云霞曙光

1、立项背景和目标 随着量化投资的普及，传统行情软件由于内置指标固定、无法进行严格的统计学检验，难以满足深度因子挖掘的需求。而Python等开源生态虽然强大，但环境配置复杂，且缺乏便捷的交互式UI。本项目基于MATLAB 2016a自主开发了一套轻量级、本地化、开箱即用的量化研究终端——“Quant Engine”。核心目标是打造一个从底层数据清洗、因子自动化挖掘、到严谨的学术级统计检验与回测闭环系统，帮助研究人员极速验证策略的有效性。 2、软件功能、核心功能模块的介绍 （1）本地数据底座：内置FQGate数据爬虫与批量导入引擎，对接SQLite本地数据库（quant_data.db）。支持自定义板块的等权/加权合成，提供完整的行情数据清洗与补足机制。 （2）多维度K线与指标分析：纯代码构建的定制化K线界面，内置数十种自研量价、波动率及风险指标（如GRD风险系数、量价相空间CVA等）。支持十字光标联动、动态参数调参以及“显著信号”一键全库扫描。 （3）双标的统计工具：提供皮尔逊相关系数、Beta分析以及严格的Engle-Granger协整检验与Z-score分析，专为配对交易与套利策略设计。 （4）横截面多因子测试引擎：支持加载各类Alpha因子（包含WorldQuant经典因子及基于符号回归生成的Alphagen组合因子）。引擎内置学术界严谨的FDR-BH多重假设检验校正、Newey-West自相关惩罚，并能对IC、RankIC、相对收益及胜率进行显著性p值计算与高亮预警。 （5）交易级回测系统：支持“前置数据预热”，允许每日滚动按得分等权买入Top-N只股票。严格遵循交易级（Trade-Level）统计，真实反映策略的实盘磨损与资金容量逻辑。 3、业务流程、功能路径描述 （1）数据管理流：主菜单 -> 数据导入 ->（手动导入 / FQGate爬虫 / 补足数据） -> 数据落盘至SQLite数据库。通过“板块合成”快速构建自定义股票池。 （2）因子研究流：主菜单 -> 横截面分析平台 -> 因子测试 -> 选择因子库脚本（Alphagen等） -> 设定持有周期、选股数、回测区间及横截面范围 -> 点击RUN -> 系统自动进行因子矩阵计算、IC/NW检验、等权组合回测 -> 输出带有红字显著性标记的评估报告表格。 （3）看盘与信号流：主菜单 -> K线图 -> 输入股票代码后回车 -> 动态加载主图与副图 -> 点击左侧指标按钮（如BOLL, cmacd）进行叠加分析 -> 点击“显著信号”进行单票历史信号回溯统计。

一、立项背景和目标 随着A股市场量化交易竞争日益激烈，传统人工挖掘Alpha因子的方式面临效率低下、逻辑同质化严重以及极易过拟合历史噪音等痛点。本项目旨在构建一套基于强化学习（Deep Reinforcement Learning）的自动化因子挖掘引擎。核心目标是：利用AI在巨大的数学公式搜索空间中自主探索，构建出具备高预测能力、强抗过拟合能力（极低相关性）以及跨周期稳健性的A股超短线（3日预测周期）因子池，为量化策略提供低相关的底层Alpha信号。 二、软件功能、核心功能模块介绍 本系统主要由以下核心模块构成： 1. 数据引擎模块：基于Qlib框架与AkShare数据源，实现A股全市场历史行情的自动化下载、清洗与二进制格式转换，为模型提供高吞吐的数据支持。 2. 因子生成与评估模块：采用MaskablePPO算法，将公式拼装建模为掩码动作空间；AI生成公式后，自动调用底层矩阵算子计算因子值。 3. 动态复合奖励引擎（核心创新）：摒弃了传统单一IC奖励，自主研发了多目标复合奖励机制。包含：基于RankIC与RankICIR的增量预测奖励、基于池内因子两两皮尔逊相关性的多样性增量奖励，以及严苛的“硬拒绝机制”（相关性>=0.6的公式直接淘汰入池）。 4. 状态监控与导出模块：实时监控因子的信息系数（IC）、ICIR、因子相关性（pearson_mean）及探索熵等指标，并将最优模型自动导出为轻量级JSON文件。 三、业务流程、功能路径描述 1. 环境准备：启动本地量化数据管道，将A股历史数据转换为Qlib格式；配置训练超参数（如学习率、因子池容量、目标预测周期等）。 2. 强化学习循环：系统启动后，AI智能体在动作空间中随机采样，拼装出完整的数学表达式；底层计算引擎基于矩阵运算评估该公式的截面表现。 3. 奖励反馈与策略更新：将复合奖励值（预测增量+多样性增量）反馈给Critic网络，指导Actor网络在下一轮迭代中优先生成高分因子，同时严厉惩罚同质化公式。 4. 产出与回测：训练收敛后，系统输出包含最优因子组合及其权重的JSON文件；该文件最终被导入至外部的MATLAB等专业回测系统中，进行严谨的实盘模拟与风险评估。