# cc-cursor — Mac Mini 单机量化研究平台 从数据获取 → 因子计算 → 回测 → 参数优化 → ML 模型 → 情绪因子 → Agent 系统，全链路量化研究平台。 ## 架构 ``` cc-cursor/ ├── finance/ # 核心量化引擎 │ ├── config/ # 全局配置（MariaDB / AkShare） │ ├── database/ # ORM 模型 + DAO（mac_ 前缀表） │ ├── data/ # DataManager 统一数据层 │ ├── factors/ # 因子引擎（34 因子 / 12 分类，含情绪因子） │ ├── backtest/ # 回测引擎（VectorBT + 5 策略 + 截面回测） │ ├── optimizer/ # Optuna 参数优化 + Walk-Forward │ ├── models/ # LightGBM / CatBoost ML 模型 │ ├── agents/ # Agent 系统（4 Agent + 编排器 + CLI） │ ├── cli/ # 命令行 & 验证脚本 │ ├── reports/ # 自动日报输出目录 │ └── .env # 环境变量配置（API Key / 分析范围） ├── djapi/ # Django API 后端（A 股数据 + 新闻联播 + 日报查询） ├── mcp-servers/ # MCP Server（Serena，本机工具，git 忽略） ├── shared/ # 共享工具（SSH 隧道脚本） ├── docs/ # 文档 & 使用指南 └── .claude/ # Claude Code 配置 ``` ## 数据流 ``` Agent 编排层 ├── ResearchAgent ── 因子发现（IC/IC_IR 评估） ├── SelectionAgent ─ 多因子打分 + ML 预测 ├── RiskAgent ────── 仓位控制 + 风险预警 └── ReportAgent ──── 自动日报生成 基础引擎层 DataManager ──→ FactorEngine ──→ BaseStrategy ──→ VectorBTEngine ──→ BacktestReport │ │ │ │ FeatureEngine OptunaEngine │ │ │ └──────→ LightGBM/CatBoost ←────────┘ 情绪增强层 NewsSource(AkShare/DB/MCP) ──→ QwenClient ──→ SentimentFactor ──→ FactorEngine ``` 全部通过 Service 层中转：策略不直连 AkShare，模型不直连数据库，Agent 不重建引擎。 --- ## 开发进度 | Sprint | 模块 | 关键成果 | 状态 | |--------|------|----------|------| | Sprint 0 | 基础设施 | DataManager + MariaDB 3 表 | ✅ | | Sprint 1 | 因子引擎 | 34 因子 / 12 分类 | ✅ | | Sprint 2 | 回测引擎 | VectorBT + 5 策略 + 截面回测 | ✅ | | Sprint 3 | 参数优化 | Optuna + Walk-Forward | ✅ | | Sprint 4 | ML 模型 | LightGBM + CatBoost + 特征工程 | ✅ | | Sprint 5 | 情绪因子 | Qwen + 三源新闻聚合 + 日期对齐 | ✅ | | Sprint 6 | Agent 系统 | 4 Agent + 编排器 + CLI + 自动日报 | ✅ | | Sprint 7 | djapi API | 日报查询 ×2（news/reports + news/events） | ✅ | **全部 8 个 Sprint 已完成。** --- ## 功能模块 ### 数据层 `finance/data/` ```python from data.data_manager import DataManager dm = DataManager(); dm.init_db() stocks = dm.get_stock_list() # → 5,524 只 daily = dm.get_daily("000001.SZ") # → 日线 fina = dm.get_financial("000001.SZ") # → 财务数据 dm.sync_daily("000001.SZ") # → 增量同步 ``` ### 因子引擎 `finance/factors/` ```python from factors.registry import get_factor, list_factors from factors.engine import FactorEngine engine = FactorEngine(dm) factors = [get_factor("momentum_20"), get_factor("rsi_14")] factor_df = engine.compute("000001.SZ", factors) # → 34 个注册因子，12 个分类（动量/RSI/MACD/量价/布林/ATR/均线/波动率/换手率/振幅/基本面/情绪） ``` ### 回测引擎 `finance/backtest/` ```python from backtest.vectorbt.engine import VectorBTEngine from backtest.strategies.rsi_mean_revert import RSIMeanRevertStrategy engine_bt = VectorBTEngine(initial_capital=100_000, commission=0.0003) report = engine_bt.run(RSIMeanRevertStrategy(oversold=30, overbought=70), price_df, factor_df) # → 收益=29.4% 年化=4.3% 回撤=-19.1% 夏普=0.37 胜率=77.1% ``` 5 个内置策略 + 自定义策略接口 + 截面回测 + BacktestReport 标准化报告。 ### 参数优化 `finance/optimizer/` ```python from optimizer.engine import OptunaEngine from optimizer.space import rsi_revert_space result = OptunaEngine(engine_bt).optimize( RSIMeanRevertStrategy, rsi_revert_space, price_df, factor_df, metric="sharpe", n_trials=200, ) # → 最优参数: oversold=13, overbought=66 # → 夏普: 0.37→0.60 (+62%), 回撤: -19.1%→-1.8% (10倍改善) ``` 7 种优化目标 + 4 个预置搜索空间 + Walk-Forward 滚动验证 + 快捷函数。 ### ML 模型 `finance/models/` ```python from models.features import FeatureEngine from models.lightgbm.model import LightGBMModel fe = FeatureEngine(lookahead=5) X, y = fe.build(factor_df, price_df, fit=True) model = LightGBMModel(params={"n_estimators": 200}).fit(X_train, y_train) pred = model.predict(X_test) # → IC 评估 + 特征重要性 + 交叉验证 + ML 策略回测 ``` Winsorize → 缺失填充 → RobustScaler → LightGBM/CatBoost 训练 → MLBenchmark 对比。 ### 情绪因子 `finance/factors/sentiment/` ```python from factors.sentiment.sentiment_engine import SentimentEngine sent = SentimentEngine(dm) sent_df = sent.compute("000001.SZ", max_news=20) # → news_sent_5, news_conf_5, sent_delta_5 ``` 三数据源聚合（AkShare 个股新闻 + 新闻联播 DB + MCP trendradar-news）、日期对齐（非交易日→最近交易日）、xwlb 偏移（昨日新闻→今日使用）、DashScope + Ollama 双后端。 ### Agent 系统 `finance/agents/` ```bash python finance/cli/agent_cli.py daily # 完整每日流程 python finance/cli/agent_cli.py picks 15 # 选股 Top 15 python finance/cli/agent_cli.py risk # 风险评估 python finance/cli/agent_cli.py research # 因子研究 python finance/cli/agent_cli.py report # 生成日报 ``` 4 个 Agent（Research/Selection/Risk/Report）+ 编排器 + 自动日报（reports/daily_YYYYMMDD.md）。 --- ## 快速开始 ```bash # SSH 隧道 bash shared/script/autossh.sh # Python 环境 conda activate quant # Python 3.11.13 # 每日 Agent 运行 python finance/cli/agent_cli.py daily ``` ### 验证脚本 ```bash python finance/cli/demo_data_manager.py # Sprint 0 — DataManager python finance/cli/demo_factor_engine.py # Sprint 1 — 因子引擎 python finance/cli/demo_backtest.py # Sprint 2 — 回测引擎 python finance/cli/demo_optimizer.py # Sprint 3 — 参数优化 python finance/cli/demo_ml.py # Sprint 4 — ML 模型 python finance/cli/demo_sentiment.py # Sprint 5 — 情绪因子 python finance/cli/demo_sentiment_detail.py # Sprint 5 — 情绪因子（单股详情） ``` --- ## 技术栈 | 组件 | 技术 | 版本 | 状态 | |------|------|------|------| | 数据获取 | AkShare | 1.18.64 | ✅ | | 数据库 | MariaDB (SSH 隧道) | — | ✅ | | 因子/特征 | pandas / numpy / sklearn | 2.3 / 2.0 / 1.9 | ✅ | | 回测引擎 | VectorBT | 1.0 | ✅ | | 参数优化 | Optuna | 4.9 | ✅ | | ML 模型 | LightGBM / CatBoost | 4.6 / 1.2 | ✅ | | NLP 情绪 | Qwen (DashScope / Ollama) | turbo / 2.5 | ✅ | | Agent 框架 | 自研编排器 | — | ✅ | | API 后端 | Django + uWSGI | 5.2 | 已有 | | 代码分析 | Serena MCP | — | 本机工具（不随仓库分发） | --- ## 设计原则 - **模块隔离**：各引擎通过统一接口交互，可替换实现（VectorBT → Backtrader） - **接口标准化**：因子 `calculate(df)→Series` / 策略 `generate_signals(df)→Series` / 模型 `fit/predict/save/load` / 优化 `optimize()→Result` - **数据层统一**：策略/模型不直连数据源，全部通过 DataManager - **Agent 不重建轮子**：Agent 通过依赖注入复用已有引擎，编排而非重建 - **防前视偏差**：时间序列交叉验证、expanding window 统计量 - **渐进演进**：全链路 8 个 Sprint 平滑推进，无推倒重写 ## 文档 - [使用指南](./docs/usage.md) — 详细使用说明（12 章节，含代码示例） - [使用指南 (HTML)](./docs/usage.html) — 网页版使用指南 - [新闻日报 API](./docs/news_report_api.md) — djapi 日报查询接口使用手册 ## 子项目 - [djapi](./djapi/README.md) — Django API 后端：A 股数据 API（16 端点）+ 新闻联播处理 + 日报查询（news/reports、news/events） ## 数据库连接 ```bash bash shared/script/autossh.sh # host: 127.0.0.1:13306 user: myquant database: myquant table_prefix: mac_ ```