# AutoStock

**Repository Path**: camraw/autostock

## Basic Information

- **Project Name**: AutoStock
- **Description**: ETF量化交易工具
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2026-02-26
- **Last Updated**: 2026-04-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: ETF, 股票, 量化

## README

# ETF量化交易工具

一套专业的ETF量化交易工具，支持数据获取、策略编写、回测验证、战法测试和模拟/实盘交易。

## 功能特性

- **数据获取**：ETF基础数据、历史行情、净值数据自动采集与存储
- **策略编写**：策略基类、丰富的技术指标库、信号生成器
- **战法测试**：自定义战法配置、批量测试、参数优化、可视化报告
- **回测验证**：历史数据回测、绩效分析、详细报告生成
- **交易执行**：模拟交易与实盘交易、风险控制机制
- **T+1规则**：严格遵循ETF T+1交易规则
- **日志审计**：完整的日志记录与审计跟踪

## 项目结构

```
stock/
├── config/                     # 配置文件目录
│   ├── config.yaml            # 主配置文件
│   ├── logging.yaml           # 日志配置
│   ├── strategy_config.yaml   # 策略配置
│   └── strategies/            # 战法配置目录
│       ├── builtin_strategies.yaml  # 内置战法
│       └── custom_strategies.yaml   # 自定义战法
├── data/                       # 数据存储目录
│   ├── db/                    # 数据库文件
│   │   ├── etf_quant.db       # SQLite数据库
│   │   └── etf_quant_calendar.json  # 交易日历
│   ├── results/               # 测试结果存储
│   └── cache/                 # 缓存数据
├── lib/                        # 依赖库目录
├── logs/                       # 日志文件目录
│   ├── trade/                 # 交易日志
│   ├── system/                # 系统日志
│   └── audit/                 # 审计日志
├── src/                        # 源代码目录
│   ├── core/                  # 核心模块
│   │   ├── engine.py          # 交易引擎
│   │   ├── event.py           # 事件系统
│   │   └── context.py         # 上下文管理
│   ├── data/                  # 数据模块
│   │   ├── fetcher.py         # 数据获取
│   │   ├── cleaner.py         # 数据清洗
│   │   ├── storage.py         # 数据存储
│   │   └── loader.py          # 数据加载
│   ├── strategy/              # 策略模块
│   │   ├── base.py            # 策略基类
│   │   ├── indicators.py      # 技术指标库
│   │   ├── signals.py         # 信号生成
│   │   └── templates/         # 策略模板
│   ├── backtest/              # 回测模块
│   │   ├── engine.py          # 回测引擎
│   │   ├── portfolio.py       # 组合管理
│   │   ├── order.py           # 订单管理
│   │   └── report.py          # 报告生成
│   ├── tester/                # 战法测试模块
│   │   ├── config_loader.py   # 战法配置加载
│   │   ├── condition_parser.py # 条件解析器
│   │   ├── strategy_factory.py # 策略工厂
│   │   ├── runner.py          # 测试运行器
│   │   ├── batch_runner.py    # 批量测试
│   │   ├── optimizer.py       # 参数优化
│   │   ├── visualizer.py      # 可视化
│   │   ├── report_enhanced.py # 增强报告
│   │   ├── result_storage.py  # 结果存储
│   │   └── cli.py             # 命令行接口
│   ├── trade/                 # 交易模块
│   │   ├── broker.py          # 券商接口
│   │   ├── executor.py        # 交易执行
│   │   ├── position.py        # 持仓管理
│   │   └── risk.py            # 风险控制
│   └── utils/                 # 工具模块
│       ├── logger.py          # 日志工具
│       ├── config.py          # 配置加载
│       ├── calendar.py        # 交易日历
│       └── helpers.py         # 辅助函数
├── scripts/                    # 脚本目录
│   ├── init_db.py             # 初始化数据库
│   ├── update_data.py         # 数据更新脚本
│   └── run_backtest.py        # 运行回测
├── tests/                      # 测试目录
├── pyproject.toml             # 项目配置
├── requirements.txt            # 依赖文件
└── README.md                  # 项目说明
```

## 快速开始

### 1. 安装依赖

```bash
pip install -r requirements.txt --target=./lib
```

或单独安装核心依赖：

```bash
pip install pandas numpy pyyaml pydantic loguru sqlalchemy akshare --target=./lib
```

### 2. 初始化数据库

```bash
python scripts/init_db.py
```

这将：
- 创建SQLite数据库
- 初始化ETF列表
- 下载交易日历

### 3. 更新数据

```bash
python scripts/update_data.py
```

这将更新指定ETF的历史行情数据。

### 4. 运行回测

```bash
python scripts/run_backtest.py
```

## 战法测试工具

战法测试工具是一个专门的ETF战法验证系统，支持自定义战法、批量测试和参数优化。

### 命令行使用

```bash
# 列出可用战法
python -m src.tester list strategies

# 列出可用ETF
python -m src.tester list etfs

# 运行单次测试
python -m src.tester run -s ma_cross -e 510300 -c 100000

# 运行批量测试
python -m src.tester batch -s ma_cross,trend_follow -e 510300,510500

# 参数优化
python -m src.tester optimize -s ma_cross -e 510300 -p fast_period=5,10,20 -p slow_period=30,60

# 查看测试结果
python -m src.tester info result TEST_20240101120000_0001

# 生成报告
python -m src.tester report TEST_20240101120000_0001 --charts
```

### Python API使用

```python
from src.tester import StrategyTester

# 创建测试器
tester = StrategyTester(initial_capital=100000)

# 运行单次测试
result = tester.run(
    strategy="ma_cross",
    etf="510300",
    start_date="2020-01-01"
)

# 查看结果
print(f"总收益率: {result.total_return:.2%}")
print(f"夏普比率: {result.sharpe_ratio:.3f}")
print(f"最大回撤: {result.max_drawdown:.2%}")
```

### 批量测试

```python
from src.tester import BatchRunner

runner = BatchRunner()

# 测试多个战法在多个ETF上的表现
result = runner.run(
    strategies=["ma_cross", "rsi_oversold", "bollinger_breakout"],
    etfs=["510300", "510500", "159915"],
    start_date="2020-01-01",
    initial_capital=100000
)

# 查看汇总
print(f"平均收益率: {sum(r.total_return for r in result.results) / len(result.results):.2%}")
```

### 参数优化

```python
from src.tester import ParamOptimizer

optimizer = ParamOptimizer()

# 网格搜索最优参数
result = optimizer.optimize(
    strategy_id="ma_cross",
    etf="510300",
    param_ranges={
        "fast_period": [5, 10, 15, 20],
        "slow_period": [30, 40, 50, 60]
    },
    metric="sharpe_ratio"
)

print(f"最优参数: {result.best_params}")
print(f"最优夏普比率: {result.best_metric_value:.3f}")
```

### 自定义战法

编辑 `config/strategies/custom_strategies.yaml`：

```yaml
strategies:
  my_strategy:
    name: "我的自定义战法"
    description: "战法描述"
    
    # 买入条件
    buy_conditions:
      - type: "indicator_cross"
        indicator1: "EMA"
        params1: [12]
        indicator2: "EMA"
        params2: [26]
        direction: "up"  # 上穿
        
      - type: "indicator_compare"
        indicator: "RSI"
        params: [14]
        operator: "<"
        value: 70  # RSI < 70
    
    # 卖出条件
    sell_conditions:
      - type: "indicator_cross"
        indicator1: "EMA"
        params1: [12]
        indicator2: "EMA"
        params2: [26]
        direction: "down"
    
    # 风控参数
    risk:
      stop_loss: 0.05      # 止损 5%
      take_profit: 0.15    # 止盈 15%
      trailing_stop: 0.03  # 移动止损 3%
    
    # 仓位管理
    position:
      mode: "fixed_ratio"
      ratio: 0.2           # 20% 仓位
```

### 内置战法

| 战法ID | 名称 | 说明 |
|--------|------|------|
| ma_cross | 双均线交叉 | EMA快线上穿慢线买入 |
| macd_cross | MACD交叉 | MACD金叉买入 |
| rsi_oversold | RSI超卖反弹 | RSI<30买入，>70卖出 |
| bollinger_breakout | 布林带突破 | 突破布林带上轨买入 |
| trend_follow_ma | 趋势跟踪均线 | 均线趋势跟踪 |
| volume_breakout | 放量突破 | 成交量放大+价格突破 |
| kdj_cross | KDJ金叉死叉 | KDJ超买超卖 |

### 支持的条件类型

| 条件类型 | 说明 | 示例 |
|----------|------|------|
| indicator_cross | 指标交叉 | EMA上穿/下穿 |
| indicator_compare | 指标比较 | RSI < 30 |
| price_compare | 价格比较 | 价格 > BOLL上轨 |
| volume_compare | 成交量比较 | 成交量 > 均量*1.5 |
| price_breakout | 价格突破 | 突破20日高点 |

## 配置说明

### 主配置文件 (config/config.yaml)

```yaml
app:
  name: "ETF量化交易工具"
  version: "0.1.0"
  debug: true

data:
  source: "akshare"          # 数据源
  db_path: "data/db/etf_quant.db"
  update_time: "18:00"

backtest:
  initial_capital: 1000000   # 初始资金
  commission_rate: 0.0003    # 佣金费率
  slippage_rate: 0.0001      # 滑点费率
  benchmark: "510300"        # 基准ETF

trade:
  mode: "simulation"         # 交易模式: simulation/live
  position_limit:
    single_max: 0.30         # 单标的最大仓位
    total_max: 0.95          # 总仓位上限
  risk_control:
    daily_loss_limit: 0.03   # 日止损限制
    max_drawdown_limit: 0.10 # 最大回撤限制
  t1_enabled: true           # 启用T+1规则

strategy:
  default_params:
    ma_short: 20
    ma_long: 60
    stop_loss: 0.05
    take_profit: 0.15
```

## 策略开发

### 策略基类

所有策略需继承 `BaseStrategy` 并实现 `on_bar` 方法：

```python
from src.strategy.base import BaseStrategy, Bar

class MyStrategy(BaseStrategy):
    def __init__(self):
        super().__init__(name="MyStrategy")
    
    def on_bar(self, bar: Bar) -> None:
        # 计算指标
        ma20 = self.indicators.MA(bar.code, 20)
        ma60 = self.indicators.MA(bar.code, 60)
        
        # 获取持仓
        position = self.get_position(bar.code)
        
        # 交易逻辑
        if ma20 > ma60 and (position is None or position.volume == 0):
            volume = self.calc_position_size(bar.close, position_ratio=0.2)
            self.buy(bar.code, bar.close, volume)
        elif ma20 < ma60 and position and position.volume > 0:
            self.sell(bar.code, bar.close, position.volume)
```

### 内置技术指标

| 指标 | 方法 | 说明 |
|------|------|------|
| MA | `MA(code, period)` | 简单移动平均 |
| EMA | `EMA(code, period)` | 指数移动平均 |
| MACD | `MACD(code, fast, slow, signal)` | MACD指标 |
| RSI | `RSI(code, period)` | 相对强弱指标 |
| KDJ | `KDJ(code, n, m1, m2)` | KDJ指标 |
| BOLL | `BOLL(code, period, std_dev)` | 布林带 |
| ATR | `ATR(code, period)` | 真实波幅 |
| ADX | `ADX(code, period)` | 平均趋向指标 |
| OBV | `OBV(code)` | 能量潮指标 |

### 策略模板

项目内置两个策略模板：

1. **TrendFollowStrategy** - 趋势跟踪策略
   - 基于均线和成交量的趋势跟踪
   - 支持止损止盈

2. **MACrossStrategy** - 均线交叉策略
   - 经典的快慢均线交叉策略
   - 支持移动止损

## 回测系统

### 运行回测

```python
from datetime import date
from src.backtest.engine import BacktestEngine, BacktestConfig
from src.strategy.templates import TrendFollowStrategy

# 配置回测参数
config = BacktestConfig(
    initial_capital=1000000,
    commission_rate=0.0003,
    slippage_rate=0.0001,
    t1_enabled=True
)

# 创建回测引擎
engine = BacktestEngine(config=config)

# 创建策略
strategy = TrendFollowStrategy(
    ma_short=20,
    ma_long=60,
    stop_loss=0.05,
    take_profit=0.15
)

# 运行回测
result = engine.run(
    strategy=strategy,
    codes=["510300", "510500"],
    start=date(2023, 1, 1),
    end=date(2024, 12, 31)
)

# 生成报告
engine.generate_report(result, "logs/backtest_report.txt")
```

### 绩效指标

回测结果包含以下关键指标：

| 指标 | 说明 |
|------|------|
| 总收益率 | 整体收益表现 |
| 年化收益率 | 标准化收益比较 |
| 最大回撤 | 最大亏损幅度 |
| 夏普比率 | 风险调整后收益 |
| 卡玛比率 | 收益回撤比 |
| 胜率 | 交易成功率 |
| 盈亏比 | 单笔收益风险比 |

## 交易系统

### 模拟交易

```python
from src.trade.executor import TradeExecutor, TradeMode

# 创建交易执行器
executor = TradeExecutor(mode=TradeMode.SIMULATION)
executor.initialize()

# 提交订单
result = executor.buy("510300", 4.0, 1000)

# 查询持仓
positions = executor.get_positions()

# 查询账户
account = executor.get_account()
```

### 风险控制

系统内置多层风险控制：

| 规则 | 说明 |
|------|------|
| T+1规则 | 当日买入次日才能卖出 |
| 单标的仓位限制 | 单只ETF不超过总资金30% |
| 总仓位限制 | 总仓位不超过95% |
| 日止损限制 | 单日亏损超过3%暂停交易 |
| 最大回撤限制 | 回撤超过10%降低仓位 |

### T+1规则实现

```python
from src.trade.risk import T1Validator

validator = T1Validator()

# 记录买入
validator.record_purchase("510300", date(2024, 1, 1))

# 检查是否可卖出
can_sell, msg = validator.can_sell("510300", date(2024, 1, 1))
# can_sell = False, 当日不可卖出

can_sell, msg = validator.can_sell("510300", date(2024, 1, 2))
# can_sell = True, 次日可卖出
```

## 日志系统

### 日志分类

| 类型 | 目录 | 内容 |
|------|------|------|
| 系统日志 | logs/system/ | 系统启动、异常、性能 |
| 交易日志 | logs/trade/ | 订单提交、成交、持仓变化 |
| 策略日志 | logs/strategy/ | 信号生成、决策过程 |
| 审计日志 | logs/audit/ | 关键操作、权限变更 |

### 使用日志

```python
from src.utils.logger import get_logger, trade_logger

logger = get_logger("my_module")
logger.info("信息日志")
logger.warning("警告日志")
logger.error("错误日志")

# 交易日志
trade_logger.log_order({"order_id": "001", "code": "510300"})
trade_logger.log_fill({"order_id": "001"}, 4.0, 1000)
```

## 数据库表结构

### etf_basic - ETF基础信息

| 字段 | 类型 | 说明 |
|------|------|------|
| code | VARCHAR(10) | ETF代码 (主键) |
| name | VARCHAR(50) | ETF名称 |
| type | VARCHAR(20) | 类型 |
| fund_company | VARCHAR(100) | 基金公司 |
| list_date | DATE | 上市日期 |

### etf_daily - 日线行情

| 字段 | 类型 | 说明 |
|------|------|------|
| id | INTEGER | 主键 |
| code | VARCHAR(10) | ETF代码 |
| date | DATE | 日期 |
| open | FLOAT | 开盘价 |
| high | FLOAT | 最高价 |
| low | FLOAT | 最低价 |
| close | FLOAT | 收盘价 |
| volume | FLOAT | 成交量 |
| amount | FLOAT | 成交额 |

### trade_calendar - 交易日历

| 字段 | 类型 | 说明 |
|------|------|------|
| date | DATE | 日期 (主键) |
| is_open | BOOLEAN | 是否开市 |
| is_trading | BOOLEAN | 是否交易日 |

## 扩展开发

### 添加新策略

1. 在 `src/strategy/templates/` 创建策略文件
2. 继承 `BaseStrategy` 类
3. 实现 `on_bar` 方法
4. 在 `__init__.py` 中导出

### 添加新指标

在 `src/strategy/indicators.py` 中添加新方法：

```python
def MyIndicator(self, code: str, param: int) -> pd.Series:
    series = self._get_series(code, "close")
    # 计算逻辑
    return result
```

### 添加新数据源

1. 在 `src/data/fetcher.py` 添加数据源初始化方法
2. 实现数据获取接口
3. 在配置文件中切换数据源

## 常见问题

### Q: 如何添加新的ETF到监控列表？

修改 `config/strategy_config.yaml`：

```yaml
etf_pool:
  index:
    - "510300"
    - "510500"
    - "你的ETF代码"
```

### Q: 如何修改风险控制参数？

修改 `config/config.yaml`：

```yaml
trade:
  position_limit:
    single_max: 0.30  # 修改单标的仓位限制
    total_max: 0.95   # 修改总仓位限制
  risk_control:
    daily_loss_limit: 0.03  # 修改日止损限制
```

### Q: 如何查看回测详情？

回测完成后，查看 `logs/backtest_report.txt` 获取详细报告。

### Q: 如何创建自定义战法？

编辑 `config/strategies/custom_strategies.yaml`，按照内置战法的格式添加自己的战法配置。

## 技术栈

- **Python 3.10+**
- **pandas** - 数据处理
- **numpy** - 数值计算
- **sqlalchemy** - 数据库ORM
- **akshare** - 数据源
- **pydantic** - 配置管理
- **loguru** - 日志系统
- **matplotlib** - 可视化（可选）
- **plotly** - 交互式图表（可选）

## 版本历史

- **v0.2.0** (2024-03)
  - 新增战法测试工具
  - 支持自定义战法配置
  - 批量测试和参数优化
  - 可视化报告生成

- **v0.1.0** (2024-02)
  - 初始版本
  - 实现数据获取、策略编写、回测验证、模拟交易
  - 支持T+1规则和风险控制

## 许可证

MIT License

## 联系方式

如有问题或建议，请提交 Issue。