aifa-quant · AI 工具图鉴

📌 核心价值：把因子工程、模型训练、A股回测与可视化仪表盘，打包成一条本地可跑的研究闭环

一套本地优先的开源框架，覆盖数据获取、因子构造、机器学习打分、A股规则回测到 Web 看板的完整链路，所有行情与模型文件都存在你自己的机器上。

🚀 什么是 aifa-quant？

aifa-quant（AI Factor Alpha Quant · 爱发量化）是一个本地优先的 A 股 AI 量化研究与回测框架，由个人开发者 Hanzhi0807 在 GitHub 以 MIT 协议开源（Python 3.10–3.12 后端 + TypeScript 前端，89 次提交，最近更新 2026-06-30）。

它的设计目标很明确：让没有机构数据团队的个人研究者，也能在单机环境下跑通"数据拉取 → 因子计算 → 模型训练 → 滚动回测 → 模拟交易 → 看板展示"的全流程，且所有中间数据都不离开本地。

与那些把数据锁在云端的平台不同，aifa-quant 把市场行情、持仓状态、训练好的模型全部落在本地 DuckDB 文件里，首次部署拉取、之后每日增量更新，不上传任何服务器。对在意数据隐私、希望研究过程可复现的人来说，这一点很关键。

✨ 核心功能一览

框架把量化研究拆成了七个可独立理解的模块，从底层数据到上层可视化逐层打通：

七个模块中最具差异化的是"多层风控 + 5 种投资者画像（Profile）"的设计：框架内置激进 / 均衡 / 稳健 / 成长 / 价值五种偏好，通过 factor_weights 让不同策略选出不同标的，再叠加 ATR 止损止盈、市场体制过滤（熊市自动暂停建仓）、行业集中度上限与波动率仓位 sizing 四道防线。

🛠️ 快速上手：十分钟跑通工作流

环境准备与数据拉取

# 1. 克隆仓库并创建虚拟环境
git clone https://github.com/Hanzhi0807/aifa-quant.git
cd aifa-quant
python -m venv .venv && source .venv/bin/activate   # Windows: .venv\Scripts\activate
pip install -r requirements.txt
cp .env.example .env                                # 免费数据可留空 token

# 2. 首次强制拉取数据（免费 AkShare 源）
python scripts/daily_refresh.py --force --skip-paper-trade
python -m aifa_quant.cli.main db-info              # 验证数据落盘

标准研究闭环（CLI 一行流）

# 训练（把 <END> 换成实际日期，如 20260628）
python -m aifa_quant.cli.main train \
    --start 20250101 --end <END> --no-sentiment --cache-only

# 滚动回测（带沪深 300 基准，Top5 持仓，5 日频）
python -m aifa_quant.cli.main backtest \
    --start 20250101 --end <END> --rolling \
    --benchmark 000300.SH --top-k 5 --freq 5 --no-sentiment --cache-only

# SHAP 模型解释：看清模型在"看"哪些因子
python -m aifa_quant.cli.main explain \
    --start 20250101 --end <END> --output data_store/reports/shap --cache-only

日常只需一条命令：scripts/daily_refresh.py 会自动增量更新行情、重跑各 Profile 的模拟交易并生成每周 AI 选股报告**，把运维成本压到最低。

🏗️ 技术架构解析

整个系统是一条清晰的数据河流：本地数据层 → 因子工程 → 模型栈 → A 股回测引擎 → Web 仪表盘。

数据层：默认 AkShare（免费），可选 Tushare Pro / iFinD，覆盖沪深 300 + 中证 500 + 中证 1000 约 1800 只 A 股，日频增量写入 DuckDB。

因子工程：内置技术面、Alpha101、基本面、宏观、情绪五大类因子，并支持高相关剔除与自定义因子接入（如 KOL 观点蒸馏、舆情 NLP）。

模型栈：LightGBM 二分类 / LambdaRank 排序 / Ensemble 集成 / XGBoost 均已集成；滚动训练按交易日分组，Ensemble 权重按滚动 RankIC 动态 softmax 加权，行业 + 市值中性化通过 OLS 残差实现。

回测引擎：严格实现 A 股特有交易规则（T+1、价格涨跌限制、100 股整数手、佣金、印花税），支持沪深 300 / 上证指数基准对比，输出 Sharpe、Sortino、Calmar、最大回撤、IC / RankIC 等标准指标。

Web 仪表盘：React + Hono + tRPC + DuckDB，支持 Profile 切换、独立持仓与基准叠加权益曲线；也可一键部署到 Vercel 做成云端只读信号看板。

📊 与同类开源框架对比

把 aifa-quant 与几个同赛道、已开源的 AI 量化项目横向摆在一起，差异主要在"是否内置 Web UI"和"风控完整度"：

aifa-quant 的独特点是"开箱即用的 Web 仪表盘 + 多层风控兜底"——它在模型之外，额外把 ATR 止损止盈、市场体制过滤、行业集中度上限和波动率仓位 sizing 做成了默认能力，而不是留给使用者自己拼装。

💡 适用场景

场景一：本地复现一份滚动回测净值曲线

功能说明：框架会把滚动回测结果渲染成净值曲线图，叠加基准指数，直观对比策略相对大盘的走势偏离。 输入要求：已训练好的模型 + 本地行情数据库。 输出效果：PNG 权益曲线 + 标准风险指标报表。 适用场景：验证因子有效性、对比不同 Profile 的策略表现。

场景二：零基础的"复制给 Agent"上手模式

框架 README 专门写了"复制给你的 Agent"章节，把初始配置到跑通完整工作流的提示词直接给出，配合 docker compose up --build -d 一键启动，对不想手写工程代码的用户友好。

场景三：每周自动化研究闭环

daily_refresh.py + weekly-report + push_to_supabase.py 三者组合，可做到每个交易日收盘后自动刷新、打分、生成次日信号，并把信号推送到云端看板，适合想"设一次、长期自动跑"的研究者。

用户群体总结

✅ 个人量化爱好者：本地数据优先、零运维，隐私可控。
✅ 高校 / 自学研究者：完整文档 + Docker 一键部署，复现成本低。
✅ 轻运维的长期轮动策略：日频非实时定位，契合中长线而非日内盯盘。
❌ 不适合：追求分钟级 / Tick 级响应的日内交易，或需要机构级低延迟执行的环境。

💰 开源协议与部署

开源协议：MIT License（可自由用于学习与研究）。
部署方式：本地 pip install + DuckDB，或 docker compose up --build -d 一键容器化；前端 cd web && npm install && npm run dev 后访问 http://localhost:3000。
数据成本：默认 AkShare 免费源即可起步，进阶可接 Tushare Pro / iFinD（需自备 token）。
资源占用：日频策略，主要消耗本地磁盘与轻度算力，普通笔记本即可运行。

💡 新用户建议：先用免费 AkShare 源跑通 daily_refresh → train → backtest 三步，确认环境无误再考虑接入付费数据源。

🎯 总结

aifa-quant 的价值不在于"帮你做决策"，而在于把一套本地优先、可复现、带可视化与风控兜底的 A 股量化研究链路，压缩成几条 CLI 命令和一组 Web 页面。对想脱离云端平台、把研究过程完全掌握在自己机器上的个人研究者，它是一个工程完成度不错的起点。

推荐指数： ⭐⭐⭐⭐（开源框架，工程闭环完整；生态规模与个人项目定位相符）

适合人群： 个人量化爱好者、高校自学研究者、轻运维长期轮动策略使用者。

立即体验： aifa-quant GitHub 仓库

本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。数据截至 2026-08-08，最新信息请以官网为准。

配套媒体