docs/images/demo.mp4) --- ## 📊 实验结果 ### 1. 因子表现
CSI 300 挖掘因子直接迁移至 CSI 500 / S&P 500
🔬 实验复现：论文实验配置与指标口径说明 — 中文 · English
### 1. 克隆与安装 ```bash git clone https://github.com/QuantaAlpha/QuantaAlpha.git cd QuantaAlpha conda create -n quantaalpha python=3.10 conda activate quantaalpha # 以开发模式安装包 SETUPTOOLS_SCM_PRETEND_VERSION=0.1.0 pip install -e . # 安装额外依赖 pip install -r requirements.txt ``` ### 2. 配置环境变量 ```bash cp configs/.env.example .env ``` 编辑 `.env` 文件： ```bash # === 必填：数据路径 === QLIB_DATA_DIR=/path/to/your/qlib/cn_data # Qlib 数据目录 DATA_RESULTS_DIR=/path/to/your/results # 输出目录 # === 必填：LLM API === OPENAI_API_KEY=your-api-key OPENAI_BASE_URL=https://your-llm-provider/v1 # 如: DashScope, OpenAI CHAT_MODEL=deepseek-v3 # 或 gpt-4, qwen-max 等 REASONING_MODEL=deepseek-v3 ``` ### 3. 准备数据 QuantaAlpha 需要两类数据：**Qlib 行情数据**（用于回测）和**预计算的价量 HDF5 文件**（用于因子挖掘）。我们已将所有数据上传至 HuggingFace，方便下载使用。 > **数据集地址**：[https://huggingface.co/datasets/QuantaAlpha/qlib_csi300](https://huggingface.co/datasets/QuantaAlpha/qlib_csi300) | 文件 | 说明 | 用途 | | :--- | :--- | :--- | | `cn_data.zip` | Qlib 原始行情数据（A 股，2016–2025） | Qlib 初始化 & 回测必需 | | `daily_pv.h5` | 预计算的完整价量数据 | 因子挖掘必需 | | `daily_pv_debug.h5` | 预计算的调试子集（数据量较小） | 因子挖掘（调试/验证）必需 | > **为什么同时提供 HDF5 文件？** 系统可以在首次运行时从 Qlib 数据自动生成 `daily_pv.h5`，但该过程非常耗时。直接下载预计算好的 HDF5 文件可以大幅节省时间。 #### 第一步：下载数据 ```bash # 方式 A：使用 huggingface-cli（推荐） pip install huggingface_hub huggingface-cli download QuantaAlpha/qlib_csi300 --repo-type dataset --local-dir ./hf_data # 方式 B：使用 wget mkdir -p hf_data wget -P hf_data https://huggingface.co/datasets/QuantaAlpha/qlib_csi300/resolve/main/cn_data.zip wget -P hf_data https://huggingface.co/datasets/QuantaAlpha/qlib_csi300/resolve/main/daily_pv.h5 wget -P hf_data https://huggingface.co/datasets/QuantaAlpha/qlib_csi300/resolve/main/daily_pv_debug.h5 ``` #### 第二步：解压并放置文件 ```bash # 1. 解压 Qlib 数据 unzip hf_data/cn_data.zip -d ./data/qlib # 2. 将 HDF5 文件放置到默认数据目录 mkdir -p git_ignore_folder/factor_implementation_source_data mkdir -p git_ignore_folder/factor_implementation_source_data_debug cp hf_data/daily_pv.h5 git_ignore_folder/factor_implementation_source_data/daily_pv.h5 cp hf_data/daily_pv_debug.h5 git_ignore_folder/factor_implementation_source_data_debug/daily_pv.h5 ``` > **注意**：`daily_pv_debug.h5` 放入调试目录时需重命名为 `daily_pv.h5`。 #### 第三步：在 `.env` 中配置路径 ```bash # 指向解压后的 Qlib 数据目录（需包含 calendars/、features/、instruments/ 子目录） QLIB_DATA_DIR=./data/qlib/cn_data # 实验结果输出目录 DATA_RESULTS_DIR=./data/results ``` HDF5 数据目录也可以通过环境变量自定义（如果你希望放在其他位置）： ```bash # 可选：自定义 HDF5 数据路径 FACTOR_CoSTEER_DATA_FOLDER=/your/custom/path/factor_source_data FACTOR_CoSTEER_DATA_FOLDER_DEBUG=/your/custom/path/factor_source_data_debug ``` ### 4. 运行因子挖掘 ```bash ./run.sh "<你的输入>" # 示例：指定研究方向运行 ./run.sh "价量因子挖掘" # 示例：指定因子库后缀 ./run.sh "微观结构因子" "exp_micro" ``` 实验会自动挖掘、进化和验证 Alpha 因子，并将所有发现的因子保存到 `all_factors_library*.json`。 ### 5. 独立回测 挖掘完成后，从因子库中组合因子进行全周期回测： ```bash # 仅使用自定义因子回测 python -m quantaalpha.backtest.run_backtest \ -c configs/backtest.yaml \ --factor-source custom \ --factor-json all_factors_library.json # 结合 Alpha158(20) 基线因子 python -m quantaalpha.backtest.run_backtest \ -c configs/backtest.yaml \ --factor-source combined \ --factor-json all_factors_library.json # 仅加载因子，不执行回测（检查因子加载是否正常） python -m quantaalpha.backtest.run_backtest \ -c configs/backtest.yaml \ --factor-source custom \ --factor-json all_factors_library.json \ --dry-run -v ``` 结果保存在 `configs/backtest.yaml` 中 `experiment.output_dir` 指定的目录。 > 📘 需要帮助？请查阅完整的 **[用户指南](docs/user_guide.md)**，了解高级配置、实验复现和详细使用示例。 --- ## 🖥️ Web 界面 QuantaAlpha 提供基于 Web 的可视化界面，你可以在界面中完成全部工作流——无需命令行操作。 ```bash conda activate quantaalpha cd frontend-v2 bash start.sh # 访问 http://localhost:3000 ``` - **⚙️ 系统设置**：在界面中直接配置 LLM API、数据路径和实验参数 - **⛏️ 因子挖掘**：通过自然语言输入启动实验，实时监控进度 - **📚 因子库**：浏览、搜索和筛选所有已挖掘因子，支持质量分级 - **📈 独立回测**：选择因子库，运行全周期回测并查看可视化结果 --- ## 💬 用户社区
|