Alpha101 是一个完整的量化因子计算系统，实现了《101 Formulaic Alphas》论文中的全部101个Alpha因子。系统专注于高效、准确的因子计算，为量化投资研究提供强大的特征工程工具。
- 当前版本: v1.0.1 (三层架构 - 已实现)
- 规划版本: v1.0.2 (五层架构 - 包含信号层和回测层)
详细架构设计请参考 ARCHITECTURE.md
✅ v1.0.1 已完成: 101/101 Alpha因子全部实现 (100%)
- ✅ Alpha002-021: 20个基础因子 (价格、成交量基础指标)
- ✅ Alpha022-041: 20个相关性因子 (价格-成交量相关性分析)
- ✅ Alpha042-061: 20个复杂因子 (多指标组合分析)
- ✅ Alpha062-081: 20个时间序列因子 (高级时间序列操作)
- ✅ Alpha082-101: 20个统计因子 (复杂统计和排名分析)
🚀 v1.0.2 规划中: 五层架构扩展
- 🔄 信号层: 因子处理、信号生成、组合优化
- 🔄 回测层: 策略回测、性能分析、报告生成
测试覆盖率: 100% (所有因子都有完整的单元测试和集成测试)
Alpha因子是用于预测股票收益的特征变量，不是直接的交易信号。
系统的设计理念：
- 特征工程: 将原始市场数据转换为预测性特征
- 模块化: 每个组件职责单一，接口清晰
- 可验证: 每个因子都有完整的测试和验证
- 高性能: 优化的计算流程，支持大规模数据处理
┌─────────────────────────────────────────────────────────────┐
│ 测试验证层 (Test Layer) │
│ 单元测试、集成测试、性能验证 │
└─────────────────────────────────────────────────────────────┘
↑
┌─────────────────────────────────────────────────────────────┐
│ 核心计算层 (Computation Layer) │
│ Alpha因子计算、辅助函数、数据验证 │
└─────────────────────────────────────────────────────────────┘
↑
┌─────────────────────────────────────────────────────────────┐
│ 数据层 (Data Layer) │
│ 数据获取、数据库查询、数据接口 │
└─────────────────────────────────────────────────────────────┘
详细架构设计请参考 ARCHITECTURE.md
v1.0.2 将在现有三层架构基础上扩展为五层架构，形成完整的量化交易系统：
信号层 (Signal Layer)
- 因子标准化和合成
- 多种信号生成策略
- 组合优化和权重分配
- 风险控制和仓位管理
回测层 (Backtest Layer)
- 策略执行引擎
- 性能分析和归因
- 风险指标计算
- 可视化报告生成
- 阶段1: 信号层开发 (4-6周)
- 阶段2: 回测层开发 (6-8周)
- 阶段3: 集成测试 (2-3周)
- 阶段4: 部署维护 (持续)
- 机器学习模型集成
- 高级风险管理
- 交互式可视化
- 企业级部署支持
Alpha101/
├── core/ # 核心计算层
│ ├── alpha_factors.py # 101个Alpha因子实现 ⭐
│ ├── alpha_helpers.py # 辅助函数库
│ ├── validation.py # 数据验证模块
│ ├── alpha101.py # 主入口文件
│ └── mertics.py # 性能指标计算
│
├── data/ # 数据层
│ ├── data_api.py # 统一数据接口
│ ├── query_database.py # 数据库查询
│ ├── db/stock_data.db # SQLite数据库
│ └── USAGE.md # 数据使用说明
│
├── test/ # 测试验证层
│ ├── test_alpha005_020.py # Alpha005-020测试
│ ├── test_alpha021_040.py # Alpha021-040测试
│ ├── test_alpha041_060.py # Alpha041-060测试
│ ├── test_alpha061_080.py # Alpha061-080测试
│ ├── test_alpha081_101.py # Alpha081-101测试
│ ├── alpha001_local_test.py # 完整集成测试
│ └── test_data_format.py # 数据格式测试
│
├── Configs/ # 配置管理
│ └── config.py # 系统配置
│
├── docs/ # 文档
│ ├── ARCHITECTURE.md # 架构设计文档
│ └── Alpha101 Learning.ipynb # 学习笔记
│
├── examples/ # 使用示例
├── source/ # 资源文件
│ └── Alpha101.pdf # 原始论文
│
├── requirements.txt # 项目依赖
├── install_dependencies.sh # 安装脚本
└── README.md # 项目说明
graph TB
subgraph "用户接口层 (User Interface Layer)"
A[测试脚本] --> B[快速测试]
A --> C[完整测试]
A --> D[本地测试]
end
subgraph "业务逻辑层 (Business Logic Layer)"
E[Alpha因子计算] --> F[Alpha002-101]
E --> G[完整因子库]
H[策略实现] --> I[聚宽策略]
H --> J[自定义策略]
end
subgraph "数据访问层 (Data Access Layer)"
K[数据获取] --> L[Baostock]
K --> M[聚宽数据]
K --> N[本地数据]
O[数据处理] --> P[清洗]
O --> Q[转换]
O --> R[验证]
end
subgraph "基础设施层 (Infrastructure Layer)"
S[工具函数] --> T[技术指标]
S --> U[数学运算]
S --> V[时间序列]
W[配置管理] --> X[参数设置]
W --> Y[环境配置]
end
B --> E
C --> E
D --> E
E --> K
E --> S
H --> K
H --> S
K --> O
O --> S
flowchart LR
subgraph "数据输入"
A1[股票代码] --> B1[时间范围]
B1 --> C1[数据源选择]
end
subgraph "数据获取"
C1 --> D1{数据源类型}
D1 -->|网络| E1[Baostock API]
D1 -->|网络| F1[聚宽 API]
D1 -->|本地| G1[CSV/Excel文件]
end
subgraph "数据处理"
E1 --> H1[数据清洗]
F1 --> H1
G1 --> H1
H1 --> I1[格式标准化]
I1 --> J1[缺失值处理]
J1 --> K1[异常值检测]
end
subgraph "因子计算"
K1 --> L1[Alpha因子引擎]
L1 --> M1[技术指标计算]
M1 --> N1[因子值生成]
N1 --> O1[结果验证]
end
subgraph "输出结果"
O1 --> P1[因子序列]
P1 --> Q1[性能指标]
Q1 --> R1[可视化图表]
end
graph TD
subgraph "核心模块 (core/)"
A[alpha_factors.py<br/>Alpha002-101因子实现]
B[alpha_helpers.py<br/>辅助函数库]
C[validation.py<br/>数据验证]
D[alpha101.py<br/>主入口]
E[mertics.py<br/>性能指标]
end
subgraph "数据模块 (data/)"
F[data_api.py<br/>统一数据接口]
G[query_database.py<br/>数据库查询]
H[stock_data.db<br/>本地数据库]
end
subgraph "测试模块 (test/)"
I[test_alpha005_020.py<br/>Alpha005-020测试]
J[test_alpha021_040.py<br/>Alpha021-040测试]
K[test_alpha041_060.py<br/>Alpha041-060测试]
L[test_alpha061_080.py<br/>Alpha061-080测试]
M[test_alpha081_101.py<br/>Alpha081-101测试]
N[alpha001_local_test.py<br/>集成测试]
end
subgraph "文档模块 (docs/)"
O[ARCHITECTURE.md<br/>架构文档]
P[Alpha 101 Learning.md<br/>学习文档]
Q[Alpha101 Learning.ipynb<br/>交互文档]
end
%% 依赖关系
A --> B
A --> C
D --> A
D --> B
F --> G
G --> H
I --> A
J --> A
K --> A
L --> A
M --> A
N --> A
N --> F
%% 样式
classDef coreClass fill:#e1f5fe,stroke:#01579b,stroke-width:2px
classDef dataClass fill:#f3e5f5,stroke:#4a148c,stroke-width:2px
classDef testClass fill:#e8f5e8,stroke:#1b5e20,stroke-width:2px
classDef docsClass fill:#fff3e0,stroke:#e65100,stroke-width:2px
class A,B,C,D,E coreClass
class F,G,H dataClass
class I,J,K,L,M,N testClass
class O,P,Q docsClass
- 核心计算层: 专注于Alpha因子的数学计算和算法实现
- 数据访问层: 负责各种数据源的统一接入和处理
- 测试验证层: 确保代码质量和因子计算的正确性
- 文档知识层: 提供完整的学习和参考资料
- 每个模块职责单一，便于维护和扩展
- 松耦合设计，模块间通过标准接口通信
- 支持插件式扩展，可以轻松添加新的因子或数据源
- 分层测试策略：单元测试 → 集成测试 → 性能测试
- 测试驱动开发，确保每个因子都有对应的验证
- 支持多种测试场景：本地测试、网络测试、快速验证
- 标准化的因子接口，便于添加新的Alpha因子
- 支持多种数据源，可以根据需要切换或组合
- 模块化的策略实现，支持不同平台的策略部署
- 完整的理论文档和实现文档
- 交互式学习环境 (Jupyter Notebook)
- 详细的API文档和使用示例
- alpha_factors.py: Alpha因子的核心实现，包含Alpha002-101共100个因子的计算逻辑
- alpha_helpers.py: 提供数据处理、技术指标计算等辅助函数
- validation.py: 数据验证模块
- alpha101.py: 向后兼容的主入口文件
- mertics.py: 性能指标计算模块
- test_alpha005_020.py: Alpha005-020因子测试套件
- test_alpha021_040.py: Alpha021-040因子测试套件
- test_alpha041_060.py: Alpha041-060因子测试套件
- test_alpha061_080.py: Alpha061-080因子测试套件
- test_alpha081_101.py: Alpha081-101因子测试套件
- alpha001_local_test.py: 完整的集成测试脚本（使用Baostock数据）
- test_data_format.py: 数据格式验证测试
- ARCHITECTURE.md: 完整的系统架构设计文档
- Alpha 101 Learning.md: Alpha因子的学习笔记和理论说明
- Alpha101 Learning.ipynb: 交互式学习和分析文档
- Alpha101.pdf: 《101 Formulaic Alphas》原始论文
- data_api.py: 统一数据访问接口
- query_database.py: SQLite数据库查询模块
- db/stock_data.db: 本地股票数据存储
- config.py: 系统配置参数
Alpha 101 因子涵盖了多种量化交易策略类型：
- 动量策略：基于价格趋势的延续性
- 均值回归策略：基于价格回归到均值的假设
- 成交量分析：基于成交量变化与价格关系
- 价格模式识别：基于价格形态和模式
- 行业中性化：去除行业因素的影响
- 时间序列分析：基于历史数据的时间序列模式
- 横截面分析：基于不同资产间的相对表现
sequenceDiagram
participant U as 用户
participant T as 测试脚本
participant C as 核心计算模块
participant H as 辅助工具
participant D as 数据源
participant V as 验证模块
U->>T: 启动测试
T->>D: 请求股票数据
D-->>T: 返回原始数据
T->>H: 数据预处理
H->>H: 清洗异常值
H->>H: 标准化格式
H-->>T: 处理后数据
T->>C: 调用Alpha因子
C->>H: 计算技术指标
H-->>C: 返回指标值
C->>C: 执行因子公式
C->>C: 应用时间序列操作
C-->>T: 因子计算结果
T->>V: 结果验证
V->>V: 检查数值范围
V->>V: 验证计算逻辑
V-->>T: 验证报告
T-->>U: 输出最终结果
flowchart TD
A[输入数据] --> B{数据验证}
B -->|通过| C[计算收盘价变化率]
B -->|失败| Z[错误处理]
C --> D[计算成交量变化率]
D --> E[应用rank函数]
E --> F[计算相关系数]
F --> G[时间序列滑动窗口]
G --> H[标准化处理]
H --> I[生成因子值]
I --> J{结果验证}
J -->|有效| K[输出因子序列]
J -->|无效| L[重新计算]
L --> C
K --> M[性能分析]
M --> N[可视化展示]
style A fill:#e3f2fd
style K fill:#e8f5e8
style Z fill:#ffebee
style L fill:#fff3e0
# 克隆项目
git clone https://github.com/YutaoWang03/Quant---Alpha101.git
cd Quant---Alpha101
# 安装依赖
pip install -r requirements.txt# 运行Alpha因子测试套件
python -m pytest test/test_alpha005_020.py -v
python -m pytest test/test_alpha021_040.py -v
python -m pytest test/test_alpha041_060.py -v
python -m pytest test/test_alpha061_080.py -v
python -m pytest test/test_alpha081_101.py -v
# 运行完整集成测试（需要网络连接）
python test/alpha001_local_test.py
# 运行数据格式测试
python test/test_data_format.py# 导入Alpha因子和数据接口
from core.alpha_factors import calculateAlpha002 # 注意：Alpha001未实现，从Alpha002开始
from data.data_api import DataAPI
import pandas as pd
# 获取数据并计算因子
with DataAPI() as api:
# 获取股票数据
data = api.get_stock_data('sh.000001', start_date='2023-01-01', end_date='2023-12-31')
# 准备面板数据格式（Alpha因子需要面板数据）
close_panel = data.pivot(index='date', columns='code', values='close')
volume_panel = data.pivot(index='date', columns='code', values='volume')
# 计算Alpha002因子
alpha002_value = calculateAlpha002(close_panel, volume_panel)# 导入Alpha因子计算函数
from core.alpha_factors import calculateAlpha002, calculateAlpha003
from data.data_api import DataAPI
# 使用统一数据接口获取数据
with DataAPI() as api:
# 获取多只股票的面板数据
codes = ['sh.000001', 'sh.000002', 'sz.000001']
close_panel = api.get_panel_data(codes, field='close')
volume_panel = api.get_panel_data(codes, field='volume')
# 计算Alpha因子
alpha002 = calculateAlpha002(close_panel, volume_panel)
alpha003 = calculateAlpha003(close_panel, volume_panel)# Alpha因子计算核心
from core.alpha_factors import calculateAlpha002, calculateAlpha003
from core.alpha_helpers import ts_rank, decay_linear, scale
# 因子计算的标准流程
def calculate_alpha_factor(close_data, volume_data, factor_func):
"""
标准的Alpha因子计算流程
Args:
close_data: 收盘价面板数据
volume_data: 成交量面板数据
factor_func: 因子计算函数
Returns:
计算后的因子值
"""
# 数据验证
if close_data.shape != volume_data.shape:
raise ValueError("数据维度不匹配")
# 计算因子
factor_value = factor_func(close_data, volume_data)
# 结果验证
if factor_value.isnull().all().all():
raise ValueError("因子计算结果全为空")
return factor_value# 统一的数据接口
from data.data_api import DataAPI
# 使用统一数据接口
with DataAPI() as api:
# 获取股票数据
data = api.get_stock_data('sh.000001', start_date='2023-01-01', end_date='2023-12-31')
# 获取面板数据
codes = ['sh.000001', 'sh.000002']
close_panel = api.get_panel_data(codes, field='close')
volume_panel = api.get_panel_data(codes, field='volume')
# 获取数据库统计信息
stats = api.get_statistics()# 基础工具和配置
from core.alpha_helpers import (
ts_rank,
ts_sum,
ts_min,
ts_max,
delta,
delay,
decay_linear,
scale,
signed_power
)
# 所有Alpha因子都依赖这些基础函数def calculateAlpha102(close_price: pd.DataFrame, volume: pd.DataFrame) -> pd.DataFrame:
"""
Alpha102: 新的Alpha因子实现
公式: 示例公式描述
逻辑说明:
1. 计算价格变化率
2. 计算成交量变化率
3. 应用时间序列操作
4. 返回因子值
Args:
close_price: 收盘价面板数据 (DataFrame)
volume: 成交量面板数据 (DataFrame)
Returns:
Alpha102因子值 (DataFrame)
"""
# 数据验证
validateDataFormat(close_price, "close_price")
validateDataFormat(volume, "volume")
# 因子计算逻辑
price_change = close_price.pct_change()
volume_change = volume.pct_change()
# 应用时间序列操作
result = ts_rank(price_change, 10) * ts_rank(volume_change, 10)
return result# test/test_alpha102.py
import unittest
import pandas as pd
import numpy as np
from core.alpha_factors import calculateAlpha102
class TestAlpha102(unittest.TestCase):
def setUp(self):
"""设置测试数据"""
dates = pd.date_range('2023-01-01', periods=100, freq='D')
stocks = ['stock1', 'stock2', 'stock3']
# 生成模拟数据
np.random.seed(42)
self.close_data = pd.DataFrame(
np.random.randn(100, 3).cumsum(axis=0) + 100,
index=dates, columns=stocks
)
self.volume_data = pd.DataFrame(
np.random.randint(1000, 10000, (100, 3)),
index=dates, columns=stocks
)
def test_alpha102_calculation(self):
"""测试Alpha102因子计算"""
result = calculateAlpha102(self.close_data, self.volume_data)
# 检查输出格式
self.assertIsInstance(result, pd.DataFrame)
self.assertEqual(result.shape, self.close_data.shape)
# 检查数值有效性
self.assertFalse(result.isnull().all().all())
print("✓ Alpha102 测试通过")
if __name__ == '__main__':
unittest.main()pyramid
title 测试金字塔
"E2E测试" : 5
"集成测试" : 15
"单元测试" : 80
-
单元测试 (80%): 测试单个因子的计算逻辑
# 测试特定Alpha因子组 python -m pytest test/test_alpha005_020.py::TestAlpha005_020::test_alpha005 -v python -m pytest test/test_alpha081_101.py::TestAlpha081_101::test_alpha081 -v -
集成测试 (15%): 测试数据获取和因子计算的完整流程
# 完整的端到端测试 python test/alpha001_local_test.py -
数据验证测试 (5%): 测试数据格式和接口
# 数据格式验证测试 python test/test_data_format.py
classDiagram
class DataSource {
<<interface>>
+get_data(symbol, start, end)
+validate_data(data)
+format_data(data)
}
class BaostockAdapter {
+get_data(symbol, start, end)
+validate_data(data)
+format_data(data)
}
class JoinQuantAdapter {
+get_data(symbol, start, end)
+validate_data(data)
+format_data(data)
}
class LocalDataAdapter {
+get_data(symbol, start, end)
+validate_data(data)
+format_data(data)
}
DataSource <|-- BaostockAdapter
DataSource <|-- JoinQuantAdapter
DataSource <|-- LocalDataAdapter
-
本地数据库: 使用SQLite存储的历史数据
from data.data_api import DataAPI with DataAPI() as api: # 获取单只股票数据 data = api.get_stock_data('sh.000001', start_date='2023-01-01', end_date='2023-12-31') # 获取面板数据 codes = ['sh.000001', 'sh.000002'] close_panel = api.get_panel_data(codes, field='close')
-
Baostock: 免费的A股历史数据（通过测试脚本使用）
# 参考 test/alpha001_local_test.py 中的实现 from test.alpha001_local_test import BaostockDataLoader loader = BaostockDataLoader() stock_list = loader.get_stock_list('sh.000300') close_df, volume_df = loader.get_panel_data(stock_list, '2023-01-01', '2023-12-31')
-
自定义数据源: 支持扩展新的数据源适配器
# 在 data/ 目录下实现新的数据源适配器 class CustomDataAdapter: def get_stock_data(self, code, start_date, end_date): # 实现自定义数据获取逻辑 return formatted_dataframe
- 使用向量化计算提高因子计算效率
- 支持多进程并行计算多个因子
- 内存优化的数据处理流程
- 缓存机制减少重复计算
- Fork 本项目
- 创建特性分支 (
git checkout -b feature/AmazingFeature) - 提交更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 开启 Pull Request
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情
- 项目维护者: YutaoWang03
- 项目主页: https://github.com/YutaoWang03/Quant---Alpha101
注意: 本项目仅供学习和研究使用，不构成投资建议。量化交易存在风险，请谨慎使用。