一个基于Python的A股量化交易系统
数据驱动 · 策略制胜 · 理性交易
EasyQuantify 是一个面向A股市场的量化交易系统，集成了数据获取、特征提取、策略回测、情绪分析和自动化交易等功能。系统旨在通过数据分析和算法策略，帮助投资者进行理性决策，减少情绪化交易的影响。
- 📊 多源数据集成：支持Tushare、easyquotation等多种数据源
- 🧠 知识图谱：基于Neo4j构建股票知识图谱，支持概念、行业、地区等多维度分析
- 📈 特征工程：内置多种技术指标（MA、RSI、动量等）和特征提取工具
- 🤖 多策略支持：网格交易、神经网络、决策树、动量策略等多种交易策略
- 📰 情绪分析：基于新闻文本的金融情绪分析，支持LSTM深度学习模型
- 🔄 自动化交易：集成easytrader，支持实盘自动化交易
- 📉 行情监控：实时监控ETF、指数和个股行情
我回来了，大A！
时隔多年，我重新回到这个曾经让我又爱又恨的市场。这一次，我不再是那个凭感觉交易的韭菜，也不再是那个对代码不自信的新手。
经过这些年的沉淀和成长，我带着更成熟的技术栈、更完善的量化框架，以及更理性的交易心态，重新站在了起跑线上。
这一次，我要用数据说话，用策略制胜，用代码守护我的钱包。
让量化成为我的武器，让理性战胜情绪，让代码替我执行纪律。
大A，我准备好了。这一次，我们好好较量一番！
- Tushare：股票、ETF、基金、指数等历史数据和实时新闻
- MongoDB：历史分时数据存储
- MySQL：结构化数据存储
- Neo4j：知识图谱存储
- TongHuaShunExecutor：同花顺下单程序执行器，基于Windows窗口操作和图像识别实现自动化交易
- easytrader：自动化交易接口（传统方式）
- easyquotation：实时行情获取
- NumPy/Pandas：数据处理和分析
- Scikit-learn：机器学习模型（决策树等）
- TensorFlow/Keras：深度学习模型（LSTM情绪分析）
- Matplotlib/Plotly：数据可视化
easyQuantify/
├── Config/ # 配置文件
│ ├── Config.py # 配置管理
│ └── info.json # 配置信息
├── DataEngine/ # 数据引擎
│ ├── Data.py # Tushare数据获取
│ ├── Mongo.py # MongoDB操作
│ ├── Mysql.py # MySQL操作
│ ├── Neo4j.py # Neo4j知识图谱
│ ├── fund_protfolio.py # 基金持仓数据
│ └── etf.py # ETF数据
├── Feature/ # 特征提取
│ ├── pre_process_data.py # 数据预处理
│ ├── feature.py # 特征计算
│ ├── shape.py # 形态识别
│ └── trend.py # 趋势分析
├── Strategy/ # 交易策略
│ ├── gridTrade.py # 网格交易策略
│ ├── Neural_Network.py # 神经网络策略
│ ├── DecisionTree.py # 决策树选股
│ ├── ThreeMomentum.py # 三重动量策略
│ ├── MovingAverage.py # 均线策略
│ └── follow_fund.py # 跟庄策略
├── Monitor/ # 行情监控
│ ├── Market.py # 市场监控
│ └── ScreenSpyer.py # 屏幕监控
├── Sentiment analysis/ # 情绪分析
│ ├── simple.py # 简单情绪分析
│ └── News/ # 新闻获取
├── Trade/ # 交易执行
│ ├── TongHuaShunExecutor.py # 同花顺自动化交易执行器
│ ├── Operation.py # 交易操作（easytrader接口）
│ └── Entity.py # 交易实体
├── RiskControl/ # 风险控制
│ └── RiskControl.py # 风控模块
├── ML/ # 机器学习
├── UI/ # 用户界面
├── cache/ # 缓存文件
│ ├── code-log.txt # 操作日志
│ ├── gaps.txt # 价差配置
│ ├── buy_rates.txt # 买入价差率
│ └── sell_rates.txt # 卖出价差率
├── graph_data/ # 图谱数据
├── main.py # 主程序入口
└── README.md # 项目说明
- Python 3.7+
- MongoDB（可选，用于历史分时数据）
- MySQL（可选，用于结构化数据）
- Neo4j（可选，用于知识图谱）
- 克隆项目
git clone https://github.com/yourusername/easyQuantify.git
cd easyQuantify- 安装依赖
pip install -r requirements.txt- 配置信息
- 在
Config/info.json中配置数据库连接信息 - 配置Tushare Token
- 配置交易接口（easytrader）
- 在
Config/info.json 需要包含以下配置：
{
"Tushare": {
"token": "your_tushare_token"
},
"Mysql": {
"host": "localhost",
"port": 3306,
"user": "root",
"password": "password",
"database": "quantify"
},
"Mongo": {
"host": "localhost",
"port": 27017,
"database": "quantify"
},
"Neo4j": {
"uri": "bolt://localhost:7687",
"user": "neo4j",
"password": "password"
}
}- 功能：获取股票、ETF、基金、指数等历史数据，以及实时新闻
- 文件：
DataEngine/Data.py - 支持数据类型：
- 股票基础信息
- 历史K线数据
- 财务数据
- 新闻资讯
- 功能：爬取和存储股票历史分时数据
- 文件：
DataEngine/Mongo.py - 存储：MongoDB
- 功能：基于Neo4j构建股票知识图谱
- 文件：
DataEngine/Neo4j.py - 图谱维度：
- 概念关联
- 行业分类
- 地区分布
- 数据来源：Tushare分类数据
- 功能：获取基金持仓信息
- 文件：
DataEngine/fund_protfolio.py - 说明：由于Tushare对基金持仓数据有积分要求，本模块未来将提供替代方案
- 功能：对原始数据进行清洗和预处理
- 文件：
Feature/pre_process_data.py - 技术指标：
delta_ma5_vol：5日均量变化率delta_ma5：5日均线变化率- 五日动量
- 二十日动量
- RSI相对强弱指标
- 功能：基于技术指标计算交易特征
- 文件：
Feature/feature.py - 支持：自定义特征工程流程
- 功能：监控A股市场行情并输出可视化图表
- 文件：
Monitor/Market.py - 监控对象：
- 全部ETF
- 主要指数
- 全部股票
- 状态：非实时监控，后续将完善实时功能
- 功能：实时获取财经新闻并进行情绪分析
- 文件：
Sentiment analysis/simple.py - 分析方法：
- 基于金融情绪词典的统计学分析
- 支持实时新闻抓取
- 功能：基于LSTM的深度学习情绪分析
- 模型：LSTM神经网络
- 说明：需要配合完善的产业链知识图谱和金融实体识别使用
- 功能：优化的网格交易策略，支持动态配置买卖价差
- 文件：
Strategy/gridTrade.py - 特点：
- 动态配置价格差
- 支持浮动价差率
- 持仓管理：不盈利不放手
- 配置说明：
cache/code-log.txt：记录最后一次操作的价格和数量cache/gaps.txt：各股票的价差配置cache/buy_rates.txt：买入浮动价差率cache/sell_rates.txt：卖出浮动价差率
- 功能：基于决策树模型预测次日涨跌
- 文件：
Strategy/DecisionTree.py - 模型类型：分类模型
- 功能：基于神经网络的预测模型
- 文件：
Strategy/Neural_Network.py - 特点：简化版神经网络模型
- 功能：三重动量策略和均线策略
- 文件：
Strategy/ThreeMomentum.py,Strategy/MovingAverage.py - 说明：适用于特定个股和特定时期
- 功能：基于Windows窗口操作和图像识别实现同花顺下单程序的自动化交易
- 文件：
Trade/TongHuaShunExecutor.py - 核心特性：
- 自动化下单：支持买入（F1）、卖出（F2）、撤单（F3）等操作
- 订单模式：支持限价单和市价单模式
- 限价单：使用指定价格下单
- 市价单：自动计算价格（买入比基准价高1%，卖出比基准价低1%），保持小数位数一致
- 资产查询：通过F4键查询资产，支持VLM图像分析自动提取资产数据
- 持仓管理：支持查询持仓（F6）、成交单（F7）、委托单（F8）
- 交易时间检查：自动检查交易时间（9:25-15:00），非交易时间拒绝执行
- 日志系统：完整的日志记录和文件管理
- 自动保存截图到
SystemLog/screenshots/ - 自动保存资产数据到
SystemLog/assets/ - 日志文件保存到
SystemLog/logs/ - 自动清理超过7天的过期文件
- 自动保存截图到
- 窗口管理：自动查找、聚焦和操作同花顺交易窗口
- VLM集成：可选集成视觉语言模型进行图像分析
- 依赖：
- pywin32：Windows API操作
- PIL/Pillow：图像处理
- VLMImageAnalyzer（可选）：视觉语言模型分析
- 功能：集成easytrader和easyquotation实现自动化交易
- 文件：
Trade/Operation.py,Trade/Entity.py - 依赖：
- easytrader：自动化交易接口，需按官网配置
- easyquotation：实时股价获取，比Tushare快10倍
- Tushare：底层数据支持
- 配置价差 (
cache/gaps.txt)
000001:0.02
000002:0.015
510300:0.01
- 配置买入价差率 (
cache/buy_rates.txt)
000001:0.95
000002:0.98
- 配置卖出价差率 (
cache/sell_rates.txt)
000001:1.05
000002:1.02
from Trade.TongHuaShunExecutor import TongHuaShunExecutor
# 初始化执行器
exe_path = r"D:\Program Files (x86)\ths\同花顺\xiadan.exe"
executor = TongHuaShunExecutor(exe_path)
# 启动或激活程序
if executor.launch_program() or executor.activate_window():
# 限价买入
executor.press_f1_buy(
stock_code_or_name="000001",
price="10.50",
quantity="100",
price_mode="limit"
)
# 市价买入（比基准价高1%）
executor.press_f1_buy(
stock_code_or_name="000001",
price="10.50", # 基准价格
quantity="100",
price_mode="market" # 自动计算为 10.605
)
# 查询资产（使用VLM分析）
asset_data = executor.press_f4_query(use_vlm=True)
print(asset_data)-
投资有风险，入市需谨慎
- 本系统仅供学习和研究使用
- 实盘交易存在资金损失风险
- 历史收益不代表未来表现
-
技术风险
- 系统可能存在bug，请充分测试后再使用
- 网络延迟可能导致交易执行偏差
- 数据源异常可能影响策略效果
-
合规风险
- 请确保交易行为符合相关法律法规
- 注意API调用频率限制
- 遵守交易所交易规则
疫情期间，在家学习时学校发了补助，恰逢股市动荡，后续开启了波澜壮阔的大牛市，于是入场开始炒股。
苦于无人交流，以及未曾接受系统化的经济学教育，在几次大亏之后，决定结合所学知识进行量化交易，希望通过代码帮助自己进行理性决策。
项目从2020年开始，2021年逐步完善。在2021-05-12至2021-06-01期间，进行了网格交易策略的实盘测试，总投入从一万加到三万四，收益847元（2.5%），得益于五月份的好行情。测试期间主要选择权重股、ETF和少量波动较大的股票。
现在，重新审视这个项目，带着新的认知和技术，准备让它发挥更大的作用。
欢迎提交Issue和Pull Request！
本项目采用 MIT 许可证。
如有问题或建议，欢迎通过Issue反馈。
让量化成为武器，让理性战胜情绪，让代码执行纪律
Made with ❤️ for A股量化交易