PandaAI Quantflow 量化工作流平台

概述

PandaAI QuantFlow 是一个集成的量化交易和机器学习工作流平台，旨在为量化研究人员提供完整的端到端解决方案，降低AI门槛，打破传统量化高门槛壁垒，让主观交易者、学生乃至普通投资者都能参与策略研发。

🚀 核心功能

🔧 可视化工作流编排

• 基于节点的可视化工作流设计器，支持拖拽式构建复杂的量化研究和交易策略流程
• 丰富的内置工作节点，涵盖数据处理、特征工程、机器学习、因子分析和回测等各个环节
• 灵活的插件系统，支持自定义工作节点开发和扩展

🤖 机器学习集成

• 支持主流机器学习算法：XGBoost、LightGBM、RandomForest、SVM、神经网络等
• 提供多任务学习(MTL)和深度学习解决方案
• 自动化模型训练、验证和预测流程

📈 因子分析与回测策略验证

• 高性能回测引擎，支持股票、期货
• 完整的事件驱动架构，精确模拟真实交易环境
• 兼容PandaFactor分析框架

🌐 企业级服务架构

• 基于FastAPI的高性能REST API服务
• 支持多用户工作流管理和权限控制
• 分布式任务执行，支持云端和本地部署
• 完善的日志系统和实时监控

🎯 适用场景

• 量化研究：因子挖掘、策略开发、模型验证
• 算法交易：策略回测、实盘验证、风险管理
• 金融数据分析：市场研究、投资组合优化
• 机器学习应用：金融预测模型、智能投顾

💡 技术特色

• 微服务架构：模块化设计，易于扩展和维护
• 插件化设计：通过 @work_node 装饰器轻松开发自定义节点
• 工作流支持json导入导出：通过json文件快速传播和复现工作流
• 容器化部署：支持Docker和Docker Compose快速部署

已规划功能，欢迎加群内测

LLM支持

API代码式调用工作流

CTP实盘交易

QMT实盘交易

数字货币支持

服务安装与运行

安装包方式 (简单，快速体验)

• 若是您不想花时间搭环境，可以用我们打包好的客户端，一键解压，可直接运行，因为内置数据库和行情数据，文件略大。 内含工作流、超级图表、因子模块。
• MacOS 系统: [准备中]
• Windows 系统: 下载 Windows 安装包（因为文件大小限制，做了分包，请下载全部文件再解压）

从源码安装（高度自定义，适合二次开发）

前置条件

1. 安装 ANACONDA 环境 (官网下载)
2. 下载并启动PandaAI提供的数据库(含有行情数据)
   请联系小助理从网盘下载最新的数据库
   • MacOS 系统: 下载并解压后运行 chmod 600 conf/mongo.key bin/mongod -replSet rs0 --dbpath data/db --keyFile conf/mongo.key --port 27017 --quiet --auth
   • Windows 系统: 下载并解压后运行 bin\mongod.exe --replSet rs0 --dbpath data\db --keyFile conf\mongo.key --port 27017 --quiet --auth
3. 安装 panda_factor 相关依赖，并且启动factor服务

   git clone https://github.com/PandaAI-Tech/panda_factor.git
   cd panda_factor
   pip install -r requirements.txt
   pip install -e ./panda_common ./panda_factor ./panda_data ./panda_data_hub ./panda_llm ./panda_factor_server 
   python ./panda_factor_server/panda_factor_server/__main__.py

   panda_factor还有若干功能，例如数据自动更新等，具体请查看(PandaFactor)

安装流程

1. 安装 panda_quantflow

   git clone https://github.com/PandaAI-Tech/panda_quantflow.git
   cd panda_quantflow
   pip install -e .

2. 启动 panda_quantflow 服务

   python src/panda_server/main.py

3. 打开 UI 图形界面

   超级图表：http://127.0.0.1:8000/charts/
   工作流：http://127.0.0.1:8000/quantflow/

编写自定义插件

• 开发者可以在项目目录.src/panda_plugins/custom/中编写自定义插件, 以在工作流中使用
• 自定义插件需要继承 BaseWorkNode 并实现 input_model, output_model 和 run 3 个方法
• 自定义插件示例 (更多示例在.src/panda_plugins/custom/examples/中)

  from typing import Optional, Type
  from panda_plugins.base import BaseWorkNode, work_node
  from pydantic import BaseModel
  
  class InputModel(BaseModel):
     """
     Define the input model for the node.
     Use pydantic to define, which is a library for data validation and parsing.
     Reference: https://pydantic-docs.helpmanual.io
     
     
     为工作节点定义输入模型.
     使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
     参考文档: https://pydantic-docs.helpmanual.io
     """
     number1: int
     number2: int
  
  class OutputModel(BaseModel):
     """
     Define the output model for the node.
     Use pydantic to define, which is a library for data validation and parsing.
     Reference: https://pydantic-docs.helpmanual.io
     
     为工作节点定义输出模型.
     使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
     参考文档: https://pydantic-docs.helpmanual.io
     """
     result: int
  
  @work_node(name="示例-两数求和", group="测试节点")
  class ExamplePluginAddition(BaseWorkNode):
     """
     Implement a example node, which can add two numbers and return the result.
     实现一个示例节点, 完成一个简单的加法运算, 输入 2 个数值, 输出 2 个数值的和.
     """
  
     # Return the input model
     # 返回输入模型
     @classmethod
     def input_model(cls) -> Optional[Type[BaseModel]]:
        return InputModel
  
     # Return the output model
     # 返回输出模型
     @classmethod
     def output_model(cls) -> Optional[Type[BaseModel]]:
        return OutputModel
  
     # Node running logic
     # 节点运行逻辑
     def run(self, input: BaseModel) -> BaseModel:
        result = input.number1 + input.number2
        return OutputModel(result=result)
  
  if __name__ == "__main__":
     node = ExamplePluginAddition()
     input = InputModel(number1=1, number2=2)
     print(node.run(input))

我们欢迎每一位用户加入节点贡献行列，共同点燃量化开源的火焰🔥

如果有新的节点需求，也欢迎进群告诉我们，只要有助于项目发展，我们都愿意免费支持开发。

项目结构**

panda_workflow/
├── src/                    # 所有源代码
│   ├── common/             # 通用工具和配置
│   ├── panda_ml/           # 机器学习组件
│   ├── panda_plugins/      # 插件系统
│   ├── panda_server/       # API服务
│   ├── panda_backtest/     # 回测系统
│   └── panda_trading/      # 交易执行系统
├── tests/                  # 测试目录
├── pyproject.toml          # 项目配置和依赖
├── Dockerfile              # Docker配置
└── docker-compose.yml      # Docker Compose配置

加群答疑（备注【开源】更快通过）

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