QuantsPlaybook深度解析100券商金工研报Python复现与因子回测实战指南【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybookQuantsPlaybook 是一个用 Python 复现国内各大券商金工研报的开源项目解决的核心问题是研报只讲思路和结论不给你能跑的代码。这里 100 多个策略都配齐了三件套——原始研报 PDF、Jupyter 复现文档、可执行回测代码看完研报直接开代码对答案。技术栈是 Qlib量化研究框架 Backtrader回测引擎数据源支持聚宽 JQData 和 Tushare Pro。四大目录先找到你想复现的那份研报A/B/C/D 对应四类量化工作整个仓库就按四大目录组织找东西靠目录名就够了A-量化基本面/价值投资方向如华泰 FFScore、超额现金流选股B-因子构建类/数量最多20 个因子动量、波动率、筹码分布、网络中心度都有C-择时类/25 个择时策略RSRS、QRS、HHT、C-VIX 都在这里D-组合优化/DE 进化算法组合优化、多任务时序动量每个子目录就是一份研报 一个文件夹里面有研报 PDF、对应的 ipynb 复现文档有些还带独立src/工具代码和requirements.txt。复现的验证方式很直接把代码跑出来的 IC、净值和研报里贴的结果对比。配置数据源与跑通第一个择时回测安装依赖二选一配置数据git clone https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook cd QuantsPlaybook pip install pandas numpy matplotlib seaborn pip install qlib backtrader alphalens pip install jqdatasdk # 或 tushareJQData 注册账号后在 notebook 里auth(账号,密码)即可拉 A 股数据。部分子项目如筹码因子、行业轮动自带本地缓存数据没配数据源也能先跑通流程。第一次跑通从 RSRS 择时开始建议的第一个例子是 C-择时类/RSRS择时指标/py/RSRS.ipynb。RSRS阻力支撑相对强度用回归斜率判断市场强弱是光大证券的经典择时指标这个文件夹里连原始版、修正版、改进版都复现了。用 Jupyter 打开逐个 cell 运行跑完能看到择时信号和净值曲线对整套复现流程有个直观印象。拿一份研报走一遍拆解网络中心度因子从研报到代码的对应关系B-因子构建类/股票网络与网络中心度因子研究/ 目录是最佳学习样本华西证券的研报认为股票之间用相关系数连成一张网络越居中的股票未来表现越好。三个因子各管一个维度SCC空间中心度一句话原理——看这只股票和全市场其他股票平均有多像。公式是SCC 1 / [2 × (1 − ρ̄)]ρ̄ 是它与其他所有股票的平均相关系数。相关性越高值越大股票在网络中越核心。TCC时间中心度看它相对市场平均收益的标准化偏离有多稳定TCC 1 / E[z²]偏离越平、值越大。CC综合CC 0.5×SCC 0.5×TCC把空间和时间两个维度对半合成。研报里三个函数就是核心代码stock network 核心算法 src/factor_algo.py 负责三个函数calculate_scc()、calculate_tcc()分别算两个截面因子generate_factor()套一个滑动窗口比如 20 天把单期因子滚成时间序列。研报里 SCC 多空组合年化收益 26.80%、IC_IR 3.97代码复现后直接和这些数字对表。因子复现的通用管线数据层、计算层、分析层拆开看每个项目都是同一条流水线把几个因子项目放在一起看套路是一致的分三层数据层每个项目带一个data_provider.py封装 Qlib 接口。比如网络中心度项目里QlibDataProvider按codescsi300取沪深 300 收盘价pct_change()一行就得到收益率矩阵。计算层因子算法纯 NumPy/Pandas 向量化没有 for 循环遍历股票500 只股票的相关系数矩阵一次算完。分析层src/analyze.py 封装了分组回测factor_group_analysis()一个函数就能输出 IC、IC_IR、分组净值、单调性检验底层基于 alphalens不用再手写十几次groupby。择时信号也做成了开箱即用SignalMaker/目录把散落在各择时项目里的信号生成逻辑抽成了统一接口SignalMaker/README.md 列了全部用法。以 QRS用开盘价在最高最低区间的位置判断多空为例from SignalMaker.qrs import QRSCreator qrs QRSCreator(low_df, high_df) signal_df qrs.fit(18, 600)同样的接口还有 HHT希尔伯特-黄变换、鳄鱼线、NoiseArea 噪声区域信号。回测则统一交给hugos_toolkit/下的回测引擎和绩效模块各子项目不用各写一套。进阶案例论文里的网络也做了工程化B-因子构建类/基于隔夜与日间的网络关系因子/ 复现的是一篇论文而非券商研报把日收益拆成隔夜和日间两段构建谁领先谁的有向网络用 d-LE-SC 谱聚类算法PyTorch 实现支持 GPU把股票分成领导者和滞后两组做多领先组、在滞后组内做空头寸。下面的图是论文中不同聚类算法的累积收益对比d-LE-SC 在三种网络设定下都排在前列。该从哪个 notebook 入手按你的需求选路适合谁用想学因子研究流程的读 B 目录每个因子一个完整闭环想快速上手择时信号的读 C 目录 SignalMaker信号函数即调即用做组合优化/FOF 配置的看 D 目录的 DE 算法和多任务时序动量对照论文/研报验证实现的每个文件夹的 PDF 就是标准答案给你的下一步第一周建议这样走先装好依赖跑通 RSRS.ipynb 感受流程然后打开网络中心度目录先读 使用指南_网络中心度因子.md跟着示例把 SCC 因子算出来再用factor_group_analysis()验证研报里的 IC 数字最后把 SignalMaker/README.md 当工具手册收藏以后写新策略时先来这里查有没有现成的信号函数。研报是题目代码是答案剩下的就是自己出几道新题。【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 QuantsPlaybook深度解析：100+券商金工研报Python复现与因子回测实战指南
QuantsPlaybook深度解析100券商金工研报Python复现与因子回测实战指南【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybookQuantsPlaybook 是一个用 Python 复现国内各大券商金工研报的开源项目解决的核心问题是研报只讲思路和结论不给你能跑的代码。这里 100 多个策略都配齐了三件套——原始研报 PDF、Jupyter 复现文档、可执行回测代码看完研报直接开代码对答案。技术栈是 Qlib量化研究框架 Backtrader回测引擎数据源支持聚宽 JQData 和 Tushare Pro。四大目录先找到你想复现的那份研报A/B/C/D 对应四类量化工作整个仓库就按四大目录组织找东西靠目录名就够了A-量化基本面/价值投资方向如华泰 FFScore、超额现金流选股B-因子构建类/数量最多20 个因子动量、波动率、筹码分布、网络中心度都有C-择时类/25 个择时策略RSRS、QRS、HHT、C-VIX 都在这里D-组合优化/DE 进化算法组合优化、多任务时序动量每个子目录就是一份研报 一个文件夹里面有研报 PDF、对应的 ipynb 复现文档有些还带独立src/工具代码和requirements.txt。复现的验证方式很直接把代码跑出来的 IC、净值和研报里贴的结果对比。配置数据源与跑通第一个择时回测安装依赖二选一配置数据git clone https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook cd QuantsPlaybook pip install pandas numpy matplotlib seaborn pip install qlib backtrader alphalens pip install jqdatasdk # 或 tushareJQData 注册账号后在 notebook 里auth(账号,密码)即可拉 A 股数据。部分子项目如筹码因子、行业轮动自带本地缓存数据没配数据源也能先跑通流程。第一次跑通从 RSRS 择时开始建议的第一个例子是 C-择时类/RSRS择时指标/py/RSRS.ipynb。RSRS阻力支撑相对强度用回归斜率判断市场强弱是光大证券的经典择时指标这个文件夹里连原始版、修正版、改进版都复现了。用 Jupyter 打开逐个 cell 运行跑完能看到择时信号和净值曲线对整套复现流程有个直观印象。拿一份研报走一遍拆解网络中心度因子从研报到代码的对应关系B-因子构建类/股票网络与网络中心度因子研究/ 目录是最佳学习样本华西证券的研报认为股票之间用相关系数连成一张网络越居中的股票未来表现越好。三个因子各管一个维度SCC空间中心度一句话原理——看这只股票和全市场其他股票平均有多像。公式是SCC 1 / [2 × (1 − ρ̄)]ρ̄ 是它与其他所有股票的平均相关系数。相关性越高值越大股票在网络中越核心。TCC时间中心度看它相对市场平均收益的标准化偏离有多稳定TCC 1 / E[z²]偏离越平、值越大。CC综合CC 0.5×SCC 0.5×TCC把空间和时间两个维度对半合成。研报里三个函数就是核心代码stock network 核心算法 src/factor_algo.py 负责三个函数calculate_scc()、calculate_tcc()分别算两个截面因子generate_factor()套一个滑动窗口比如 20 天把单期因子滚成时间序列。研报里 SCC 多空组合年化收益 26.80%、IC_IR 3.97代码复现后直接和这些数字对表。因子复现的通用管线数据层、计算层、分析层拆开看每个项目都是同一条流水线把几个因子项目放在一起看套路是一致的分三层数据层每个项目带一个data_provider.py封装 Qlib 接口。比如网络中心度项目里QlibDataProvider按codescsi300取沪深 300 收盘价pct_change()一行就得到收益率矩阵。计算层因子算法纯 NumPy/Pandas 向量化没有 for 循环遍历股票500 只股票的相关系数矩阵一次算完。分析层src/analyze.py 封装了分组回测factor_group_analysis()一个函数就能输出 IC、IC_IR、分组净值、单调性检验底层基于 alphalens不用再手写十几次groupby。择时信号也做成了开箱即用SignalMaker/目录把散落在各择时项目里的信号生成逻辑抽成了统一接口SignalMaker/README.md 列了全部用法。以 QRS用开盘价在最高最低区间的位置判断多空为例from SignalMaker.qrs import QRSCreator qrs QRSCreator(low_df, high_df) signal_df qrs.fit(18, 600)同样的接口还有 HHT希尔伯特-黄变换、鳄鱼线、NoiseArea 噪声区域信号。回测则统一交给hugos_toolkit/下的回测引擎和绩效模块各子项目不用各写一套。进阶案例论文里的网络也做了工程化B-因子构建类/基于隔夜与日间的网络关系因子/ 复现的是一篇论文而非券商研报把日收益拆成隔夜和日间两段构建谁领先谁的有向网络用 d-LE-SC 谱聚类算法PyTorch 实现支持 GPU把股票分成领导者和滞后两组做多领先组、在滞后组内做空头寸。下面的图是论文中不同聚类算法的累积收益对比d-LE-SC 在三种网络设定下都排在前列。该从哪个 notebook 入手按你的需求选路适合谁用想学因子研究流程的读 B 目录每个因子一个完整闭环想快速上手择时信号的读 C 目录 SignalMaker信号函数即调即用做组合优化/FOF 配置的看 D 目录的 DE 算法和多任务时序动量对照论文/研报验证实现的每个文件夹的 PDF 就是标准答案给你的下一步第一周建议这样走先装好依赖跑通 RSRS.ipynb 感受流程然后打开网络中心度目录先读 使用指南_网络中心度因子.md跟着示例把 SCC 因子算出来再用factor_group_analysis()验证研报里的 IC 数字最后把 SignalMaker/README.md 当工具手册收藏以后写新策略时先来这里查有没有现成的信号函数。研报是题目代码是答案剩下的就是自己出几道新题。【免费下载链接】QuantsPlaybook量化研究-券商金工研报复现项目地址: https://gitcode.com/GitHub_Trending/qu/QuantsPlaybook创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考