# PandaFactor - PandaAI量化因子库
![预览](https://zynf-test.oss-cn-shanghai.aliyuncs.com/github/ezgif-84dc5a49963246.gif
)

## PandaAI首届因子大赛已启动，你的Alpha值得被看见
“没有一个alpha，一开始就是alpha”

“开始量化，最好是十年前，其次是现在”

“如果没有天赋，那就一直重复”

“看似不起眼的数学，会在将来的某一天，突然让你看到坚持的意义”

“一切都很好，我听到自己，向上的声音”

“市场会惩罚，模糊的愿望，奖励清晰的请求”

“你正在寻找的因子，此刻也在寻找你”

[点击报名](https://www.pandaai.online/factorhub/factorcompetition)
## 概述

PandaFactor 提供了一系列高性能的量化算子，用于金融数据分析、技术指标计算和因子构建，并且提供了一系列的可视化图表。

## 因子编写方法

编写方法主要分为两种方式：
- Python方式（适合有一定编程基础的小伙伴）（易维护，推荐）
- 公式方式（适合无编程基础的小伙伴）

### Python模式
基本语法
```python
class CustomFactor(Factor):
    def calculate(self, factors):
        return result
```

重点要求，必须继承Factor，必须实现calculate方法，calculate返回值必须是Series格式，列为value，索引列为['symbol','date']构成的多级索引。

factors包含了基础的量价信息，例如:"close"、"open"、“volume”等，可通过factors['close']方式获取。

#### 示例

```python
class ComplexFactor(Factor):
    def calculate(self, factors):
        close = factors['close']
        volume = factors['volume']
        high = factors['high']
        low = factors['low']
        
        # 计算20日收益率
        returns = (close / DELAY(close, 20)) - 1
        # 计算20日波动率
        volatility = STDDEV((close / DELAY(close, 1)) - 1, 20)
        # 计算价格区间
        price_range = (high - low) / close
        # 计算成交量比率
        volume_ratio = volume / DELAY(volume, 1)
        # 计算20日成交量均值
        volume_ma = SUM(volume, 20) / 20
        # 计算动量信号
        momentum = RANK(returns)
        # 计算波动率信号
        vol_signal = IF(volatility > DELAY(volatility, 1), 1, -1)
        # 合成最终因子
        result = momentum * vol_signal * SCALE(volume_ratio / volume_ma)
        return result
```

### 公式方式

基本语法
```python
"函数1(函数2(基础因子), 参数) 运算符 函数3(基础因子)"
```
若是公式比较复杂，可以考虑设置中间变量，分多行编写，系统将读取最后一行作为因子值。
```python
# 计算20日收益率排名
RANK((CLOSE / DELAY(CLOSE, 20)) - 1)

# 计算价格和成交量的相关性
CORRELATION(CLOSE, VOLUME, 20)

# 复杂因子示例
RANK((CLOSE / DELAY(CLOSE, 20)) - 1) * 
STDDEV((CLOSE / DELAY(CLOSE, 1)) - 1, 20) * 
IF(CLOSE > DELAY(CLOSE, 1), 1, -1)
```

## 函数和算子支持情况

[点击查看](https://www.pandaai.online/community/article/72)

## 安装
- 若您为个人交易者，想要快速本地的使用该因子模块，我们准备了一份初始数据库，解压即可运行，因为文件较大，请联系小助理领取，下载解压后，直接执行bin/db_start.bat即可启动数据库。


- 若您为团队或者机构使用者，可以下载系统源码，在本地部署供团队使用。需要提前准备MongoDB，并且修改panda_common的config.yaml的文件与其对应。

## 关于数据更新

目前系统内置了近五年的基础数据，供用户使用。后续的数据更新将在每晚8点自动清洗执行（需要保证程序在期间正常运行），我们计划对接以下数据源：

| 数据源      | 支持情况 | 
|----------|------|
| Tushare  | 已上线  |
| RiceQuant | 已上线   |
| 迅投       | 已上线   |
| Tqsdk    | 测试中  |
| QMT      | 测试中  |
| Wind     | 对接中  |
| Choice   | 对接中  |

若您有相关数据源需求，请务必联系我们，我们会尽快为您接入。

## 下载最新数据库
因表结构更新，请在网盘下载最新的数据库
网盘链接: https://pan.baidu.com/s/15jip2SATiORuqaBNMDm4fw?pwd=uupm 提取码: uupm 
近期更新因子持久化功能，让计算好的因子直接保存，自动更新，极速提取。

## 📁 项目结构

```bash
panda_factor/
├── panda_common/       # 公共函数&工具类
│   └── config.yaml     # 配置文件
├── panda_data          # 数据模块，提取数据与因子
├── panda_data_hub/     # 自动更新
│   └── __main__.py     # 自动更新任务启动入口
├── panda_factor        # 因子计算与分析
├── panda_llm           # 大模型接入，支持OpenAI协议，兼容Deepseek
├── panda_factor_server/       # 服务器接口
│   └── __main__.py     # 接口服务启动入口
├── panda_web/          # 服务器前端页面
├── requirements.txt    # 依赖列表
└── README.md           # 项目说明文
```
## 开发者工具指南

### PyCharm工具
请将panda_common、panda_data、panda_data_hub、panda_factor、panda_llm、panda_factor_server这几个文件夹右键标记为Mark Directiory as Sources root

### Visual Studio Code （包含Cursor等衍生）
请在含有Python解释器的终端中进入各个子模块目录下面，执行：
```bash
pip install -e .
```

### 如何在自己的系统或策略中引用因子
项目本身只是帮助大家生产和更新因子，避免大家在数据清洗、自动化构建上花太多时间。
可通过以下代码，将生产的因子整合到自己的系统或者策略中：
```python
import panda_data

panda_data.init()
factor = panda_data.get_factor_by_name(factor_name="VH03cc651", start_date='20240320',end_date='20250325')
```

## 加群答疑（备注【开源】更快通过）
![PandaAI 交流群](https://pandaai.tos-cn-shanghai.volces.com/wechat/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20260618162221_86_43.jpg)


## 贡献

欢迎贡献代码、提出 Issue 或 PR：

Fork 本项目

新建功能分支 git checkout -b feature/AmazingFeature

提交更改 git commit -m 'Add some AmazingFeature'

推送分支 git push origin feature/AmazingFeature

发起 Pull Request

## 致谢
感谢量化李不白的粉丝们对我们的支持

感谢所有开源社区的贡献者

## 许可证

本项目采用 GPLV3 许可证