实盘把同一套 score 写成 QMT 可读的 JSON。内置小市值策略作参考：周五收盘给名单，下个交易日开盘成交；因子 TopK 仅作为策略实现的演示。入口一律 python -m，各命令加 --help 可看当前参数。

因子总览

深度报告

策略回测

业绩归因

python -m pip install -r requirements.txt
Copy-Item .env.example .env

拉行情需要 TUSHARE_TOKEN，写进 .env 即可。前端：cd frontend && npm install。

数据默认在仓库根 data/，已 gitignore。环境变量一览见文末。

python -m DailyUpdates.data_fetcher.main_scheduler

空库从 20050101 重建，之后按最后交易日增量。增删数据集改 main_scheduler.py 里的 dataset_config。默认 Tushare；也可把 data_source 改成 Akshare。

截止日用环境变量 YG_QUANT_END_DATE，默认当天。

库里是未复权价加一列 adj_factor。读的时候默认后复权：原始价 × adj_factor。对照原始价设 YG_QUANT_PRICE_ADJUST=none。

python -m DailyUpdates.factor_updates.factor_updater
python -m DailyUpdates.factor_updates.factor_updater --only "style_*"
python -m DailyUpdates.factor_updates.factor_updater --only "emotion_*,risk_*,technical_*,momentum_*"
python -m DailyUpdates.factor_updates.factor_updater --only "quality_*,basics_*,growth_*,pershare_*"
python -m DailyUpdates.factor_updates.factor_updater --only lgbm_combo_8
python -m DailyUpdates.factor_updates.factor_updater --rebuild

改过实现或复权口径后必须 --rebuild，再重跑全库评估。因子放在 DailyUpdates/factor_updates/factors/，继承 BaseFactor。合成因子声明 factor_dependencies，更新器先算子因子；--only 会自动带上依赖。lgbm_combo_8 用与 lgbm 策略相同的 LambdaRank（lookback=252、horizon=20、blend=0.45、smooth=0.40），每 20 个交易日重拟合，中间日向前填充，写入后可当普通因子看 IC。

python -m App

cd frontend
npm run dev

打开 http://127.0.0.1:5173。评估和回测的日志看跑 python -m App 的终端。

远期收益：fwd_ret_Nd[T] = open[T+1+N] / open[T+1] - 1。默认 IC / RankIC 是 N=5；ic_20 / rank_ic_20 用 N=20 的累计远期收益，给 20 日调仓筛因子。ic_decay_20d 只是把 5 日标签往后挪 20 日，不是 20 日持有期 IC。

python -m FactorEvaluates.run_batch --start 2010-01-01

默认不组装 X_T，也不跑 exposure / pure_ic / attribution。需要时显式加：

python -m FactorEvaluates.run_batch --start 2010-01-01 --xt

新指标放进 FactorEvaluates/metrics/。

评估、回测、实盘、风格拥挤共用 --universe，不改底层数据。规则按当时信息：ST 用历史简称，指数用最近成分快照。

内置：all，指数 hs300 / zz500 / zz1000 / sz50 / cyb / zzhz / sme / kcb50，板块 main / gem / star / bse。新池在 Universes/ 加一个 Universe 子类。

信号在收盘 T 可得，目标仓位 T+1 开盘成交。策略只实现 score(ctx) -> TargetHoldings。

python -m StrategyEngine --mode backtest --start 2010-01-01 --factor alpha001 --n 50
python -m StrategyEngine --mode backtest --strategy equal --factor chip_low_deposit,alpha074 --n 50 --rebalance 20
python -m StrategyEngine --mode backtest --strategy icir --factor alpha001,alpha002,-turnover --n 50 --rebalance 20
python -m StrategyEngine --mode backtest --strategy lgbm --factor chip_low_deposit,alpha074 --n 50 --rebalance 20
python -m StrategyEngine --mode backtest --strategy small_cap --start 2023-01-01
python -m StrategyEngine --mode backtest --strategy small_cap --allocator min_vol
python -m StrategyEngine --mode live --strategy small_cap --cash 500000 --account 资金账号
python -m StrategyEngine --mode attribute --run small_cap_20260902_120000

--mode 必填。equal：各因子截面 z 等权平均后 Top N，作合成基准。icir：滚动 RankIC 的 ICIR 加权合成后再 Top N（负 ICIR 置 0）。lgbm：已实现持有期上用 LambdaRank 学截面排序，预测分与等权 z 混合后再 Top N。前缀 - 表示取负。策略自己的参数写在 cli_fields 里，CLI 启动时按 --key 自动登记（下划线变连字符，如 anti_tail → --anti-tail），默认值由该策略的 from_cli 处理。python -m StrategyEngine --help 列出当前已发现项。实盘写出 data/strategy_runs/live/qmt_orders.json，客户端脚本见 qmt_scripts/。归因读已有回测快照，不重跑策略。也可 python -m StrategyEngine.attribution --run <快照id>。

通用

策略参数由各策略的 cli_fields 声明。新策略加字段只需改策略类。

仓位优化（--allocator 不是 equal 时）

实盘 / 归因

python -m StrategyEngine.attribution 只有 --run（必填）和 --out。

新策略、新分配器怎么加，见 CONTRIBUTING.md。

数据源、因子、指标、股票池、策略都是放对目录、继承基类就会被扫到。仓位分配器还要在 REGISTRY 登记一行。

python -m StyleCrowding run --start 2018-01-01
python -m StyleCrowding incremental

网页：因子分析 → 风格拥挤。详见 StyleCrowding/README.md。

python -m pytest tests

Akshare 真实接口默认跳过，设 AKSHARE_LIVE=1 才跑。

• Alpha101 按 Kakushadze, 101 Formulaic Alphas, 2016（arXiv:1601.00991）。
• 风格轴是研究用实现，不是 MSCI 官方因子。

data/
  yg_quant.db
  factors/
  factor_eval/
  style_crowding/
  strategy_runs/
    backtest/
    live/

覆盖顺序：构造参数 > 环境变量 > data/。

行情在 market_data，因子在 data/factors/ 的 bin，不进 SQLite。其余是行业、股票资料、财务、指数成分等 sidecar。财务截面对齐用 ann_date。