券商金工研报复现框架 — 更全面 · 更先进 · 更轻量
基于 Polars 构建的新一代券商金工研报复现框架。已复现 5 家券商 15+ 篇研报、24+ 个因子（东方/广发/国泰在路线图），从数据获取到因子评估到回测验证全流程一体化。
与传统的 QuantsPlaybook 相比，本框架实现 10x 性能提升 和 零成本数据获取：
| 对比维度 | 传统方案 (QuantsPlaybook) | 本框架 (QuantResearch-Playbook) |
|---|---|---|
| 计算引擎 | Pandas（单线程） | Polars（多核并行，5-10x 更快） |
| 数据源 | jqdata/tushare（需付费） | AkShare（免费开源） |
| 架构 | 松散 Jupyter Notebook | 模块化 Python 包（可 pip 安装） |
| 因子框架 | 无统一基类 | Factor 抽象基类 + Pipeline |
| 评估套件 | 无 | IC/ICIR/分层回测/多空收益 |
| 回测引擎 | 无 | 轻量向量化回测引擎 |
| CI/CD | 无 | GitHub Actions |
| 一键自测 | 无 | 28 项全自动验证 |
- 🚀 高性能: 基于 Polars 向量化计算，比 Pandas 快 5-10x。LazyFrame 查询优化器自动并行化
- 📦 轻量级: 核心依赖仅 Polars + NumPy + SciPy。无沉重 ML 栈，pip install 即用
- 🔌 可扩展: 插件式因子/策略架构，新增策略只需继承
Factor基类 - 📊 全面分析: 内置 IC/ICIR 分析、分层回测、多空收益、因子归因
- 📐 横截面评估: date × symbol 面板的日度截面 IC/RankIC、分位组合与多空收益（与研报选股语义同构，见
qrp/core/cross_section.py） - 🆓 免费数据: 首选 AkShare 免费数据源，兼容 Tushare/Pandas
- 📝 标准化: 每个策略统一模板：研报信息 → 因子计算 → 回测 → 报告
- ✅ 自测保障: 一键运行 39 项自动测试，确保框架完整性
📦 总文件: 53 个 | 🔬 实现因子: 24+ | 📋 覆盖券商: 5 家
🧪 单元测试: 24/24 ✅ | 🤖 自测: 39/39 ✅ | 📈 CI: GitHub Actions
| 券商 | 策略 | 研报时间 | 状态 |
|---|---|---|---|
| 东吴证券 | CPV 价量相关性、RPV 新价量、SRV 聪明版 | 2020-2025 | ✅ |
| 东吴证券 | CPV 分时版（8时段/最后30分钟） | 2024.12 | ✅ |
| 东吴证券 | 上下影线因子、蜡烛力量因子 | 2020.06 | ✅ |
| 东吴证券 | 特质波动率因子 | 2020.05 | ✅ |
| 东吴证券 | CPV 移位版（价量自相关性） | 2021.03 | ✅ |
| 华泰证券 | FFScore 价值选股模型 | 2017.02 | ✅ |
| 华泰证券 | CSCV 回测过拟合概率框架 | 2019.06 | ✅ |
| 华泰证券 | GPT 因子工厂 2.0（4个AI因子） | 2024.09 | ✅ |
| 华泰证券 | 牛熊指标（波动率+换手率） | 2019.09 | ✅ |
| 光大证券 | RSRS 阻力支撑相对强度 | 2017.05 | ✅ |
| 中金公司 | QRS 改进型择时指标 | 2021.01 | ✅ |
| 开源证券 | 聪明钱因子模型 2.0 | 2020.02 | ✅ |
| 开源证券 | APM 非流动性因子 | 2020.03 | ✅ |
| 开源证券 | 振幅因子（隐藏结构） | 2020.05 | ✅ |
| 开源证券 | A 股动量因子 | 2020.07 | ✅ |
完整列表见 docs/REPORTS_CATALOG.md
# 方式1：从 PyPI 安装（已发布后）
pip install qrp
# 方式2：从源码安装（推荐）
git clone https://github.com/Electricitysheep/QuantResearch-Playbook.git
cd QuantResearch-Playbook
pip install -e ".[full]"
# 方式3：最小安装
pip install polars numpy scipy# 使用模拟数据运行 CPV 因子分析
from qrp.reports.dongwu.cpv_factor import run_cpv_analysis
from self_test.test_factors import generate_mock_data
data = generate_mock_data(1000)
result = run_cpv_analysis(data)
print(f"IC 均值: {result['ic_metrics'].ic_mean:.4f}")
print(f"ICIR: {result['ic_metrics'].icir:.2f}")
print(f"多空收益: {result['long_short_return']:.2%}")# 完整验证（28项测试）
python -m self_test.run_all
# 快速模式
python -m self_test.run_all --quickfrom qrp.data import DataLoader
from qrp.reports.dongwu.cpv_factor import CPVFactor
from qrp.core.analysis import FactorAnalyzer
# 1. 加载数据
loader = DataLoader(source="mock") # 使用 mock 数据源
data = loader.load_daily("000001", "20240101", "20240301")
# 2. 计算 CPV 因子
cpv = CPVFactor(window=60)
factor_values = cpv.calculate(data)
# 3. 因子评估
analyzer = FactorAnalyzer(data, factor_values)
ic = analyzer.compute_ic(forward_periods=5)
print(ic.summary())QuantResearch-Playbook/
├── pyproject.toml # 项目配置 & 依赖管理
├── README.md # 项目文档（你在这里）
├── LICENSE # MIT 许可证
│
├── qrp/ # 📦 核心包
│ ├── core/ # ├── 基础框架
│ │ ├── data.py # │ ├── 数据加载（AkShare/Mock）
│ │ ├── factor.py # │ ├── 因子基类 + Pipeline
│ │ ├── backtest.py # │ ├── 向量化回测引擎
│ │ ├── analysis.py # │ ├── IC/ICIR/分层分析
│ │ └── utils.py # │ └── 工具函数
│ ├── factors/ # └── 通用因子库
│ └── reports/ # └── 券商策略实现
│ ├── dongwu/ # ├── 东吴证券
│ ├── huatai/ # ├── 华泰证券
│ ├── guangda/ # ├── 光大证券
│ ├── kaiyuan/ # ├── 开源证券
│ ├── zhongjin/ # ├── 中金公司
│ └── ... # └── 更多券商
│
├── self_test/ # 🧪 一键自测模块
│ ├── run_all.py # ├── 入口
│ ├── check_env.py # ├── 环境检查
│ ├── test_factors.py # ├── 因子测试
│ ├── test_analysis.py # ├── 分析模块测试
│ ├── report_generator.py # └── HTML 报告生成
│
├── tests/ # 🧪 单元测试
├── examples/ # 💡 使用示例
├── docs/ # 📖 文档
│ ├── REPORTS_CATALOG.md # ├── 策略完整目录
│ ├── API.md # ├── API 参考文档
│ └── CONTRIBUTING.md # └── 贡献指南
│
├── notebooks/ # 📓 Jupyter Notebook
│ └── 01_quickstart.ipynb # └── 快速上手 Notebook
│
├── .github/workflows/ # 🤖 CI/CD
│ └── ci.yml # └── GitHub Actions
│
└── tests/test_core.py # 核心模块测试
graph LR
A[入门: 阅读目录] --> B[实践: 运行自测]
B --> C[深入: 研究策略源码]
C --> D[扩展: 贡献新研报]
D --> E[实战: 对接真实数据]
- 入门: 阅读 docs/REPORTS_CATALOG.md 了解策略概览
- 实践: 运行
python -m self_test.run_all验证框架完整性 - 深入学习: 选择一个感兴趣的研报复现，阅读
qrp/reports/下的源码 - 扩展: 按照模板贡献你自己的研报复现（详见 CONTRIBUTING.md）
- 实战: 安装 AkShare，对接真实 A 股数据
| 组件 | 技术选型 | 说明 |
|---|---|---|
| 语言 | Python 3.10+ | 广泛使用，生态丰富 |
| 数据处理 | Polars 1.x | Rust 实现，5-10x 快于 Pandas |
| 统计分析 | NumPy + SciPy | IC 计算、回归分析、统计检验 |
| 数据源 | AkShare (可选) | 免费开源，覆盖 A 股全量数据 |
| 构建工具 | Hatchling | 现代 Python 打包 |
| 代码检查 | Ruff | 极速 Python linter |
| 类型检查 | mypy | 静态类型保障 |
| 测试 | pytest | 单元测试 + 覆盖率 |
| CI | GitHub Actions | 自动测试 + lint |
欢迎贡献新的研报复现！请阅读 docs/CONTRIBUTING.md 了解贡献流程。
- Fork 本仓库
- 创建新分支 (
git checkout -b feature/your-strategy) - 实现你的策略（参考现有代码模板）
- 运行测试确保通过 (
python -m pytest tests/) - 提交 PR
- 核心框架: DataLoader / Factor / Backtester / Analysis
- 5 家券商 24+ 因子实现
- 一键自测模块
- CI/CD 集成
- 横截面评估层（日度截面 IC/RankIC、分位多空）
- 东方证券、广发证券等剩余 7 家券商策略
- 在线 Demo / Streamlit Dashboard
- WorldQuant Alpha101 完整实现
- 实盘模拟信号生成
MIT © Contributors
⭐ 如果这个项目对你有帮助，请给一个 Star！
Built with ❤️ by quants, for quants