gp_framework

furture分支

项目简介

本项目基于遗传规划（Genetic Programming, GP）方法，自动挖掘股票量化因子，并支持因子回测、分组分析、可视化等功能。适用于量化投资、金融数据挖掘、因子研究等场景。

主要功能

• 遗传规划自动生成和优化因子表达式
• 支持多种金融时间序列特征（如开盘价、收盘价、成交量等）
• 分组回测与绩效评估（如分组净值、IC、ICIR等）
• 支持大文件（如数据库、CSV）管理（已集成 Git LFS）
• 结果可视化（因子表达式树、分组净值曲线等）
• 支持多因子回测结果导出（Excel 多 sheet）

目录结构

.
├── gp_framework.py           # 遗传规划主框架与核心函数
├── gp_back.py                # 回测与分组分析脚本
├── gp_studay.py              # 因子训练与可视化脚本
├── gp.ipynb                  # Jupyter Notebook 示例
├── stocks_data.csv           # 股票历史数据（大文件，LFS管理）
├── stock_data.db             # 股票数据库（大文件，LFS管理）
├── rebalance_details_all.xlsx# 多因子分组回测结果
├── factor_X_graphviz.png     # 因子表达式树可视化图片
├── .gitattributes            # Git LFS 配置
├── README.md                 # 项目说明文档
└── ...

依赖环境

• Python 3.7+
• pandas
• numpy
• matplotlib
• openpyxl
• graphviz
• git-lfs（用于大文件管理）

安装依赖（推荐使用虚拟环境）：

pip install -r requirements.txt

快速开始

1. 克隆项目并初始化 LFS：

   git clone https://github.com/zhihuiqi62/gp_framework.git
   cd gp_framework
   git lfs install

2. 准备数据：

   • 将你的股票数据放入 stocks_data.csv 或 stock_data.db。

3. 运行因子训练与可视化：

   python gp_studay.py

   • 自动生成因子表达式、IC/ICIR评估、表达式树可视化。

4. 运行回测与分组分析：

   python gp_back.py

   • 输出分组净值曲线、分组回测明细（Excel）、图表等。

5. Jupyter Notebook 交互式体验：

   • 打开 gp.ipynb，可交互式运行和调试。

主要文件说明

• gp_framework.py：遗传规划算法实现，包含表达式树、算子、变异、交叉等。
• gp_back.py：分组回测、净值计算、结果导出与可视化。
• gp_studay.py：因子训练、IC/ICIR评估、表达式树可视化。
• stocks_data.csv / stock_data.db：股票历史数据（大文件，LFS管理）。
• rebalance_details_all.xlsx：多因子分组回测明细，按 sheet 分类。
• factor_X_graphviz.png：因子表达式树可视化图片。

注意事项

• 大文件管理：本项目已集成 Git LFS，请确保本地已安装并初始化 LFS，否则大文件无法正常 clone/pull。
• 数据隐私：请勿上传包含敏感信息的数据文件到公开仓库。

贡献

欢迎提交 issue、pull request 或建议！

License

MIT（如有需要可补充）

---

如需进一步定制 README 内容（如添加算法原理、示例代码、贡献者名单等），请告知你的具体需求！