# qtorch

**Repository Path**: carllee34/qtorch

## Basic Information

- **Project Name**: qtorch
- **Description**: QTorch是一个基于Python的量化交易研究框架，采用模块化设计和事件驱动架构，支持多资产类别、多种策略和完整的回测分析。
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2025-01-27
- **Last Updated**: 2025-07-02

## Categories & Tags

**Categories**: Uncategorized

**Tags**: Python, PyTorch, Scikit-learn

## README

# QTorch 量化交易框架

[![License](https://img.shields.io/badge/license-MIT-blue.svg)](LICENSE)
[![Python](https://img.shields.io/badge/python-3.7%2B-blue)](https://www.python.org/)
[![Documentation](https://img.shields.io/badge/docs-latest-brightgreen)](docs/README.md)

QTorch 是一个基于 Python 的量化交易研究框架，采用模块化设计和事件驱动架构，支持多资产类别、多种策略和完整的回测分析。

## 核心功能

🚀 **高效回测引擎**

- 多周期并行回测（日/周/月）
- 42 项绩效指标计算
- 实时风险监控仪表盘
- 交易成本模型（固定费率/滑点/冲击成本）

📈 **数据处理系统**

- AKShare/聚源数据源集成
- Parquet 列式存储
- 数据版本管理
- 自动缺失值处理管道

🤖 **策略开发套件**

- 技术指标策略库（30+经典策略）
- 机器学习模型集成（分类/回归/深度学习）
- 多因子分析框架（IC 分析/组合优化）
- 参数优化器（网格搜索/贝叶斯优化）

📊 **可视化分析**

- 交互式收益曲线
- 回撤热力图分析
- 因子有效性矩阵
- 策略三维参数空间可视化

## 文档体系

📚 完整文档中心位于[docs](docs/)目录，包含：

- [综合用户指南](docs/QTORCH_COMPLETE_GUIDE_ZH.md) - 新手指南与高级应用
- [QEngine 核心引擎指南](docs/QENGINE_ENHANCED_GUIDE_ZH.md) - 回测与优化详解
- [QFactor 因子分析指南](docs/QFACTOR_USER_GUIDE_ZH.md) - 多因子模型构建
- [QML 机器学习指南](docs/QML_USER_GUIDE_ZH.md) - 特征工程与策略开发

## 快速开始

### 安装依赖

```bash
# 使用conda创建环境（推荐）
conda create -n qtorch python=3.9
conda activate qtorch

# 安装依赖
pip install -r requirements.txt
```

### 运行示例

```bash
# 基础双均线策略
python demo.py --strategy dual_ma --symbol 000001 --start 20200101 --end 20221231

# 多因子选股策略
python qfactor_demo.py --symbol 000001 --factors pe,pb,roe --start 20200101

# 机器学习策略
python qml_factor_demo.py --model random_forest --features technical,fundamental
```

### 配置文件示例

```yaml
# config.yaml
engine:
  initial_capital: 1000000 # 初始资金
  commission: 0.0003 # 交易费率
  slippage: 0.0002 # 滑点率
  margin_ratio: 0.15 # 保证金比例

data:
  cache_dir: ./data_cache # 数据缓存路径
  refresh_interval: 3600 # 数据刷新间隔(秒)

strategy:
  max_position: 0.2 # 单资产最大仓位
  max_drawdown: 0.3 # 最大回撤阈值
```

## 项目架构

```
qtorch/
├── data_cache/       # 数据存储
├── qtorch/
│   ├── core/         # 核心引擎(QEngine)
│   ├── strategy/     # 策略库(30+预置策略)
│   ├── factor/       # 因子分析框架(QFactor)
│   ├── ml/           # 机器学习模块(QML)
│   ├── data/         # 数据接口(AKShare/聚源)
│   ├── visualizer/   # 可视化工具
│   └── optimizer/    # 参数优化器
├── docs/             # 文档中心
├── tests/            # 单元测试
└── examples/         # 示例脚本
```

## 核心模块示例

### 1. 因子分析

```python
from qtorch.factor import QFactor, FundamentalFactors

# 创建基本面因子
fundamental = FundamentalFactors()
pe = fundamental.create_pe_factor("000001")
pb = fundamental.create_pb_factor("000001")

# 因子有效性分析
ic_result = pe.calc_ic(future_returns)
pe.plot(future_returns)
```

### 2. 机器学习策略

```python
from qtorch.ml import QML

# 创建特征工程管道
qml = QML()
features = qml.extract_features(data, {
    'technical': ['sma', 'rsi', 'macd'],
    'fundamental': ['pe', 'pb']
})

# 训练预测模型
model = qml.train_model(
    features,
    target=target,
    model_type='xgboost',
    params={'max_depth':5, 'n_estimators':100}
)

# 生成交易信号
signals = model.predict(features)
```

### 3. 多策略组合

```python
from qtorch.core import QEngine
from qtorch.strategy import EnhancedRSIStrategy, MLStrategy

engine = QEngine()
engine.add_data("000001", "2020-01-01", "2022-12-31")

# 添加传统策略
engine.add_strategy(EnhancedRSIStrategy,
                  period=14,
                  overbought=70,
                  oversold=30)

# 添加机器学习策略
engine.add_strategy(MLStrategy,
                  model_path='./models/rf_model.pkl',
                  confidence_threshold=0.65)

# 运行混合策略回测
result = engine.run()
```

## 性能优化

QTorch 采用多项优化技术提升回测速度：

- **向量化计算**：使用 NumPy/Pandas 向量化操作
- **并行化**：支持多进程参数优化
- **JIT 编译**：关键路径使用 Numba 加速
- **内存优化**：分块处理大数据集

```python
# 启用加速模式
from qtorch.core.config import set_optimization

set_optimization(
    vectorization=True,  # 向量化计算
    numba_jit=True,     # JIT编译
    parallel=True,      # 多核并行
    memory_limit='4GB'  # 内存限制
)
```

## 贡献指南

我们欢迎各种形式的贡献，请遵循以下流程：

1. 在 GitHub 提交 Issue 说明改进建议
2. Fork 仓库并创建特性分支
3. 添加测试用例并确保通过所有测试
4. 更新相关文档
5. 提交 Pull Request

## 许可证

本项目采用 MIT 许可证 - 详见 [LICENSE](LICENSE)

---

📧 **联系我们**: qtorch-support@quantresearch.org  
🌐 **项目主页**: https://github.com/yourusername/qtorch