schwab-quant-trading

基于 Charles Schwab API 的个人量化交易系统。策略与执行解耦：同一套策略代码依次跑回测 → 模拟盘 → 实盘，三个阶段的成本假设和执行口径完全一致。

架构

 数据层                 策略层                执行层
┌─────────────┐      ┌─────────────┐      ┌──────────────────────┐
│ Schwab API  │      │ 双动量轮动    │      │ 风控：仓位/敞口上限     │
│ Yahoo(研究)  │ ───▶ │ 行业ETF轮动  │ ───▶ │ SimulatedBroker 模拟盘 │
│ Parquet存储  │      │ 波动率目标层  │      │ SchwabBroker 实盘(待做) │
└─────────────┘      └──────┬──────┘      └──────────┬───────────┘
                            ▼                        ▼
                     vectorbt 回测引擎          每日报告 data/reports/

策略

策略	一句话解释	配置
双动量轮动	每月末在 6 只核心 ETF + 8 只头部个股中，按 3/6/12 个月动量排名持有最强 3 只；全部走弱时空仓持现金	config/dual_momentum.yaml
行业 ETF 轮动	同一引擎，标的池换成 11 只 SPDR 行业 ETF + TLT/GLD 防御腿；无个股选择偏差，回测更可信	config/sector_rotation.yaml
波动率目标层	叠加在任意策略上：组合近期波动超过目标（15%）就等比减仓，只减不加杠杆，用于压回撤	两个配置中 vol_target:

2005–2026 真实复权数据回测：行业轮动年化 ~9.5%（SPY 为 10.9%），但最大回撤 -21%（SPY 为 -55%），风险调整后明显占优。个股池动量收益更高但含选择偏差，数字仅供参考。

使用

研究回测（不需要 Schwab 账户）：

uv sync
uv run python scripts/fetch_yahoo.py SPY QQQ IWM EFA TLT GLD AAPL MSFT GOOGL AMZN NVDA META TSLA AVGO
uv run python scripts/run_backtest.py

模拟盘（需要 developer.schwab.com 应用凭证）：

cp .env.example .env                      # 填入 API key/secret
uv run python scripts/authorize.py        # 首次 OAuth 授权
uv run python scripts/backfill.py SPY QQQ AAPL --start 2015-01-01
uv run python scripts/run_daily.py --bootstrap   # 之后每个交易日收盘后跑一次（可挂 cron）

每日持仓与成交写入 data/reports/，模拟账户状态在 data/sim/。跑行业轮动加 --config config/sector_rotation.yaml。

须知

• .env、token、行情数据均被 gitignore，凭证绝不入库
• Schwab 无官方模拟盘 API，模拟撮合由本地 SimulatedBroker 完成（行情为真实数据）
• 回测 ≠ 未来收益，本仓库不构成投资建议；完整设计见 docs/PROJECT_OUTLINE.md