本框架为基于Alphalens(因子分析模块)、Pytorch(深度学习模块)、Backtrader(回测分析模块)、Pyfolio(可视化模块)构建的全流程系统化的量化多因子框架。功能包含五个模块和十个流程。（后续增加框架用户交互前后端模块）
本框架的项目文件组织结构为：
开发本框架时的依赖及其版本为：
- conda 22.9.0
- python 3.10.6
- numpy 1.23.4
- pandas 1.52
- alphalens 0.4.0
- pytorch 1.13.0
- backtrader 1.9.78.123
- pyfolio 0.9.2
| 模块 | 流程 | 进度 | 备注 |
|---|---|---|---|
| 1.数据模块 | 1.1数据获取与处理 | 基于wind完成python版国债期货日频与高频主连数据✅ 时序交叉验证数据预处理♋️ 各种数据来源的数据格式是否需要统一？ |
|
| 2.因子分析模块 | 2.1单因子构建 | 基于量价数据构建单因子❓ | 需思考方法🤔 |
| 2.2单因子检验 | 单因子各项指标检验♋️ | 7.17-19完成 | |
| 2.3因子筛选 | 筛选有效因子♋️ | 筛选标准是啥❓ | |
| 3.深度学习模块 | 3.1因子合成 | 多因子合成 | |
| 3.2搭建模型 | PatchTST♋️ | 持续研究💪 | |
| 3.3预测/信号 | 模型集成到策略中实时预测或产生信号✅ | ||
| 4.回测分析模块 | 4.1构建策略 | 多空策略、仓位管理 📖❓ | 持续研究💪 |
| 4.2回测分析 | 策略绩效可视化分析✅ | ||
| 5.实盘模块 | 5.1交易系统 | future...🤷 | |
| 5.2实盘监控 | future... | ||
| 6.用户交互模块 | future... |
本框架系统配置参数主要包括投资品种配置（后续增加各种类别资产）、 深度学习模型参数配置、回测参数配置，main函数配置如下：
主函数运行方法：
python main.py --invest='treasury_futures' --model_name='rnn' --model_type='classify'
--window_size=16 --look_ahead=1000 --input_size=7 --hidden_size=32
--batch_size=32 --num_epochs=20 --dropout_rate=0.2 --learning_rate=0.001
--loss_function='cross_entropy' --num_layers=1 --num_classes=2
--strategy_name='rnn' --startcash=100000 --stake=100 --commission=0.001 --printlog=False
--do_train=True --do_test=True --do_backtest=True 国债期货pipeline封装在run_feature函数中，目前主要包括六个步骤：
- step0. 因子分析与筛选模块（该部分尚未完善）
- step1. 读取每个投资标的（不同期限国债期货）数据（调用get_future_data_csv函数）
- step2. 构建模型训练数据集（调用create_datasets_classify函数）后续根据不同模型类别构建不同数据集，需加入回归模型数据集函数并封装为统一的数据集模块
- step3. 模型训练配置
- step4. 模型训练（调用train函数）
- setp5. 模型预测（调用test函数）
- step6. 执行回测（调用backtest函数）
根据不同模型需要构建不同数据集。目前仅构建标准数据集，后续需要增加时序交叉验证数据集构建。
为分类模型构建分类数据集，包括训练集、验证集、测试集，数据标签为分类类别目前仅构建二分类标签，后续需要根据多空策略的实现构建多分类标签。
基于pytorch实现各种深度学习模型构建。
深度学习模型模型与测试。目前模型的训练方法较为简单，后续需要增加ealy stop以及adjust learning rate部分。
模型的训练预测完成以后，保存模型以供后续策略使用。
回测分析封装在backtest函数中，目前主要包括六个步骤：
- step1. Load back test data
⚠️ 回测部分读取的数据为原始（因子）数据 - step2. Create a cerebro entity
- step3. Add data to cerebro （调用封装的PandasDataPlus类实现自定义数据读取）
- step4. Add strategy to cerebro （根据策略选取不同策略类，详见第6节 Strategy）
- setp5. Add analyzer to cerebro (use pyfolio) （使用pyfolio实现回测分析部分目前基于pyfolio的可视化需要在jupyter notebook中实现，后续考虑使用其他可视化包）
- step6. Add config to cerebro 目前仅仅实现非常简单的订单交易，后续需要完善动态仓位管理
- step7. Run over everything
- step8. Plot the result
backtrader完成策略执行后返回result（❓这是啥数据类型），回测分析交给可视化模块。
回测绩效可视化部分基于pyfolio实现。
以简单均线策略和简单RNN策略（策略实现见第6节 Strategy）展示目前实现效果。
- 回测设置为：初始资金十万，每手交易100（❓什么单位），手续费率千一，滑点率0.1%。
- RNN模型为分类模型，模型预测上涨转化为买入信号；反之卖出。
以十年期国债期货为例：
-
简单20日均线策略初始十万资金，回测期间2015年3月20日到2023年7月10日，期末资金93184.98.
-
简单RNN策略初始十万资金，回测期间2016年1月1日到2023年7月10日，期末资金100674.41.
结论：
- 简单RNN模型易过拟合，不易拿全样本进行训练，上述仅用2021年一年的数据进行模型训练，2022年验证，2023年测试，分类准确率依次为：51.1%、55.9%、40.3%。模型分类效果差且泛化能力低
- 在2016-2023年回测情况来看，模型仅有效处理2021年部分数据（仅该部分区间有交易，其余区间模型均预测为0（2021年以前），1（2022年以后））
再次强调
交易过多，不全部展示。
该部分以简单RNN收益为基准收益，分析简单均线策略回测绩效。
下面的这些图看不懂😖
