MFT105 · Python 及其在金融中的应用 | 量化股票筛选系统
本系统以 Python 为核心技术栈，整合多源公开金融数据，提供基于量化规则的股票筛选、评分排名与可操作决策建议，降低个人投资者的选股门槛。
当前版本还集成了AI 投顾（DeepSeek）：在本地输入 API Key 后，系统会基于样本外回测结果自动生成面向普通投资者的文字建议。API 只在当前会话中使用，不会写入文件或缓存。
本项目建议 Python 版本为 3.12.0，以避免跨设备部署时出现依赖不兼容。
- 云端/平台部署文件：
runtime.txt
建议先确认解释器版本：
python --version输出应为 Python 3.12.0（或至少同 minor 版本 3.12.x）。
若无对应版本python，可以使用安装脚本一键安装python环境。
在 Windows 上可直接双击 deploy.bat，或在终端执行：
deploy.bat该脚本会自动完成：
- 检查/安装 Python 3.12.x
- 创建并激活
.venv - 安装
requirements.txt - 启动 Streamlit 应用
仅部署不启动应用：
deploy.bat --no-run如果你不使用 Windows 一键脚本，可按以下步骤手动部署：
# 建议先创建并激活虚拟环境
python -m venv .venv
# Windows:
.venv\Scripts\activate
# macOS/Linux:
# source .venv/bin/activate
pip install -r requirements.txt请先完成上面的任一种部署流程（手动部署或 deploy.bat）。
若你是手动部署，请先激活 .venv 后再执行以下命令。
# 基础用法（S&P 500，Top 10，月度再平衡）
python run_pipeline.py --universe sp500 --top_n 10 --rebalance monthly
# 保守风格 + 风险平价权重
python run_pipeline.py --universe sp500 --top_n 15 \
--risk_profile conservative --weight_method risk_parity --capital 500000
# 仅运行 Out-of-Sample 评估（不含 IS 回测，更快）
python run_pipeline.py --universe sp500 --oos_only
# 自定义股票池
python run_pipeline.py --universe "AAPL,MSFT,GOOGL,NVDA,META,TSLA,JPM,JNJ,V,PG" --top_n 5
# 全参数说明
python run_pipeline.py --helpstreamlit run app.py浏览器访问 http://localhost:8501，在侧边栏配置参数后点击「运行筛选」。
首次打开时会先完成一次风险倾向测验，结果会保存到 data/investor_risk_profile.json，后续启动会自动读取并作为风险偏好默认值。
如果你希望启用 AI 投顾，请在侧边栏的「AI 投顾配置」中填写 DeepSeek API Key，并补充提示词要求。填写后，回测评估页右侧会自动启用 AI 投顾，基于当前回测结果生成建议；API 不会被保存到本地。
AI 投顾建议主要面向普通投资者，输出通常包含：是否值得跟随策略、风险提示、仓位/再平衡建议和下一步操作建议。 AI可能会出错，AI输出的建议仅供参考
stock-screener/
├── data/ # 缓存数据与输出结果
│ ├── prices.parquet # 价格缓存
│ ├── fundamentals.parquet
│ ├── top_n_stocks.csv # 筛选结果
│ ├── all_factor_scores.csv
│ ├── portfolio_weights.csv
│ ├── oos_nav_curve.csv
│ └── charts/ # 图表输出
├── notebooks/ # 探索性分析（EDA）
├── src/
│ ├── __init__.py
│ ├── data_loader.py # 数据获取与缓存
│ ├── factors.py # 四大因子计算
│ ├── screener.py # 评分、排名与筛选主逻辑
│ ├── portfolio.py # 组合构建与权重计算
│ ├── backtester.py # 回测引擎
│ └── visualizer.py # 图表生成
├── app.py # Streamlit 主程序
├── run_pipeline.py # 命令行一键运行入口
├── deploy.bat # Windows 一键部署脚本
├── .python-version # 本地 Python 版本锁定（3.12.0）
├── runtime.txt # 部署平台 Python 版本锁定（python-3.12.0）
├── requirements.txt
└── README.md
如需更完整的策略说明，请先阅读 strategy.md。
| 因子维度 | 指标 | 计算方式 | 默认权重 | 方向 |
|---|---|---|---|---|
| 相对动量 Relative Momentum | 12-1 月超额动量 | 个股 12-1 月动量减去 S&P 500 12-1 月动量 | 主信号 | 越高越好 ↑ |
| 动量 Momentum | 12-1 月动量 | 过去 12 个月收益率（剔除最近 1 月） | 辅助 | 越高越好 ↑ |
| 波动 Volatility | 年化波动率 | 过去 252 日日收益率标准差 × √252 | 辅助 | 越低越好 ↓ |
| 估值 Value | P/E、P/B 综合 | 行业相对 P/E 与 P/B 排名取均值 | 辅助 | 越低越好 ↓ |
| 品质 Quality | ROE | ROE 截尾后标准化 | 辅助 | 越高越好 ↑ |
所有因子均经过：Winsorize（1%–99%）→ Z-score 标准化 → 方向对齐。
说明：当回测或界面提供 S&P 500 指数基准数据时，系统会优先使用“相对动量”作为主选股信号；其余因子作为辅助过滤。
当提供 S&P 500 基准数据时，系统默认使用“相对动量”作为主信号；下表仅在未提供基准数据的回退模式中生效。
| 风险偏好 | 动量 | 波动 | 估值 | 品质 |
|---|---|---|---|---|
| 保守 Conservative | 20% | 35% | 25% | 20% |
| 平衡 Balanced | 30% | 25% | 25% | 20% |
| 积极 Aggressive | 45% | 15% | 20% | 20% |
| 阶段 | 期间 | 用途 |
|---|---|---|
| In-Sample | 2015–2022 | 因子参数确定、权重设计 |
| Out-of-Sample | 2023–2024 | 独立评估，不得回溯修改规则 |
主要评估指标： CAGR、Sharpe Ratio、最大回撤、信息比率（IR）、月度胜率
- 价格数据：Yahoo Finance via
yfinance（复权收盘价） - 财务数据：Yahoo Finance via
yfinance.Ticker.info（P/E、P/B、ROE） - 无风险利率：FRED 3M T-Bill via
pandas_datareader - 成分股列表：Wikipedia（S&P 500）
- 财务数据通常滞后 1–3 个月，实盘存在执行时差
- 使用当前成分股名单，存在一定幸存者偏差
- 交易成本已按固定比例计入回测（默认 0.1%/单边），未计入市场冲击成本
- 本系统为课程作业，所有输出均不构成任何实际投资建议
- AI 投顾依赖 DeepSeek 在线接口，若 API Key 无效、网络受限或接口不可用，将无法生成建议；系统会提示具体错误信息
- API Key 仅用于当前会话，不会写入项目文件、缓存或日志
# 固定随机种子已在 run_pipeline.py 中设置（RANDOM_SEED = 42）
# 方式 A（Windows）：
deploy.bat --no-run
# 方式 B（手动，跨平台）：
# 1) 创建并激活 .venv
# 2) 安装依赖
pip install -r requirements.txt
# 运行主流程
python run_pipeline.py --universe sp500 --top_n 10 --rebalance monthly- 启动
streamlit run app.py - 在左侧侧边栏填写 DeepSeek API Key 和提示词要求
- 点击「运行筛选」并在需要时勾选「运行回测评估」
- 回测结果完成后，右侧 AI 投顾会自动给出建议
建议在提示词中明确你的关注点，例如：回撤控制、稳健性、是否适合普通投资者、以及是否只做小仓位试运行。
MFT105 · 2026 Spring