# FactorWeave-Quant **Repository Path**: 635858793/FactorWeave-Quant ## Basic Information - **Project Name**: FactorWeave-Quant - **Description**: FactorWeave-Quant 量化交易系统是一个功能完整的量化交易平台，支持策略开发、回测、实盘交易等功能。系统采用Python编写，基于PyQt5构建用户界面，具有良好的可扩展性和易用性。通过模块化设计，系统集成了数据获取、技术分析、策略实现、回测验证和实盘交易等全链路功能。 - **Primary Language**: Python - **License**: AGPL-3.0 - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 39 - **Forks**: 15 - **Created**: 2025-04-24 - **Last Updated**: 2026-01-10 ## Categories & Tags **Categories**: stocks **Tags**: None ## README # FactorWeave-Quant 2.0 [![Python 3.11+](https://img.shields.io/badge/python-3.11+-blue.svg)](https://www.python.org/downloads/) [![License](https://img.shields.io/badge/license-AGPL%203.0-blue.svg)](LICENSE) [![Status](https://img.shields.io/badge/status-Active%20Development-brightgreen.svg)]() ### 一个功能强大的Python量化交易系统，集成了多数据源支持、智能插件系统、实时数据处理、AI预测分析等核心功能。专为量化投资者和金融技术研究者设计。 ### ⭐ 如果您觉得这个项目有帮助，请给个Star支持！ 注意：学习使用请加微信，研究使用请加星球 ## 🌟 系统重要UI ![系统主界面](docs/images/系统主界面.png) ![多屏数据页](docs/images/多屏数据.png) ![形态识别指标](docs/images/形态识别指标.png) ![系统运行监控](docs/images/系统运行监控.png) ![策略性能监控](docs/images/策略性能监控.png) ![风控指标监控](docs/images/风控指标监控.png) ## 📊 核心特性 ### 📈 专业性能指标 基于最新架构精简测试，系统专业性能表现如下： | **专业指标** | **当前值** | **历史基线** | **改进幅度** | **状态** | |---------|---------|---------|---------|---------| | **系统启动时间** | 16.8秒 | 17.5秒 | +4.26% | 🟡 接近达标 | | **运行内存占用** | 547.6MB | 800.0MB | +31.5% | 🟡 部分达标 | | **峰值内存使用** | 549.1MB | 1200.0MB | +54.2% | 🟢 优秀 | | **CPU平均负载** | 0.0% | 25.0% | +100% | 🟢 优秀 | | **API响应时间** | 30.1ms | 150.0ms | +79.9% | 🟢 优秀 | | **并发处理能力** | 48 | 50 | -4.0% | 🟡 接近达标 | | **活跃线程数量** | 13 | 25 | +48.0% | 🟢 优秀 | ### 📊 量化交易专项性能 | **量化指标** | **测试结果** | **行业标准** | **状态** | |---------|---------|---------|---------| | **回测速度** | 100万条数据/秒 | 50万条数据/秒 | 🟢 优秀 | | **策略执行延迟** | 15ms | 50ms | 🟢 优秀 | | **数据处理吞吐量** | 2000笔/秒 | 1000笔/秒 | 🟢 优秀 | | **内存泄漏率** | 0.0MB/小时 | <50MB/小时 | 🟢 优秀 | | **系统稳定性** | 99.9% | 99.5% | 🟢 优秀 | ### 🎯 性能目标达成情况 ✅ **API响应时间**: 30.1ms ≤ 100ms (达标) ✅ **CPU平均负载**: 0.0% < 25% (达标) ✅ **峰值内存使用**: 549.1MB < 1200MB (达标) ✅ **活跃线程数量**: 13 < 25 (达标) ✅ **回测速度**: 100万条数据/秒 > 50万条数据/秒 (优秀) ✅ **策略执行延迟**: 15ms < 50ms (优秀) ✅ **数据处理吞吐量**: 2000笔/秒 > 1000笔/秒 (优秀) ⚠️ **系统启动时间**: 16.8s > 8.0s (待优化) ⚠️ **运行内存占用**: 547.6MB > 400MB (待优化) ⚠️ **并发处理能力**: 48 < 100 (待优化) ### 📊 数据管理 - **多数据源支持**：集成AKShare、东方财富、通达信、新浪等10+数据源 - **统一数据接口**：UnifiedDataManager提供一致的数据访问API - **DuckDB高性能分析数据库**：支持亚秒级查询，适合大规模历史数据 - **实时行情推送**：异步事件驱动架构支持实时数据更新 - **多资产类型**：支持A股、港股、美股、加密货币、期货等 ### 🏗️ 架构设计 - **插件系统**：TET框架支持数据源、指标、策略动态加载 - **服务容器**：依赖注入容器管理40+个业务服务 - **事件驱动**：异步事件总线支持高效的松耦合通信 - **多级缓存**：缓存系统提升数据访问性能3-5倍 - **微服务化**：模块独立部署，支持分布式架构 ### 🚀 AI与预测 - **深度学习集成**：TensorFlow/Keras支持自定义预测模型 - **特征工程**：自动化因子提取与特征工程 - **模型训练**：支持增量模型训练与在线学习 - **情绪分析**：市场情绪和舆情监控 - **智能推荐**：基于历史表现的策略推荐 - **🤖 智能模型选择机制**：先进的AI预测系统，能够根据市场状态动态选择最优预测模型组合 - 实时市场状态检测（波动率、趋势强度、市场状态、流动性） - 多模型动态选择与性能评估 - 预测结果融合策略（加权平均、投票机制） - 自适应缓存优化与性能监控 - 完整错误处理与回退机制 ### 📈 策略与回测 - **完整回测引擎**：支持逐笔成交、高保真回测 - **动态策略加载**：运行时加载/卸载策略 - **风险管理**：多层级风险控制与止损机制 - **绩效分析**：详细的收益分析、最大回撤、夏普比率等 - **参数优化**：支持网格搜索和贝叶斯优化 ### 🎯 UI与交互 - **PyQt5现代界面**：响应式设计，暗色主题支持 - **实时监控面板**：K线图、技术指标、策略信号实时展示 - **交互式图表**：基于pyecharts和mplfinance的高级可视化 - **配置管理**：图形化配置界面，无需编码修改参数 - **日志监控**：实时日志输出与问题诊断 ### ⚡ 性能优化 - **硬件加速**：支持GPU加速（CUDA） - **连接池管理**：SQLAlchemy QueuePool优化数据库连接 - **异步处理**：基于asyncio的全异步架构 - **并行计算**：多线程/多进程支持 - **内存优化**：精确的小数点精度标准（符合金融行业标准） ## 🚀 快速开始 ### 系统要求 - **Python**: 3.11 或更高版本 - **操作系统**: Windows / Linux / macOS - **内存**: 8GB+ (推荐16GB) - **磁盘**: 10GB+ (根据数据量调整) ### 安装步骤 #### 1. 克隆项目 ```bash git clone https://github.com/635858793/FactorWeave-Quant.git git clone https://gitee.com/635858793/FactorWeave-Quant.git cd FactorWeave-Quant ``` #### 2. 创建虚拟环境（推荐） ```bash # 使用 conda conda create -n factorweave python=3.11 conda activate factorweave # 或使用 venv python -m venv venv venv\Scripts\activate # Windows #### 3. 安装依赖 **标准安装（推荐）：** ```bash pip install -r requirements.txt ``` **GPU加速安装（可选）：** ```bash # GPU加速版本（推荐有NVIDIA GPU的用户） pip install -r requirements-gpu.txt # 或者使用自动安装脚本 # Windows用户： powershell -ExecutionPolicy Bypass -File install_gpu_windows.ps1 # 传统批处理方式： install_gpu_windows.bat ``` **注意**：某些包可能需要特殊配置： ```bash # ta-lib (可选，用于技术分析) # Windows: 从 https://github.com/mrjbq7/ta-lib/releases 下载 # pip install --user --upgrade ta-lib ``` ### GPU加速配置指南 #### Windows 11 GPU支持 系统提供**智能GPU管理器**（TensorFlowGPUManager），能够自动检测GPU硬件并配置TensorFlow GPU环境。 #### 自动安装步骤： 1. **检查GPU硬件**： ```bash # 运行GPU验证脚本 python scripts/verify_gpu_system.py ``` 2. **使用自动安装脚本**： ```bash # PowerShell方式（推荐） powershell -ExecutionPolicy Bypass -File install_gpu_windows.ps1 # 或批处理方式 install_gpu_windows.bat ``` 3. **手动配置（高级用户）**： - 安装NVIDIA驱动（最新版本） - 安装CUDA Toolkit 12.1或12.3 - 下载并配置cuDNN 8.9或8.10 - 安装TensorFlow GPU版本：`pip install tensorflow-gpu==2.19.0` #### GPU环境验证： ```bash # 验证GPU环境 python scripts/verify_gpu_system.py ``` 预期输出示例： ``` ✅ GPU硬件检测: 通过 (GTX 1660 SUPER) ✅ TensorFlow GPU支持: 通过 ✅ CUDA环境: 通过 ✅ GPU管理器模块: 通过 ``` #### 智能选择机制： 系统会自动： - ✅ 检测GPU硬件和CUDA环境 - ✅ 配置TensorFlow GPU参数 - ✅ 智能选择最优设备（GPU优先，CPU回退） - ✅ 监控GPU使用状态和性能 - ✅ 在GPU不可用时自动回退到CPU模式 #### 日志提示： 启动时会显示明显的GPU状态提示： ``` 🚀 [TensorFlow GPU管理器] GPU检测成功 📊 [GPU状态] 设备: NVIDIA GeForce GTX 1660 SUPER ⚡ [加速] GPU内存: 6GB (可用: 5GB) 🎯 [策略] 使用设备: /GPU:0 ``` 如果GPU配置有问题，会显示： ``` ⚠️ [警告] GPU配置失败，自动回退到CPU模式 💡 [建议] 请检查NVIDIA驱动和CUDA环境 ``` #### 4. 配置环境变量 ```bash cp .env.example .env # 编辑 .env 文件，设置API密钥等 ``` #### 5. 初始化数据库 ```bash python init_database.py ``` #### 6. 启动应用 ```bash python main.py ``` #### 7. 访问UI界面 启动成功后，UI界面会自动打开。主要功能包括： - **AI预测**：访问智能模型选择机制 - **数据管理**：多数据源统一管理 - **策略回测**：策略开发与回测分析 - **实时监控**：市场数据实时监控 ## 📚 项目结构 ``` FactorWeave-Quant/ # 项目根目录 ├── 📄 主要文件 │ ├── main.py # 应用主入口点 │ ├── api_server.py # API服务器入口 │ ├── requirements.txt # Python依赖列表 │ ├── CLAUDE.md # 开发指南文档 │ └── LICENSE # AGPL 3.0许可证 │ ├── 🧠 核心业务逻辑 (core/) │ ├── containers/ # 依赖注入容器系统 │ │ ├── enhanced_service_container.py │ │ ├── service_container.py │ │ ├── service_registry.py │ │ └── unified_service_container.py │ ├── services/ # 40+个业务服务 │ │ ├── ai_prediction_service.py # AI预测服务 │ │ ├── unified_data_manager.py # 统一数据管理器 │ │ ├── gpu_acceleration_manager.py # GPU加速管理 │ │ ├── enhanced_performance_bridge.py # 性能优化桥接 │ │ ├── database_service.py # 数据库服务 │ │ ├── stock_service.py # 股票服务 │ │ ├── market_service.py # 市场数据服务 │ │ ├── strategy_service.py # 策略服务 │ │ ├── plugin_service.py # 插件管理服务 │ │ └── [其他35+服务文件...] │ ├── ai/ # AI智能预测模块 │ │ └── intelligent_selection/ # 智能模型选择机制 │ │ ├── intelligent_selector.py # 主选择器 │ │ ├── market_detector.py # 市场状态检测 │ │ ├── performance_evaluator.py # 模型性能评估 │ │ ├── selection_strategy.py # 选择策略 │ │ ├── fusion_engine.py # 预测融合引擎 │ │ └── config/ # 配置管理 │ ├── database/ # 数据库管理 │ │ ├── duckdb_manager.py # DuckDB管理器 │ │ ├── duckdb_connection_pool.py # 连接池 │ │ ├── adaptive_connection_pool.py # 自适应连接池 │ │ ├── table_manager.py # 表管理器 │ │ └── [其他数据库文件...] │ ├── performance/ # 性能监控系统 │ │ ├── enhanced_cache_system.py # 增强缓存系统 │ │ ├── unified_performance_coordinator.py │ │ ├── real_time_metrics_collector.py # 实时指标收集 │ │ └── [其他性能监控文件...] │ ├── events/ # 事件系统 │ │ ├── event_bus.py # 事件总线 │ │ ├── types.py # 事件类型定义 │ │ └── event_handler.py # 事件处理器 │ ├── plugin_manager.py # 插件管理器 │ ├── asset_database_manager.py # 资产数据库管理器 │ └── [其他核心模块文件...] │ ├── 🖥️ 用户界面 (gui/) │ ├── dialogs/ # 对话框组件 │ │ ├── enhanced_plugin_manager_dialog.py # 增强插件管理对话框 │ │ ├── database_admin_dialog.py # 数据库管理对话框 │ │ ├── data_source_plugin_config_dialog.py │ │ └── [其他对话框文件...] │ ├── widgets/ # 自定义小部件 │ │ ├── analysis_tabs/ # 分析标签页 │ │ │ ├── technical_tab.py # 技术分析标签页 │ │ │ ├── pattern_tab_pro.py # 模式识别专业版 │ │ │ ├── sector_flow_tab_pro.py # 板块资金流专业版 │ │ │ └── trend_tab.py # 趋势分析标签页 │ │ ├── enhanced_data_import_widget.py # 增强数据导入组件 │ │ └── [其他小部件文件...] │ ├── main_window.py # 主窗口 │ └── themes/ # UI主题 │ ├── 🔌 插件系统 (plugins/) │ ├── data_sources/ # 数据源插件 │ │ ├── stock/ # 股票数据源 │ │ │ ├── akshare_plugin/ # AKShare数据源 │ │ │ ├── tongdaxin_plugin/ # 通达信数据源 │ │ │ └── eastmoney_plugin/ # 东方财富数据源 │ │ └── [其他数据源插件...] │ ├── indicators/ # 技术指标插件 │ ├── strategies/ # 交易策略插件 │ └── analysis/ # 分析插件 │ ├── 📊 回测系统 (backtest/) │ ├── unified_backtest_engine.py # 统一回测引擎 │ ├── backtest_optimizer.py # 回测优化器 │ ├── real_time_backtest_monitor.py # 实时回测监控 │ ├── ultra_performance_optimizer.py # 超性能优化器 │ └── professional_ui_system.py # 专业UI系统 │ ├── 🔍 分析模块 (analysis/) │ ├── enhanced_stock_analyzer.py # 增强股票分析器 │ ├── pattern_recognition.py # 模式识别 │ ├── technical_analysis.py # 技术分析 │ ├── wave_analysis.py # 波浪分析 │ └── system_health_checker.py # 系统健康检查 │ ├── 🤖 AI组件 (components/) │ ├── ai_stock_selection.py # AI选股组件 │ ├── enhanced_ai_stock_selection.py # 增强AI选股 │ ├── ai_strategy_generator.py # AI策略生成器 │ ├── market_sentiment.py # 市场情绪分析 │ └── [其他AI组件...] │ ├── ⚙️ 配置文件 (config/) │ ├── app_config.json # 应用配置 │ ├── ai_prediction_config.json # AI预测配置 │ ├── gpu_acceleration.json # GPU加速配置 │ ├── plugin_config.json # 插件配置 │ ├── theme.json # 主题配置 │ └── [其他配置文件...] │ ├── 📋 测试套件 (tests/) │ ├── unit/ # 单元测试 │ ├── integration/ # 集成测试 │ ├── performance/ # 性能测试 │ └── fixtures/ # 测试数据 │ ├── 📚 文档 (docs/) │ ├── architecture/ # 架构设计文档 │ ├── api/ # API参考文档 │ ├── plugins/ # 插件开发指南 │ └── tutorials/ # 使用教程 │ ├── 💾 数据库文件 │ ├── [FactorWeave.db] # 主数据库文件 │ └── [其他数据库文件...] │ └── 📁 其他目录 ├── examples/ # 使用示例 ├── utils/ # 工具函数库 ├── archive/ # 归档文件 ├── backup/ # 备份文件 └── cleanup/ # 清理脚本 ``` ### 📈 项目统计信息 - **代码规模**: 944个文件，533,174行代码 - **核心模块**: 15个主要功能模块 - **业务服务**: 40+个专业服务 - **数据源插件**: 10+个主流数据源 - **技术指标**: 100+个专业指标 - **AI模型**: 5+种预测模型 - **UI组件**: 50+个专业界面组件 ## 🔧 使用指南 ### 基本用法 #### 数据获取 ```python from core.services.unified_data_manager import UnifiedDataManager # 初始化数据管理器 data_manager = UnifiedDataManager() # 获取K线数据 klines = await data_manager.get_kdata( symbol="000001", start_date="2024-01-01", end_date="2024-12-31", frequency="1d" ) # 获取实时行情 quote = await data_manager.get_quote(symbol="000001") ``` #### 策略开发 ```python from core.strategies.base_strategy import BaseStrategy class MyStrategy(BaseStrategy): def __init__(self): super().__init__() self.name = "My Strategy" async def on_bar(self, symbol: str, bar_data: dict): # 技术分析 ma20 = self.calculate_ma(symbol, 20) ma50 = self.calculate_ma(symbol, 50) # 信号生成 if ma20 > ma50: await self.buy(symbol, quantity=100) elif ma20 < ma50: await self.sell(symbol, quantity=100) ``` #### 指标计算 ```python from core.indicators.technical_indicators import TechnicalIndicators indicators = TechnicalIndicators(klines_data) # 计算移动平均线 ma20 = indicators.moving_average(period=20) # 计算RSI rsi = indicators.rsi(period=14) # 计算MACD macd = indicators.macd(fast=12, slow=26, signal=9) ``` ### 插件开发 #### 创建数据源插件 ```python from core.tet_framework.plugin_base import IDataSourcePlugin class MyDataSourcePlugin(IDataSourcePlugin): def __init__(self): super().__init__() self.name = "MyDataSource" async def fetch_kdata(self, symbol: str, start: str, end: str): # 实现数据获取逻辑 pass ``` #### 创建策略插件 ```python from core.plugin_manager import IStrategyPlugin class MyStrategyPlugin(IStrategyPlugin): def __init__(self): super().__init__() self.name = "MyStrategy" async def on_bar(self, data): # 实现策略逻辑 pass ``` 详见 [插件开发指南](docs/plugins/plugin_development.md) ## 📊 核心功能详解 ### 1. 🧠 智能模型选择机制 (AI Intelligent Selection) - **🤖 多模型融合**: 5+种AI预测模型动态组合 - **📈 市场状态检测**: 实时波动率、趋势强度、市场阶段识别 - **⚡ 性能动态评估**: 持续监控模型表现并调整权重 - **🎯 预测结果融合**: 加权平均、投票、堆叠、贝叶斯融合 - **💾 智能缓存**: 自动缓存优化，响应速度提升3-5倍 - **🛡️ 故障容错**: 完整的错误处理和回退机制 - **核心文件**: `core/ai/intelligent_selection/intelligent_selector.py` ### 2. 🔌 TET插件框架 (Plugin Framework) - **🔍 动态插件发现**: 运行时自动扫描和加载插件 - **📋 标准接口定义**: 所有插件遵循统一接口规范 - **🔄 生命周期管理**: 完整的插件初始化、运行、卸载流程 - **⚙️ 配置化管理**: JSON配置控制插件行为和参数 - **🛡️ 安全机制**: 插件沙箱和权限控制 - **核心文件**: `core/plugin_manager.py` ### 3. 📊 统一数据管理器 (Unified Data Manager) - **🌐 多源数据融合**: 10+主流数据源（AKShare、东方财富、通达信等） - **💾 智能缓存系统**: 多级缓存减少API调用，命中率>85% - **✅ 数据质量验证**: 自动数据完整性检查和异常处理 - **📈 历史数据对比**: 不同数据源一致性验证 - **⚡ 实时数据推送**: 异步事件驱动架构 - **核心文件**: `core/services/unified_data_manager.py` ### 4. 🏗️ 服务容器系统 (Service Container) - **💉 依赖注入**: 自动解决服务依赖关系 - **🔄 生命周期管理**: SINGLETON/SCOPED/TRANSIENT三种模式 - **❤️ 健康检查**: 服务状态监控和故障诊断 - **🛡️ 优雅启停**: 安全的服务启动和关闭机制 - **📊 服务监控**: 实时服务性能和状态监控 - **核心文件**: `core/containers/enhanced_service_container.py` ### 5. ⚡ 实时事件系统 (Event System) - **🔄 异步事件处理**: 基于asyncio的高性能事件处理 - **📡 事件订阅/发布**: 松耦合的异步通信机制 - **🎯 事件过滤**: 灵活的事件匹配和路由 - **🔁 重试机制**: 失败事件自动重试和回退 - **📈 事件监控**: 事件处理性能监控和统计 - **核心文件**: `core/events/enhanced_event_bus.py` ### 6. 📊 高性能回测系统 (Backtest Engine) - **🚀 超性能优化**: JIT编译和并行计算支持 - **📈 实时监控**: 回测过程实时性能监控 - **🎯 专业UI**: 完整的回测分析界面系统 - **💾 资源管理**: 智能内存和计算资源管理 - **⚡ 异步I/O**: 高效的异步数据读写 - **核心文件**: `backtest/unified_backtest_engine.py` ### 7. 💾 数据库管理系统 (Database Management) - **🦆 DuckDB支持**: 高性能分析数据库，亚秒级查询 - **🔄 自适应连接池**: 动态连接池管理 - **📊 表管理**: 智能表结构管理和优化 - **⚡ 性能优化**: 查询优化和索引管理 - **🛡️ 数据安全**: 事务管理和数据保护 - **核心文件**: `core/database/duckdb_manager.py` ### 8. 🎯 增强分析系统 (Analysis System) - **📈 技术分析**: 100+专业技术指标 - **🔍 模式识别**: 高级K线形态识别 - **🌊 波浪分析**: 艾略特波浪理论分析 - **💰 资金流向**: 板块资金流向分析 - **📊 增强股票分析**: 多维度股票分析引擎 - **核心文件**: `analysis/enhanced_stock_analyzer.py` ### 9. ⚡ 性能监控系统 (Performance Monitoring) - **📊 实时指标收集**: 查询时间、数据量、内存使用等 - **🔍 性能分析**: 瓶颈识别和优化建议 - **🚨 智能告警**: 异常自动告警和通知 - **📈 历史追踪**: 性能趋势分析和预测 - **💾 缓存优化**: 智能缓存策略和命中率优化 - **核心文件**: `core/performance/enhanced_cache_system.py` ### 10. 🤖 AI组件系统 (AI Components) - **🧠 AI选股**: 智能股票筛选和推荐 - **📊 策略生成**: AI驱动的交易策略生成 - **📰 情绪分析**: 市场情绪和舆情监控 - **🔄 自动调仓**: AI辅助的投资组合调整 - **📝 智能报告**: AI生成的投研报告 - **核心文件**: `components/enhanced_ai_stock_selection.py` ### 11. 🎯 枚举统一系统 (Enum Unification System) - **📊 统一枚举定义**: 所有枚举类型统一到 `core.enums` 模块 - **🔄 PluginLifecycle**: 插件生命周期状态枚举（21个状态） - **📋 PluginStatus**: 插件启用/禁用状态枚举（17个状态） - **🏥 HealthStatus**: 健康状态枚举（7个状态） - **🧩 ComponentState/Type**: 组件状态和类型枚举 - **🔌 PluginType/Category**: 插件类型和分类枚举 - **💼 AssetType**: 资产类型枚举（20个类型） - **📈 DataType**: 数据类型枚举（36个类型） - **✅ 状态转换验证**: 完整的状态转换合法性检查 - **🛡️ 类型安全保障**: 消除枚举定义重复，提升代码一致性 - **核心文件**: `core/enums/`, `core/plugin_types.py` **枚举统一工作详情**: - ✅ 将 `PluginState` 重命名为 `PluginLifecycle`，提升语义准确性 - ✅ 统一所有枚举定义到 `core.enums` 和 `core.plugin_types` 模块 - ✅ 消除枚举定义重复，提升代码可维护性 - ✅ 提供丰富的枚举辅助方法，改善开发体验 - ✅ 完成全面的验证测试，确保系统稳定性 - ✅ 9个统一枚举类型，覆盖系统所有状态和类型定义 **使用示例**: ```python # 导入核心枚举 from core.enums import ( HealthStatus, PluginLifecycle, PluginStatus, ComponentState, ComponentType ) # 导入插件类型相关枚举 from core.plugin_types import ( PluginType, PluginCategory, AssetType, DataType ) # 使用枚举 if plugin.plugin_state == PluginLifecycle.CONNECTED: print("插件已连接") # 使用枚举方法 if PluginLifecycle.CONNECTED.is_loaded(): print("插件已加载") # 检查状态转换 if current_state.can_transition_to(target_state): plugin.plugin_state = target_state ``` 详见 [枚举统一和重构工作记录](.claude/memories/enum_unification_and_refactoring.md) ## 🧪 测试 ### 运行测试 ```bash # 运行所有测试 pytest # 运行特定分类 pytest -m unit # 单元测试 pytest -m integration # 集成测试 pytest -m performance # 性能测试 # 生成覆盖率报告 pytest --cov=. --cov-report=html ``` ### 测试覆盖率要求 - 目标：≥ 80% 代码覆盖率 - 关键模块：100% 覆盖 - 自动化回归测试：每次提交前运行 ## 🤖 智能模型选择机制 ### 功能概述 智能模型选择机制是FactorWeave-Quant 2.0的核心AI功能，能够根据实时市场状态自动选择最优的预测模型组合，提供准确的投资决策支持。 ### 🎯 核心功能特点 1. **智能市场状态检测** - 实时波动率分析 - 趋势强度评估 - 市场阶段识别 - 流动性状态监控 2. **多模型动态选择** - 基于市场状态的模型选择 - 模型性能实时评估 - 自适应参数优化 - 权重动态调整 3. **预测结果融合** - 加权平均融合 - 投票机制集成 - 置信度评估 - 不确定性量化 4. **性能监控与优化** - 实时性能统计 - 缓存优化策略 - 错误处理与回退 - 处理时间监控 ### 核心特性 - **🤖 智能模型选择**：基于多标准决策分析自动选择最优模型 - **📊 市场状态检测**：实时分析波动率、趋势强度、市场状态和流动性 - **⚡ 性能动态评估**：持续监控模型表现并动态调整权重 - **🔄 预测结果融合**：支持加权平均、投票、堆叠和贝叶斯融合策略 - **🛡️ 智能缓存机制**：自动缓存优化，提升响应速度3-5倍 - **⚠️ 故障容错处理**：完整的错误处理和回退机制 ### UI界面访问 #### 方法1：主界面访问 1. 启动应用程序：`python main.py` 2. 在主界面导航栏中点击 **"AI预测"** 选项卡 3. 在智能模型选择面板中： - 选择预测类型（价格预测、趋势预测、波动率预测等） - 配置预测参数（时间范围、数据源、模型组合等） - 点击 **"开始智能预测"** 按钮 #### 方法2：智能推荐面板 1. 在主界面的智能推荐面板中 2. 选择 **"模型选择配置"** 3. 查看实时的市场状态分析结果 4. 调整模型选择策略参数 #### 方法3：性能监控界面 1. 点击 **"性能监控"** 菜单 2. 选择 **"模型性能分析"** 子菜单 3. 查看各模型的历史表现和实时评估 4. 手动调整模型权重和选择偏好 ### 技术实现 #### 架构组成 ``` 核心模块： ├── 市场状态检测器 (MarketStateDetector) ├── 模型性能评估器 (ModelPerformanceEvaluator) ├── 动态选择策略 (ModelSelectionStrategy) ├── 预测融合引擎 (PredictionFusionEngine) └── 智能选择器 (IntelligentModelSelector) UI组件： ├── 控制面板 (ControlPanel) ├── 市场监控 (MarketMonitor) ├── 性能面板 (PerformancePanel) └── 结果展示 (ResultsPanel) ``` #### 核心算法 1. **市场状态分析**： - 波动率状态：高/正常/低 - 趋势强度：强/中等/弱 - 市场体制：牛市/熊市/震荡 - 流动性状态：高/中/低 2. **模型选择策略**： - 多标准决策分析 (MCDA) - 动态权重调整 - 约束条件处理 - 最优组合构建 3. **预测融合算法**： - 加权平均融合 - 投票机制融合 - 堆叠学习融合 - 贝叶斯融合 ### 配置参数 #### 基础配置 ```json { "intelligent_selection": { "enable_cache": true, "cache_ttl": 300, "max_ensemble_size": 5, "enable_fusion": true, "default_strategy": "weighted_average" } } ``` #### 模型权重配置 ```json { "model_weights": { "accuracy": 0.3, "precision": 0.2, "recall": 0.2, "f1_score": 0.15, "mape": 0.1, "sharpe_ratio": 0.05 } } ``` ### 使用示例 #### Python API调用 ```python from core.ai.intelligent_selection import IntelligentModelSelector from core.services.ai_prediction_service import AIPredictionService # 初始化智能选择器 ai_service = AIPredictionService() selector = IntelligentModelSelector(ai_service) # 执行智能预测 data = { 'symbol': '000001', 'kdata': kline_data, 'volume': volume_data, 'market_data': market_info } result = selector.intelligent_predict( prediction_type='price_prediction', data=data, max_latency=1000, min_accuracy=0.7, ensemble_size=3 ) print(f"预测结果: {result['prediction_value']}") print(f"置信度: {result['confidence']}") print(f"使用模型: {result['selection_metadata']['selected_models']}") ``` ### 性能指标 - **响应时间**：平均 < 500ms（缓存命中） - **准确率提升**：相比单一模型提升15-25% - **缓存命中率**：> 85% - **故障恢复时间**：< 100ms - **并发处理能力**：支持100+并发预测请求 ### 故障排除 #### 常见问题 1. **模型选择失败**： - 检查数据质量和完整性 - 确认模型服务状态正常 - 查看日志文件获取详细错误信息 2. **预测结果异常**： - 检查输入数据格式 - 验证市场状态检测结果 - 确认融合策略配置正确 3. **性能下降**： - 清理缓存数据 - 重新评估模型性能 - 调整缓存TTL参数 #### 日志查看 ```bash # 查看智能选择器日志 tail -f logs/intelligent_selector.log # 查看性能统计 tail -f logs/performance_stats.log ``` ### 扩展开发 #### 添加新模型 1. 在 `core/ai/intelligent_selection/models/` 目录下创建新模型类 2. 实现标准接口方法 3. 注册到模型工厂 4. 更新配置参数 #### 自定义融合策略 1. 继承 `BaseFusionStrategy` 类 2. 实现 `fuse()` 方法 3. 注册到融合引擎配置中 #### UI组件定制 1. 修改 `gui/widgets/intelligent_model_selection/` 下的相关文件 2. 更新样式和布局配置 3. 测试新的用户交互流程 ## 📖 文档 详细文档请参考： - [开发指南](CLAUDE.md) - Claude Code开发指南 - [架构设计](docs/architecture/) - 系统架构设计文档 - [API参考](docs/api/) - API详细文档 - [插件开发](docs/plugins/) - 插件开发教程 - [性能优化](docs/performance/) - 性能优化指南 ## 🤝 贡献指南 欢迎提交Issue和Pull Request！ ### 贡献流程 1. Fork项目 2. 创建特性分支 (`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](https://www.python.org/dev/peps/pep-0008/) 风格指南 - 使用 [Black](https://github.com/psf/black) 格式化代码 - 使用 [isort](https://github.com/PyCPA/isort) 整理导入 - 使用 [MyPy](http://mypy-lang.org/) 进行类型检查 - 编写详细的注释和文档字符串 ### 提交规范 ``` ():