foolcage/zvt项目介绍

【免费下载链接】zvt modular quant framework. 项目地址: https://gitcode.com/foolcage/zvt

foolcage/zvt 是一个专注于金融数据分析和量化交易的 Python 项目，旨在为投资者和开发者提供一套高效、灵活的工具集，用于处理和分析市场数据、构建交易策略以及实现自动化交易。其核心目标是通过模块化设计和统一的数据模型，简化金融数据的获取、处理和可视化流程，同时支持多种交易标的（如股票、指数、ETF 等）和多种市场（如 A 股、美股、港股等）。

项目概述与核心目标

foolcage/zvt 是一个专注于金融数据分析和量化交易的 Python 项目，旨在为投资者和开发者提供一套高效、灵活的工具集，用于处理和分析市场数据、构建交易策略以及实现自动化交易。其核心目标是通过模块化设计和统一的数据模型，简化金融数据的获取、处理和可视化流程，同时支持多种交易标的（如股票、指数、ETF 等）和多种市场（如 A 股、美股、港股等）。

核心功能

1. 数据采集与持久化

   • 支持从多个数据源（如东方财富、新浪财经等）获取市场数据，并将其持久化到本地数据库。
   • 提供统一的 record_data 和 query_data 方法，支持增量更新和历史数据查询。

2. 数据分析与可视化

   • 内置多种技术指标和因子分析工具，支持自定义因子计算。
   • 提供基于 Plotly 和 Dash 的可视化界面，便于用户直观地分析数据和策略表现。

3. 交易策略开发

   • 支持多种交易策略的开发与回测，包括技术指标策略、机器学习策略等。
   • 提供动态标签系统，便于结合主观判断与量化分析。

4. 自动化交易

   • 支持通过 REST API 和前端界面实现自动化交易。
   • 提供交易计划管理和执行功能，支持实时行情监控和交易信号触发。

核心模块

以下是项目的核心模块及其功能概述：

模块名称	功能描述
domain	定义交易标的（如股票、指数）及其事件（如行情数据）的数据模型。
contract	提供统一的接口规范，支持多种数据源和交易标的的扩展。
ml	集成机器学习工具，支持基于历史数据的预测和策略优化。
trader	提供交易策略的实现和回测功能，支持多种技术指标和信号生成。
ui	基于 Dash 和 Plotly 的可视化界面，便于用户交互式分析数据和策略表现。
rest	提供 REST API，支持前后端分离的自动化交易和数据分析。

技术特点

1. 模块化设计

   • 项目采用模块化设计，各功能模块高度解耦，便于扩展和维护。
   • 通过统一的 Schema 和 Provider 接口，支持多种数据源和交易标的的灵活切换。

2. 高性能数据处理

   • 利用 Pandas 和 NumPy 实现高效的数据处理和分析。
   • 支持多线程和异步任务，提升数据采集和处理的效率。

3. 可视化与交互

   • 提供丰富的可视化工具，支持动态图表和交互式分析。
   • 通过 Dash 实现实时数据更新和策略表现监控。

4. 动态标签系统

   • 支持为交易标的动态添加标签，便于结合主观判断与量化分析。
   • 提供标签统计和筛选功能，便于快速定位目标标的。

核心目标

1. 简化金融数据分析流程

   • 通过统一的数据模型和接口，降低用户处理金融数据的门槛。
   • 提供开箱即用的工具集，支持从数据采集到策略开发的全流程。

2. 支持多市场和多种交易标的

   • 覆盖 A 股、美股、港股等多个市场，支持股票、指数、ETF 等多种交易标的。
   • 通过模块化设计，便于扩展新的市场和标的类型。

3. 提升量化交易效率

   • 提供高效的策略开发和回测工具，支持快速迭代和优化。
   • 通过自动化交易和实时监控，减少人工干预，提升交易效率。

4. 促进开源社区合作

   • 项目完全开源，鼓励开发者贡献代码和扩展功能。
   • 提供详细的文档和示例，便于用户快速上手和参与开发。

示例代码

以下是一个简单的示例，展示如何使用 zvt 获取股票数据并进行可视化分析：

from zvt.domain import Stock, Stock1dHfqKdata
from zvt.ml import MaStockMLMachine

# 获取股票数据
Stock.record_data(provider="em")
entity_ids = ["stock_sz_000001", "stock_sz_000338"]
Stock1dHfqKdata.record_data(provider="em", entity_ids=entity_ids)

# 训练机器学习模型
machine = MaStockMLMachine(entity_ids=["stock_sz_000001"], data_provider="em")
machine.train()
machine.predict()
machine.draw_result(entity_id="stock_sz_000001")

总结

foolcage/zvt 通过其模块化设计、统一的数据模型和丰富的功能集，为金融数据分析和量化交易提供了强大的支持。无论是数据科学家、量化交易员还是普通投资者，都可以通过该项目快速实现从数据获取到策略开发的全流程。

项目架构与模块划分

foolcage/zvt 是一个功能强大的量化交易框架，其架构设计清晰，模块划分合理，便于开发者快速理解和使用。以下是对其核心架构和模块的详细分析。

核心模块

1. 数据层（Data Layer）

数据层负责处理所有与数据相关的操作，包括数据的获取、存储和查询。以下是数据层的主要组件：

• 数据模型（Schema）：定义了各种交易标的（如股票、指数、ETF等）的数据结构。

  class Stock1dKdata(ZvtKdata):
      __tablename__ = "stock_1d_kdata"
  

• 数据提供者（Provider）：支持多种数据源（如东方财富、新浪财经等）。

  Stock.record_data(provider="em")
  

2. 业务逻辑层（Business Logic Layer）

业务逻辑层包含核心的交易逻辑和分析功能：

• 因子计算（Factor）：支持技术指标和基本面因子的计算。

  class MaFactor(Factor):
      def compute(self):
          self.factor_df = self.data_df["close"].rolling(window=5).mean()
  

• 交易策略（Trader）：实现多种交易策略（如均线策略、MACD策略等）。

  class MaTrader(Trader):
      def on_trading_signals(self, signals):
          pass
  

3. 用户界面层（UI Layer）

用户界面层提供可视化工具，便于用户交互和数据分析：

• Dash & Plotly UI：用于回测和研究。

  zvt
  

• 前后端分离的UI：支持实时行情和动态交互。

  zvt_server
  

模块划分

以下是项目的主要模块及其功能：

模块名称	功能描述
domain	定义数据模型和核心实体（如股票、指数等）。
contract	提供统一的接口规范，便于扩展新的交易标的。
recorders	实现数据抓取和持久化逻辑。
factors	包含技术指标和基本面因子的计算逻辑。
traders	实现多种交易策略，支持策略回测和实盘交易。
ui	提供可视化工具，支持数据分析和策略展示。
ml	集成机器学习功能，支持预测和模型训练。

架构图

以下是项目的核心架构图，展示了各模块之间的关系：

代码示例

以下是一个简单的示例，展示如何使用 zvt 获取股票数据并计算均线：

from zvt.domain import Stock, Stock1dKdata
from zvt.factors import MaFactor

# 获取股票数据
Stock1dKdata.record_data(provider="em", code="000001")
df = Stock1dKdata.query_data(code="000001")

# 计算5日均线
factor = MaFactor(data_df=df, window=5)
factor.compute()
print(factor.factor_df)

总结

foolcage/zvt 的架构设计清晰，模块划分合理，便于开发者快速上手和扩展。其核心模块包括数据层、业务逻辑层和用户界面层，支持从数据获取到策略回测的全流程操作。通过丰富的代码示例和可视化工具，用户可以轻松实现量化交易需求。

核心功能与使用场景

foolcage/zvt 是一个功能强大的量化交易框架，专注于为交易者提供高效、灵活的工具和接口，支持从数据采集、策略开发到交易执行的全流程。以下是其核心功能与典型使用场景的详细介绍。

---

1. 数据采集与管理

核心功能

• 多数据源支持：支持从多种数据源（如东方财富、新浪财经等）获取行情数据、财务数据、市场情绪数据等。
• 统一的数据模型：通过 TradableEntity 和 EntityEvent 抽象市场数据，提供统一的记录和查询接口。
• 增量更新：支持数据的增量更新，确保数据的最新性和完整性。

使用场景

• 数据初始化：首次使用时，通过 record_data 方法初始化数据。
• 数据更新：定期运行 record_data 方法，确保数据的最新性。
• 数据查询：通过 query_data 方法获取特定标的的历史数据或实时数据。

from zvt.domain import Stock, Stock1dHfqKdata

# 初始化数据
Stock.record_data(provider="em")
Stock1dHfqKdata.record_data(provider="em", entity_ids=["stock_sz_000001"])

# 查询数据
df = Stock.query_data(provider="em", index='code')
print(df)

---

2. 策略开发与回测

核心功能

• 策略模板：提供多种策略模板（如均线策略、MACD策略等），支持快速开发和测试。
• 因子计算：内置多种技术因子（如布林带、RSI等），支持自定义因子。
• 回测框架：提供完整的回测框架，支持多线程和分布式回测。

使用场景

• 策略开发：基于内置因子或自定义因子开发交易策略。
• 回测验证：通过回测验证策略的有效性，优化参数。
• 实时监控：将策略部署到实时交易环境，监控其表现。

from zvt.ml import MaStockMLMachine

# 训练机器学习模型
machine = MaStockMLMachine(entity_ids=["stock_sz_000001"], data_provider="em")
machine.train()

# 预测并展示结果
machine.predict()
machine.draw_result(entity_id="stock_sz_000001")

---

3. 交易执行与风控

核心功能

• 交易接口：支持多种交易接口（如QMT、同花顺等），实现自动化交易。
• 风控模块：内置止损、止盈、仓位控制等风控功能。
• 动态标签系统：通过标签系统实现AI与人工干预的结合。

使用场景

• 自动化交易：将策略部署到交易接口，实现自动化下单。
• 风控管理：设置止损止盈条件，控制交易风险。
• 动态调整：通过标签系统动态调整交易策略。

from zvt.trading import build_trading_plan, query_trading_plan

# 构建交易计划
build_trading_plan(build_trading_plan_model=BuildTradingPlanModel(...))

# 查询交易计划
plans = query_trading_plan(query_trading_plan_model=QueryTradingPlanModel(...))
print(plans)

---

4. 可视化与分析

核心功能

• Dash & Plotly UI：提供交互式可视化界面，支持策略回测结果的展示。
• 动态图表：支持K线图、分时图、资金流向图等多种图表。
• 报表生成：自动生成交易报表，支持PDF和Excel格式。

使用场景

• 策略分析：通过可视化界面分析策略表现。
• 数据展示：展示市场数据、因子信号等。
• 报告生成：生成交易报告，用于复盘和分享。

---

5. 扩展性与定制化

核心功能

• 插件系统：支持通过插件扩展功能（如数据源、策略等）。
• API接口：提供REST API，支持与其他系统集成。
• 开源生态：社区提供丰富的插件和策略模板。

使用场景

• 功能扩展：通过插件添加新的数据源或策略。
• 系统集成：通过API与其他系统（如CRM、ERP）集成。
• 社区贡献：参与开源社区，分享策略或插件。

from zvt.plugin import main

# 运行插件
main()

---

总结表格

功能模块	核心能力	典型场景
数据采集与管理	多数据源、统一模型、增量更新	数据初始化、更新、查询
策略开发与回测	策略模板、因子计算、回测框架	策略开发、回测验证、实时监控
交易执行与风控	交易接口、风控模块、动态标签	自动化交易、风控管理、动态调整
可视化与分析	交互式UI、动态图表、报表生成	策略分析、数据展示、报告生成
扩展性与定制化	插件系统、API接口、开源生态	功能扩展、系统集成、社区贡献

安装与快速入门

ZVT 是一个强大的开源量化交易框架，支持多种交易标的（如A股、美股、港股等）和丰富的行情数据。以下是如何快速安装并开始使用 ZVT 的详细指南。

安装 ZVT

ZVT 可以通过 pip 直接安装。确保你的 Python 版本在 3.7 及以上：

python3 -m pip install -U zvt

如果需要升级到最新版本，可以运行：

python3 -m pip install --upgrade zvt

安装完成后，可以通过以下命令验证是否安装成功：

python -c "import zvt; print(zvt.__version__)"

快速入门

1. 启动主界面

ZVT 提供了两种用户界面：基于 Dash & Plotly 的 UI 和前后端分离的 UI。

Dash & Plotly UI

适用于回测和研究。安装完成后，在命令行中输入以下命令启动：

zvt

启动后，打开浏览器访问 http://127.0.0.1:8050/。

前后端分离的 UI

适用于实时行情和用户交互。首先确保安装了 uvicorn：

pip install uvicorn

然后启动 ZVT 服务：

zvt_server

访问 API 文档：http://127.0.0.1:8090/docs。

2. 数据抓取与查询

ZVT 支持多种交易标的的数据抓取和查询。以下是一个简单的示例，展示如何抓取 A 股数据并查询：

from zvt.domain import Stock, Stock1dHfqKdata

# 抓取股票数据
Stock.record_data(provider="em")

# 查询股票数据
df = Stock.query_data(provider="em", index='code')
print(df)

3. 机器学习示例

ZVT 还集成了机器学习功能，以下是一个简单的机器学习示例：

from zvt.domain import Stock, Stock1dHfqKdata
from zvt.ml import MaStockMLMachine

# 抓取数据
Stock.record_data(provider="em")
entity_ids = ["stock_sz_000001", "stock_sz_000338", "stock_sh_601318"]
Stock1dHfqKdata.record_data(provider="em", entity_ids=entity_ids, sleeping_time=1)

# 训练模型
machine = MaStockMLMachine(entity_ids=["stock_sz_000001"], data_provider="em")
machine.train()

# 预测并展示结果
machine.predict()
machine.draw_result(entity_id="stock_sz_000001")

4. 运行示例脚本

ZVT 提供了丰富的示例脚本，可以直接运行以体验功能。例如：

nohup python examples/data_runner/kdata_runner.py >/dev/null 2>&1 &
nohup python examples/reports/report_tops.py >/dev/null 2>&1 &

这些脚本会自动抓取数据并生成报告。

总结

通过以上步骤，你可以快速安装 ZVT 并运行一些基础功能。更多高级功能（如动态标签系统、实时交易等）可以参考官方文档或项目中的示例代码。

总结

foolcage/zvt 通过其模块化设计、统一的数据模型和丰富的功能集，为金融数据分析和量化交易提供了强大的支持。无论是数据科学家、量化交易员还是普通投资者，都可以通过该项目快速实现从数据获取到策略开发的全流程。

【免费下载链接】zvt modular quant framework. 项目地址: https://gitcode.com/foolcage/zvt