🐼 PandaQuantFlow - AI驱动的量化因子平台

基于 FastAPI + LLM 的智能量化因子开发与回测平台

功能特点 • 快速开始 • 架构设计 • 文档 • 贡献

---

📖 项目简介

PandaQuantFlow 是一个集成了大语言模型（LLM）的量化交易平台，旨在通过 AI 辅助量化策略开发、因子分析和回测。平台提供友好的 Web 界面，支持自然语言交互，让量化研究更加高效。

🎯 核心优势

• 🤖 AI 助手: 集成 DeepSeek V3、Qwen 等多个 LLM 模型，支持智能对话和代码生成
• 📊 因子分析: 完整的因子开发、测试、回测工作流
• 🎨 现代 UI: 基于 Web 的专业界面，支持实时市场数据展示
• 🔧 高可扩展: 模块化设计，易于扩展和定制
• 🚀 高性能: 基于 FastAPI 异步框架，支持高并发

---

✨ 功能特点

1. 智能对话系统

• 🗣️ 支持多模型切换（DeepSeek、Qwen、GLM-4 等）
• 💬 自然语言因子开发
• 📝 代码生成与优化建议
• 🔄 上下文记忆与多轮对话

2. 因子分析

• 📈 技术指标计算（MA、MACD、RSI 等）
• 📊 因子回测与评估
• 📉 可视化图表生成
• 💾 因子库管理

3. 数据分析

• 🌐 实时市场概览
• 📑 股票技术分析
• 📊 自定义图表生成
• 🔍 数据探索与洞察

4. 系统特性

• 🔐 多 API 密钥轮询与负载均衡
• 🛡️ 自动故障转移与重试机制
• 📝 完整的日志与监控
• 🔧 灵活的配置管理

---

🚀 快速开始

环境要求

• Python 3.8+
• MongoDB 4.0+（可选）
• 8GB+ RAM
• Windows/Linux/MacOS

安装步骤

1. 克隆仓库

git clone https://github.com/your-username/PandaQuantFlow.git
cd PandaQuantFlow

2. 安装依赖

# 安装 PandaFactor 依赖
cd panda_factor-main/panda_factor-main
pip install -r requirements.txt

# 安装 QuantFlow 依赖
cd ../../
pip install -e .

3. 配置 LLM API

编辑配置文件，添加你的 API 密钥：

# config.yaml
LLM_API_KEYS:
  - "your-api-key-1"
  - "your-api-key-2"
  - "your-api-key-3"

LLM_BASE_URL: "https://api.siliconflow.cn/v1"
LLM_MODEL: "deepseek-ai/DeepSeek-V3"

4. 启动服务

Windows:

# 启动所有服务
restart_all.bat

Linux/MacOS:

# 启动 PandaFactor
cd panda_factor-main/panda_factor-main
python start_complete.py

# 启动 QuantFlow
cd ../../src
python -m panda_server.main

5. 访问界面

打开浏览器访问：

• 主界面: http://127.0.0.1:8111/
• API 文档: http://127.0.0.1:8111/docs
• QuantFlow: http://127.0.0.1:8000/docs

---

🏗️ 架构设计

系统架构

PandaQuantFlow
├── panda_factor-main/          # 因子平台主服务
│   ├── panda_web/              # Web 前端
│   ├── panda_llm/              # LLM 集成
│   ├── panda_factor/           # 因子分析
│   └── panda_common/           # 公共组件
├── src/                        # QuantFlow 服务
│   └── panda_server/           # 数据服务
├── tests/                      # 测试脚本
└── docs/                       # 文档

技术栈

后端:

• FastAPI - 异步 Web 框架
• OpenAI SDK - LLM 集成
• Pandas/NumPy - 数据处理
• Matplotlib - 图表生成
• MongoDB - 数据存储（可选）

前端:

• 原生 JavaScript
• CSS3 动画
• 响应式设计

部署:

• Uvicorn - ASGI 服务器
• 多进程支持
• 自动重启机制

---

📚 文档

API 文档

LLM 接口

# 简单聊天
POST /llm/chat/simple
{
    "message": "帮我生成一个动量因子",
    "model": "deepseek",
    "history": []
}

# 获取模型列表
GET /llm/models

# 查看 LLM 状态
GET /llm/status

分析接口

# 市场概览
GET /analysis/market_overview

# 股票分析
POST /analysis/stock
{
    "code": "000001",
    "period": 30,
    "analysis_type": "technical"
}

# 因子回测
POST /analysis/factor
{
    "factor_code": "momentum_20d",
    "backtest_period": 180
}

配置说明

详细配置文档请参考：

• 快速开始指南
• 研究方向
• 问题修复报告

---

🧪 测试

运行测试

# 测试所有 API
python test_all_apis.py

# 测试 LLM 功能
python test_llm_api.py

# 测试 CORS
python test_cors_simple.py

测试覆盖

• ✅ LLM 对话功能
• ✅ 市场数据接口
• ✅ 因子分析功能
• ✅ 图表生成
• ✅ CORS 配置

---

🔧 开发指南

添加新模型

1. 在配置中添加模型信息：

LLM_MODELS:
  custom_model:
    name: "自定义模型"
    model_id: "provider/model-name"
    description: "模型描述"

2. 前端调用：

const response = await fetch('/llm/chat/simple', {
    method: 'POST',
    body: JSON.stringify({
        message: "你好",
        model: "custom_model"
    })
});

添加新因子

1. 创建因子类：

from panda_factor import BaseFactor

class MyFactor(BaseFactor):
    def calculate(self, data):
        # 计算逻辑
        return result

2. 注册因子：

factor_manager.register("my_factor", MyFactor)

---

🤝 贡献

欢迎贡献代码、报告问题或提出建议！

贡献流程

1. Fork 本仓库
2. 创建功能分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启 Pull Request

代码规范

• 遵循 PEP 8 Python 代码规范
• 添加必要的注释和文档字符串
• 编写单元测试
• 确保所有测试通过

---

📋 待办事项

• 支持更多 LLM 模型（Claude、GPT-4 等）
• 实现流式响应
• 添加因子可视化
• 支持多用户系统
• 实现策略回测引擎
• 优化性能和并发
• 完善文档和教程
• Docker 容器化部署

---

📄 许可证

本项目采用 MIT 许可证。详见 LICENSE 文件。

---

🙏 致谢

感谢以下开源项目：

• FastAPI
• OpenAI
• Pandas
• DeepSeek
• Qwen

---

📞 联系方式

• 项目主页: https://github.com/your-username/PandaQuantFlow
• 问题反馈: https://github.com/your-username/PandaQuantFlow/issues
• 邮箱:[email protected]

---

⭐ 如果这个项目对你有帮助，请给一个 Star！⭐

Made with ❤️ by PandaQuantFlow Team