README.md

# 超短线量化选股程序（插件化架构）

## 项目概述

交易日14:30基于当日未收盘实时数据+历史日线数据选股，当日买入、次日卖出（T日买T+1日卖），由大模型主导挖掘规律，程序全自动历史回测全样本股票、迭代优化参数，最终实现每日自调整、高胜率选股，可对接OpenClaw做持续实时迭代。

## 架构设计

### 核心架构

采用**插件化、解耦架构**，整体分为两层：

1. **选股器（核心调度层）**：通用唯一入口
   - 负责从股票数据库中循环读取每一只股票的数据
   - 负责加载、管理、切换不同策略
   - 负责最终汇总结果

2. **策略（纯判断层）**：独立模块
   - 每个策略只做一件事：传入一只股票的数据 → 返回是否符合条件（True/False）
   - 策略内部绝对不做循环遍历股票
   - 策略之间互相独立，可随时增删、替换、切换

### 项目结构

```
quant_trading/
├── src/                     # 源代码目录
│   ├── strategies/          # 策略插件目录
│   │   ├── base_strategy.py # 策略基类（定义统一接口）
│   │   ├── vcp_strategy.py  # VCP策略实现
│   │   ├── model_strategy.py # 大模型选股策略实现
│   │   ├── test_strategy.py # 测试策略实现
│   │   └── __init__.py      # 策略模块包
│   ├── strategy_manager.py  # 策略管理模块（加载、管理、切换策略）
│   ├── stock_selector.py    # 选股器核心调度器（通用唯一入口）
│   ├── data_manager.py      # 数据管理模块
│   ├── model_api.py         # 大模型调用模块
│   ├── backtester.py        # 全样本回测模块
│   ├── parameter_optimizer.py # 参数迭代优化模块
│   ├── daily_adjuster.py    # 每日自调整模块
│   ├── scheduler.py         # 调度模块
│   ├── config_manager.py    # 配置管理
│   └── utils.py             # 工具函数
├── config/                  # 配置文件目录
├── data/                    # 数据存储目录
├── logs/                    # 日志目录
├── results/                 # 结果输出目录
├── .env.example             # 环境变量示例文件
├── requirements.txt         # 依赖清单
├── main.py                  # 主程序入口
└── README.md                # 项目说明文档
```

## 安装与运行

### 1. 安装依赖

```bash
pip install -r requirements.txt
```

### 2. 配置环境变量

复制 `.env.example` 为 `.env` 并填写相应配置：

```bash
cp .env.example .env
```

编辑 `.env` 文件：

```env
# Tushare API配置
TUSHARE_TOKEN=your_tushare_token

# 火山引擎API配置
VOLCENGINE_API_KEY=your_volcengine_api_key
VOLCENGINE_API_BASE=https://ark.cn-beijing.volces.com/api/v3/chat/completions
VOLCENGINE_MODEL=doubao-pro-32k

# 数据库配置
DB_PATH=data/stock_data.db

# 日志配置
LOG_PATH=logs/quant_trading.log

# 选股参数
SELECTION_TIME=14:30
STOCK_SELECTION_COUNT=10
MIN_TURNOVER_RATE=1.0
MAX_STOCK_COUNT=3000

# 回测参数
BACKTEST_START_DATE=20200101
BACKTEST_END_DATE=20241231

# 大模型参数
TEMPERATURE=0.1
TOP_P=0.9
MAX_TOKENS=8192
```

### 3. 初始化项目

```bash
python main.py --init
```

### 4. 运行程序

#### 手动触发选股

```bash
# 使用单个策略选股
python main.py --select --strategies vcp

# 使用多个策略组合选股（逻辑与，同时符合所有策略条件）
python main.py --select --strategies vcp,model

# 使用所有策略选股
python main.py --select --strategies vcp,model,test
```

#### 手动触发回测

```bash
python main.py --backtest
```

#### 手动触发参数优化

```bash
python main.py --optimize
```

#### 启动调度服务

```bash
python main.py --schedule
```

#### 一键测试程序功能

```bash
python main.py --test
```

#### 手动更新历史数据

```bash
python main.py --update
```

## 策略说明

### 现有策略

#### 1. VCP策略（`VCPStrategy`）

**策略描述**：VCP（波动率收缩模式）策略：通过寻找股价波动率持续收缩的股票

**核心原理**：
- 寻找价格波动率持续收缩的时期
- 检查收缩期长度和幅度
- 验证突破幅度和成交量变化
- 结合RSI和MACD指标进行确认

**默认参数**：
```json
{
  "min_contraction_period": 20,
  "max_contraction_period": 60,
  "volatility_threshold": 0.15,
  "breakout_threshold": 0.05,
  "min_price": 5,
  "max_price": 200,
  "min_volume_ratio": 1.5,
  "min_macd_signal": 0.01,
  "rsi_upper_bound": 70,
  "rsi_lower_bound": 30
}
```

#### 2. 大模型选股策略（`ModelStrategy`）

**策略描述**：大模型选股策略：基于AI模型分析股票数据

**核心原理**：
- 计算股票的基本指标和选股因素
- 调用火山引擎大模型进行分析
- 基于模型评分判断股票是否符合条件

**默认参数**：
```json
{
  "learning_window": "90日",
  "profit_threshold": "3%",
  "stock_count": "10只",
  "volume_ratio_threshold": "1.5倍"
}
```

#### 3. 测试策略（`TestStrategy`）

**策略描述**：测试策略：简单的均线交叉策略，用于开发和测试

**核心原理**：
- 计算短期和长期移动平均线
- 检查均线交叉情况
- 验证价格范围和成交量条件

**默认参数**：
```json
{
  "short_ma_period": 5,
  "long_ma_period": 20,
  "min_price": 10,
  "max_price": 100,
  "min_volume": 1000000,
  "min_turnover": 10000000
}
```

## 添加新策略

### 1. 创建策略类

在 `src/strategies/` 目录下创建新的策略文件（例如 `my_strategy.py`）：

```python
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
我的策略实现类 - 描述策略功能
"""

import logging
import pandas as pd
from typing import Dict, Any

from src.strategies.base_strategy import BaseStrategy

# 配置日志
logger = logging.getLogger(__name__)

class MyStrategy(BaseStrategy):
    """我的策略实现"""
    
    def _get_description(self) -> str:
        """获取策略描述"""
        return "我的策略：描述策略功能"
    
    def _get_default_params(self) -> Dict[str, Any]:
        """获取策略默认参数"""
        return {
            "param1": 10,
            "param2": 0.5,
            "param3": "value"
        }
    
    def check_stock(self, ts_code: str, df_stock: pd.DataFrame) -> bool:
        """
        检查单只股票是否符合策略条件
        
        参数:
            ts_code: 股票代码
            df_stock: 股票历史数据
            
        返回:
            bool: 是否符合条件
        """
        try:
            # 策略逻辑实现
            # 检查股票数据是否符合策略条件
            # 返回 True 或 False
            
            return True
            
        except Exception as e:
            logger.error(f"检查股票 {ts_code} 时出错: {e}")
            return False
```

### 2. 更新策略模块包

在 `src/strategies/__init__.py` 中添加新策略类：

```python
from src.strategies.my_strategy import MyStrategy

__all__ = [
    "BaseStrategy",
    "VCPStrategy",
    "ModelStrategy",
    "TestStrategy",
    "MyStrategy"
]
```

### 3. 使用新策略

```bash
python main.py --select --strategies my,other_strategy
```

## 核心模块说明

### 策略管理模块 (`strategy_manager.py`)

负责策略的加载、管理和切换，支持：
- 自动加载策略目录下的所有策略
- 策略的注册和取消注册
- 策略参数的获取和设置
- 策略列表的查询

### 选股器核心调度器 (`stock_selector.py`)

作为通用唯一入口，负责：
- 从股票数据库中循环读取每一只股票的数据
- 加载、管理、切换不同策略
- 最终汇总结果
- 支持策略组合选股

### 数据管理模块 (`data_manager.py`)

负责历史日线数据下载、增量更新、当日14:30实时数据获取、SQLite数据库管理等功能。

### 大模型调用模块 (`model_api.py`)

封装火山引擎API调用，支持传入历史双数据、当日双数据、实时消息和最优参数，返回标准化JSON结果。

### 全样本回测模块 (`backtester.py`)

严格模拟真实交易，对历史每一个交易日做全样本回测，输出详细回测报告。

### 参数迭代优化模块 (`parameter_optimizer.py`)

自动遍历参数池、筛选最优参数、触发大模型规律重挖掘，实现闭环优化。

### 每日自调整模块 (`daily_adjuster.py`)

每日收盘后自动触发，完成当日数据回测、参数微调、规律有效性验证。

### 调度模块 (`scheduler.py`)

实现每日14:30自动选股、每日收盘后自动回测/迭代、非交易时间定时数据更新。

## 输出文件说明

### 选股结果

- `results/selections/YYYYMMDD_{strategy_name}_selected_stocks.csv`：每日选股结果
- `results/selections/YYYYMMDD_{strategy_name}_selected_stocks.json`：每日选股结果（JSON格式）

### 回测报告

- `results/backtests/YYYYMMDD_backtest_report.csv`：回测报告（CSV格式）
- `results/backtests/YYYYMMDD_backtest_report.txt`：回测报告（文本格式）

### 优化结果

- `results/optimization/best_parameters.json`：最优参数配置
- `results/optimization/parameter_optimization_log.csv`：参数优化日志

### 大模型规律

- `results/models/trading_rules_YYYYMMDD.json`：大模型挖掘的交易规律

## OpenClaw对接说明

### 前置准备

1. 确保程序已正确配置并能正常运行
2. 安装OpenClaw并配置好运行环境
3. 将程序部署到OpenClaw可访问的目录

### 调用方式

OpenClaw可通过命令行调用程序的各个功能：

```python
# 自动选股
run_command("python /path/to/quant_trading/main.py --select --strategies vcp,model")

# 自动回测
run_command("python /path/to/quant_trading/main.py --backtest")

# 自动参数优化
run_command("python /path/to/quant_trading/main.py --optimize")
```

### 结果读取

OpenClaw可直接读取程序输出的CSV、JSON和文本文件，进行二次分析和迭代。

## 注意事项

1. **API额度限制**：Tushare和火山引擎API都有额度限制，使用时请注意控制调用频率
2. **数据更新**：首次运行需要下载大量历史数据，可能需要较长时间
3. **回测时间**：全样本回测需要处理大量数据，时间较长，请耐心等待
4. **风险提示**：量化交易有风险，回测结果仅供参考，实盘交易需谨慎