A modular, extensible automated Alpha factor mining platform for A-share and US equity markets, inspired by WorldQuant / BigQuant.
一个模块化、可扩展的自动化 Alpha 因子挖掘平台，参考 WorldQuant / BigQuant 架构设计。支持手动表达式、遗传编程、深度学习三种因子生成模式，覆盖数据加载 → 因子计算 → 有效性评估 → 可视化报告的完整研究工作流。
24 个算子 · 3 种因子生成模式 · A 股 + 美股双市场 · CLI + Streamlit + Notebook 三入口
from alpha_mining import init_data, quick_evaluate
# 一行加载数据（A 股 / 美股自动路由 + 标准化 + 衍生特征）
data = init_data(market='a_share', start='2019-01-01', end='2024-12-31')
# 一行评估因子：表达式 → IC/分层回测/多空绩效/图表
result = quick_evaluate("rank(ts_mean(close,20)/close)", data, n_groups=5)flowchart LR
subgraph Data["📊 数据层"]
AK[Akshare A股]
TS[Tushare]
BS[Baostock]
YF[YFinance 美股]
end
subgraph Engine["🔧 因子引擎"]
EX["表达式<br/>(WorldQuant 语法)"]
GP["遗传编程<br/>(gplearn)"]
DA["DeepAlpha<br/>(DNN/LSTM)"]
end
subgraph Eval["📈 评估"]
IC[IC/IC_IR]
BG[分层回测]
LS[多空绩效]
subgraph Viz["🎨 可视化"]
P1[IC 时序]
P2[净值曲线]
P3[分组收益]
P4[月度热力图]
end
Data --> Engine --> Eval --> Viz
style Engine fill:#1a1f2e,color:#7dd3fc
style Data fill:#14171d,color:#e6e9ef
style Eval fill:#14171d,color:#e6e9ef
style Viz fill:#14171d,color:#e6e9ef
- 多数据源支持：Akshare（免费A股）、Tushare（专业数据）、Baostock（稳定数据）、YFinance（美股）
- 自动降级机制：首选数据源失败时自动尝试备选
- 多市场支持：A股(
a_share)、美股(us)自动路由 - Parquet 本地缓存：重复使用无需重复下载
- 数据标准化：统一字段命名、格式、复权处理
-
三种因子生成模式
- 手动表达式：类 WorldQuant 表达式语法
- 遗传编程：gplearn 自动进化有效因子
- DeepAlpha：DNN/LSTM 深度学习隐式因子
-
24 个内置算子
- 截面算子：
rank,zscore,demean,scale - 时序算子：
ts_mean,ts_std,ts_delta,ts_corr,ts_skew,ts_kurt,residual - 数学算子：
abs,sign,log,power,sqrt,add,sub,mul,div - 条件算子：
if_else
- 截面算子：
- IC 分析：Pearson / Spearman 双指标
- IC_IR 稳定性：IC 均值/标准差
- 5-10 分组回测：分层年化收益对比
- 多空组合绩效：年化收益、夏普、最大回撤、卡玛比率
- 换手率分析：因子稳定性评估
- 训练/测试集严格切分：避免过拟合
- 行业市值中性化：可选
- IC 时间序列图（±2σ 通道）
- 多空净值曲线图
- 分组累计收益对比图
- 月度 IC 热力图
- 因子整体对比汇总图
pip install -r requirements.txt可选模式按需安装：
pip install gplearn # 遗传编程模式
pip install torch # DeepAlpha 深度学习模式
pip install streamlit # Web 界面# 查看系统信息与可用模式
python -m alpha_mining info
# 用默认 config.yaml 运行
python -m alpha_mining run
# 直接传入因子表达式（覆盖配置）
python -m alpha_mining run -e "rank(ts_mean(close,20)/close)" "-rank(ts_std(return_1d,20))"
# 指定市场 / 生成模式
python -m alpha_mining run --market us --mode expression
# 不生成图表
python -m alpha_mining run --no-plots
# 指定配置文件
python -m alpha_mining run -c my_config.yamlstreamlit run app.py推荐在 Notebook 中使用 v3.0 高级 API，一行代码完成加载 / 评估：
from alpha_mining import init_data, quick_evaluate, compare_factors
# 一行加载数据（含标准化 + 衍生特征）
data = init_data(market='a_share', start='2019-01-01', end='2024-12-31')
# 一行评估单个因子
result = quick_evaluate("rank(ts_mean(close,20)/close)", data, n_groups=5)
# 对比多个因子
compare_factors(["rank(ts_delta(close,5))", "-rank(ts_std(return_1d,20))"], data)完整示例见 notebooks/01_quickstart.ipynb。
完整配置见 config.yaml，主要分段：
market: a_share # a_share (A股) / us (美股)
data:
preferred_source: null # null = 按市场自动选择；或指定 akshare/tushare/baostock/yfinance
fallback_sources: [tushare, baostock] # 失败时自动降级
start_date: "2019-01-01"
end_date: "2024-12-31"
symbols: all # all = 全市场；或 ["000001.SZ", "000002.SZ"]
factor_generation:
mode: expression # expression / gplearn / deep_alpha
expressions: # 模式 1
- "rank(ts_mean(close,20)/close)"
- "-rank(ts_std(return_1d,20))"
gp: # 模式 2
population_size: 200
generations: 20
top_n: 5
deep_alpha: # 模式 3
model_type: dnn # dnn / lstm / transformer
hidden_layers: [128, 64, 32]
num_output_factors: 10
evaluation:
n_groups: 5
train_ratio: 0.8
neutralize: false # 行业市值中性化
filter: # 因子筛选阈值
min_train_icir: 0.5
min_test_ic_mean: 0.02
min_ls_sharpe_train: 1.0| 表达式 | 因子含义 | 预期 IC 方向 |
|---|---|---|
rank(ts_mean(close,20)/close) |
价格偏离均线程度 | 负 |
ts_delta(close,5) |
5 日动量 | 正/负 |
-rank(ts_std(return_1d,20)) |
波动率反转 | 正 |
ts_zscore(volume,10)*-1 |
成交量异常 | 正 |
rank(close_vwap_diff) |
价格与成交均价差 | 负 |
ts_skew(return_1d,20) |
收益率偏度 | 负 |
residual(close, log_volume, 20) |
成交量解释后的残差收益 | 正 |
alpha-mining-system/
├── alpha_mining/ # v3.0 标准包
│ ├── __init__.py # 包入口，导出高级 API
│ ├── __main__.py # python -m alpha_mining 入口
│ ├── cli.py # 命令行接口 (run / info)
│ ├── api.py # Notebook 高级 API
│ ├── data_hub.py # 统一数据抽象层（多市场）
│ ├── factor_engine.py # 因子计算引擎
│ ├── evaluator.py # 因子评估器（中性化增强）
│ ├── visualizer.py # 结果可视化模块
│ ├── operators.py # 24 个算子库
│ ├── utils.py # 工具函数
│ └── data_adapters/ # 数据源适配器（市场感知）
│ ├── base_adapter.py
│ ├── akshare_adapter.py
│ ├── tushare_adapter.py
│ ├── baostock_adapter.py
│ └── yfinance_adapter.py
├── notebooks/
│ └── 01_quickstart.ipynb # Notebook 优先工作流示例
├── api/
│ └── index.py # Vercel Serverless Function 入口
├── app.py # Streamlit Web 界面
├── config.yaml # 默认配置
├── requirements.txt
├── vercel.json
├── LICENSE
└── README.md
运行时自动生成：data_cache/（行情缓存）、factor_cache/（因子缓存）、results/（输出报告与图表），均已在 .gitignore 中排除。
相对 v2.1 的主要变化：
- 标准 Python 包结构 — 从顶层脚本改为
alpha_mining/包，入口统一为python -m alpha_mining。 - Notebook 优先工作流 — 新增高级 API（
init_data/quick_evaluate/compare_factors），一行代码完成加载与评估。 - 命令行接口 (CLI) —
run/info子命令，支持-e传入表达式、--market/--mode覆盖配置，便于批量与自动化回测。 - Streamlit Web 界面 —
streamlit run app.py提供交互式因子探索。 - Serverless API —
api/index.py提供轻量 HTTP 接口。 - 因子元信息系统 —
FactorResult统一包装，携带name/category/source/expression/data_version/generated_at等完整溯源信息。 - 高阶算子 —
ts_skew/ts_kurt/residual。 - 多市场架构 —
market参数路由 A 股 / 美股，适配器自动按市场过滤数据源。
| 指标 | 最低阈值 | 优秀阈值 |
|---|---|---|
| 训练集 RankIC_IR | > 0.3 | > 0.5 |
| 测试集 RankIC 均值 | > 0.01 | > 0.03 |
| 多空夏普（训练） | > 0.5 | > 1.0 |
| 方向一致性 | 训练/测试同号 | - |
| 日换手率 | < 0.3 | < 0.15 |
- GitHub: https://github.com/aznikline/alpha-mining-system
- Vercel Serverless：API 模式支持（见
vercel.json/api/index.py） - 本地 Docker：
docker run -v $(pwd)/config.yaml:/app/config.yaml ...
本仓是量化系列的一部分，配套项目分工：
alpha— OpenAlpha factor discovery → qmt 执行层的 integration bridge。alpha-mining-system 负责挖掘因子（遗传编程 / DeepAlpha），alpha 负责桥接到执行框架（SignalAlphaFactoradapter，含 116 个测试 + Protocol fallback 可独立运行）。- qmt / ptrade — 作者维护的量化执行层（私有）。alpha 的 bridge 以它们为 integration target；不公开以隔离交易逻辑。
MIT License © 2026 aznikline