simonandClaude Opus 4.7
271a9343a5
7 Sprints 全部完成: Sprint 0: 基础设施 (DataManager + MariaDB) Sprint 1: 因子引擎 (34因子/12分类) Sprint 2: VectorBT 回测 (5策略+截面) Sprint 3: Optuna 优化 (+Walk-Forward) Sprint 4: ML 模型 (LightGBM+CatBoost) Sprint 5: Qwen 情绪因子 (三源新闻+日期对齐) Sprint 6: Agent 系统 (4Agent+日报.md/.html) 生产加固 (15项): Tushare双源fallback, SSH自动恢复, pool_pre_ping, save_daily先删后插, load_dotenv绝对路径, 日报5d/20d修复, RiskAgent改上证指数, 昨日对比+数据截止, mac_report utf8mb4, CLAUDE-*.md 9条已知Bug, demo全参数化, djapi数据源归一化, indexDatas API修正 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
5.5 KiB
我认真看了你的目标和现有环境，我认为有一个关键点需要调整：
不要把 Claude Code Plugin 当成系统主体。
对于你的项目：
Claude Code
MCP-Hub
Django API
AkShare
MariaDB
VectorBT
Optuna
LightGBM
Qwen
Claude Code 应该只是：
AI开发助手
AI研究助手
而不是：
系统运行时核心
真正的核心应该是：
finance/
finance 目录下python虚拟环境位于 finance/.venv/，在项目根目录下 可用 source finance/.venv/bin/activate激活 这个目录未来即使你不用 Claude、换成 Cursor、Codex、OpenHands、Aider，都应该能独立运行。
推荐总体架构
未来你的根目录：
/Users/summer/Downloads/cc-cursor
├── djapi/
│
├── finance/
│
├── mcp-servers/
│
├── shared/
│
├── docs/
│
└── .claude/
各目录职责
djapi
仅负责：
数据库
用户管理
任务管理
API接口
报告管理
类似：
Quant Platform Backend
finance
核心量化引擎
未来90%的代码都在这里。
结构：
finance/
├── config/
│
├── data/
│
├── factors/
│
├── models/
│
├── strategy/
│
├── optimizer/
│
├── backtest/
│
├── portfolio/
│
├── execution/
│
├── reports/
│
├── scheduler/
│
└── cli/
第一阶段（V1）
目标：
数据获取
因子计算
回测
参数优化
技术栈：
AkShare
MariaDB
VectorBT
Optuna
实施周期
Week 1
基础设施
目录：
finance/
config/
data/
database/
完成：
DataManager
class DataManager:
统一管理：
股票列表
日线
分钟线
财务数据
不要让策略直接调用：
ak.stock_zh_a_hist()
而是：
data_manager.get_daily()
这样以后换 TuShare 不改策略。
Week 2
因子引擎
建立：
factors/
technical/
fundamental/
例如：
MomentumFactor
RSIFactor
ROEFactor
PEFactor
统一接口：
factor.calculate(df)
Week 3
VectorBT回测层
建立：
backtest/vectorbt/
统一接口：
engine.run(strategy)
以后：
VectorBT
Backtrader
Zipline
都能替换。
Week 4
Optuna优化层
建立：
optimizer/
统一接口：
optimizer.optimize(strategy)
实现：
MA
RSI
MACD
自动寻优。
第二阶段（V2）
目标：
机器学习选股
技术：
LightGBM
CatBoost
新增目录
models/
├── lightgbm/
└── catboost/
建立统一模型接口：
class BaseModel:
例如：
fit()
predict()
save()
load()
所有模型遵循：
BaseModel
接口。
第三阶段（V3）
目标：
新闻因子
公告因子
研报因子
技术：
Qwen
新增：
factors/sentiment/
models/qwen/
Qwen职责：
文本转因子
例如：
公告
↓
Qwen
↓
sentiment_score
↓
feature_101
注意：
Qwen不是策略。
Qwen是：
因子生产工具
第四阶段（V4）
Agent化
新增：
finance/agents/
结构：
research_agent
selection_agent
risk_agent
report_agent
例如：
ResearchAgent
负责：
发现新因子
SelectionAgent
负责：
股票打分
RiskAgent
负责：
仓位控制
Claude Code 接入时间点
很多人一开始就写 Skill。
我建议：
不要现在写大量 Skill
第一阶段只保留：
.claude/
skills/
factor-research
backtest
stock-selection
三个就够。
等 V2 完成以后再扩展。
数据流设计（必须遵守）
未来所有代码都遵守：
Data
↓
Factor
↓
Model
↓
Strategy
↓
Backtest
↓
Report
禁止：
Strategy
↓
直接访问AkShare
禁止：
Model
↓
直接访问数据库
全部通过 Service 层。
推荐实施顺序
Sprint 1（1~2周）
完成：
finance/
DataManager
MariaDB
AkShare
目标：
获取任意股票历史数据
Sprint 2（1周）
完成：
Factor Engine
目标：
计算10个基础因子
Sprint 3（1周）
完成：
VectorBT
目标：
回测单因子策略
Sprint 4（1周）
完成：
Optuna
目标：
自动参数优化
Sprint 5（2周）
完成：
LightGBM
CatBoost
目标：
训练未来5日收益预测模型
Sprint 6（2周）
完成：
Qwen情绪因子
目标：
新闻情绪打分
Sprint 7
完成：
Agent
Dashboard
自动日报
按照这个路线，你的代码会从：
Mac Mini 单机量化研究平台
平滑演进到：
多因子 + ML + LLM + Agent
量化研究平台
中间不会出现“推倒重写”的情况。最关键的是先把 DataManager → Factor Engine → Backtest Engine → Model Engine 四个基础引擎设计好，后面的 LightGBM、Qwen、Agent 都只是插件式增加能力。