65 lines
5.0 KiB
Markdown
65 lines
5.0 KiB
Markdown
# Open-source design references
|
||
|
||
本项目采用“借鉴稳定语义、保留轻量实现”的策略。引入新量化能力前先检查成熟
|
||
开源案例；除非维护成本和许可证收益明确优于本地小型实现，否则不增加框架级依赖。
|
||
|
||
## 2026-08-21：成交后归因与相对绩效
|
||
|
||
| 项目 | 借鉴内容 | 当前决策 |
|
||
|---|---|---|
|
||
| [Qlib](https://github.com/microsoft/qlib) | 信号时间与交易时间分离、成本前后超额收益分开报告 | 借鉴语义；不引入完整框架 |
|
||
| [Zipline](https://github.com/quantopian/zipline) | Ledger / transaction / portfolio value 状态模型 | 以现有 `ExecutionSimulationResult` 承担事实源 |
|
||
| [empyrical](https://github.com/quantopian/empyrical) | beta 协方差口径、alpha 几何年化、年化因子 | 移植小型公式；不增加老旧运行时依赖 |
|
||
| [Riskfolio-Lib](https://github.com/dcajasn/Riskfolio-Lib) | Euler component risk 与分组/因子风险贡献 | 只实现当前需要的 pandas/numpy 标签安全封装 |
|
||
| [PyPortfolioOpt](https://github.com/PyPortfolio/PyPortfolioOpt) | 协方差估计与优化器解耦 | 留作未来风险模型适配器参考 |
|
||
|
||
当前核心不新增依赖。逐日收益归因必须从实际换仓前后持仓、成交记录、执行价和
|
||
收盘估值推导；因子分数与目标权重只是意图，不能作为成交后归因事实源。
|
||
|
||
## 2026-08-21：研究运行工件
|
||
|
||
- 借鉴 [Qlib Recorder / RecordTemplate](https://github.com/microsoft/qlib/blob/main/qlib/workflow/record_temp.py)
|
||
将 signal、portfolio analysis 和 risk analysis 分成稳定事实，但不引入 Qlib 运行时；
|
||
- 借鉴 [MLflow Tracking](https://mlflow.org/docs/latest/tracking/) 的 run / params /
|
||
metrics / artifacts 分层，但 MLflow 只保留为未来可选 exporter；
|
||
- HTML、PNG 和 tearsheet 是可再生展示物，不能替代 NAV、成交、持仓、归因和绩效事实。
|
||
|
||
因此 `ResearchRunArtifact` 使用显式 `schema_version`、`config_hash`、代码版本和数据
|
||
快照身份，并提供确定性 JSON / SHA-256 manifest；核心层仍不写数据库或 artifact store。
|
||
|
||
schema `1.1.0` 将 Qlib 的独立 risk-analysis artifact 思路与 Riskfolio-Lib 的 Euler
|
||
component-risk 语义结合，但只保留本项目需要的轻量合同：协方差快照必须声明
|
||
`snapshot_id`、`as_of_date`、收益频率和年化期数；风险从成交后的实际日末持仓计算，
|
||
component risk 闭合到年化组合波动，percentage contribution 闭合到 1。未来日期、资产
|
||
标签不完整和零方差组合都直接失败，不以默认值伪造结果。
|
||
|
||
## 2026-08-21：协方差快照估计
|
||
|
||
| 项目 | 借鉴内容 | 当前决策 |
|
||
|---|---|---|
|
||
| [PyPortfolioOpt risk models](https://github.com/PyPortfolio/PyPortfolioOpt/blob/main/pypfopt/risk_models.py) | 将收益输入、协方差估计器和组合优化解耦；sample / EWM / shrinkage 使用统一标签输出 | 借鉴可替换估计器边界，不引入完整包 |
|
||
| [scikit-learn covariance](https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/covariance/_shrunk_covariance.py) | 维护成熟的 Ledoit–Wolf / OAS shrinkage 实现 | 未来作为可选 adapter；不复制统计公式 |
|
||
| [Qlib structured risk model](https://github.com/microsoft/qlib/blob/main/qlib/model/riskmodel/structured.py) | PCA/FA 结构化协方差和固定随机状态 | 留作因子风险模型阶段，不进入当前 baseline |
|
||
|
||
当前 `estimate_covariance_snapshot` 只编排 pandas 的 sample covariance：先按 `as_of_date`
|
||
截断，再取固定 session 窗口，使用 complete-case 行并拒绝历史不足；禁止 pandas 默认的
|
||
pairwise 样本集合产生含义不一致的矩阵。snapshot ID 对窗口数据、缺失掩码、上游数据
|
||
快照身份和估计参数做 SHA-256，追加未来数据不会改变历史快照。
|
||
|
||
市场适配层现以 `AssetReturnSnapshot` 固化 simple-return 输入：上游 ingestion snapshot ID、
|
||
数据源、价格字段、复权口径、规范化价格值和缺失掩码共同形成内容寻址 ID；不前向填充
|
||
停牌/缺失价格。该 ID 同时传入协方差快照和研究运行工件，避免同一研究链出现两套数据
|
||
身份。
|
||
|
||
可选 shrinkage adapter 的评估结论是“保留边界，暂不实现”：当前运行依赖没有声明
|
||
scikit-learn，本切片也不修改版本或锁文件。未来只有在依赖治理接受后，才以延迟导入
|
||
直接调用 scikit-learn 的 `LedoitWolf` / `OAS`，并让估计器名称、库版本与参数进入
|
||
snapshot identity；不复制成熟统计公式，也不让环境中偶然存在的包改变 baseline 行为。
|
||
|
||
## hikyuu 的定位
|
||
|
||
[hikyuu](https://github.com/fasiondog/hikyuu) 的 SG / MM / CN / PG 部件化思想、
|
||
A 股交易约束和系统组合方式仍有借鉴价值；但其完整 C++/Python 运行时、对象模型和
|
||
数据体系不适合作为本项目核心依赖。当前原则是按真实研究链路吸收边界设计，不复制
|
||
其框架层级，也不为了“架构完整”预先建设尚无端到端需求的抽象。
|