alpha-common 0.1.1

Alpha 策略研究基础库：交易日历、存储引擎、并发框架、ClickHouse 驱动

Alpha Common

Alpha 策略研究基础库，为量化研究提供基础设施：交易日历、本地 Parquet 存储引擎、并发框架、ClickHouse 数据库驱动。

---

安装

pip install alpha-common

从源码安装（开发模式）：

git clone https://github.com/Aequiludium/alpha-common.git
cd alpha-common
uv sync

---

模块

模块	说明	主要功能
xcals	交易日历	A 股交易日查询、日期偏移、财务报告期计算
blazestore	存储引擎	本地 Parquet 文件存储，Hive 分区 + SQL 查询
ygo	并发框架	延迟执行 + 线程池 + 进度管理
clickhouse_df	数据库驱动	ClickHouse 连接与 DataFrame 读写

---

使用

xcals — 交易日历

import xcals

# 交易日查询
days = xcals.get_tradingdays("2024-01-01", "2024-12-31")
today = xcals.today()

# 日期偏移
prev = xcals.shift_tradeday("2024-12-31", -5)

# 判断是否为交易日
xcals.is_tradeday("2024-12-31")  # True

# 更新交易日数据
xcals.update()

# Polars 表达式集成（可用于 DataFrame 操作）
import polars as pl
df = pl.DataFrame({"date_str": ["2024-01-01", "2024-01-02"]})
df.with_columns(xcals.to_date("date_str").alias("date"))

blazestore — 本地 Parquet 存储引擎

from blazestore import ParquetStore

store = ParquetStore("/data/store")

# 写入数据（自动 Hive 分区）
store.put("trades", df)

# 读取为 LazyFrame
lf = store.read("trades WHERE date = '2024-01-01'")

# 表管理
store.list_tables()
store.get_table_info("trades")
store.optimize_table("trades")

ygo — 并发框架

from ygo import Pool

pool = Pool()
for day in trading_days:
    pool.submit(download_data, day=day)

results = pool.do()
pool.close()

clickhouse_df — ClickHouse 数据库驱动

from clickhouse_df import to_polars, to_pandas
from clickhouse_df import connect

# 查询到 DataFrame
df = to_polars("SELECT * FROM system.tables")

# 查询到 Pandas
pdf = to_pandas("SELECT * FROM system.tables")

# 批量下载
from clickhouse_df import raw_download
raw_download("SELECT * FROM big_table", "output.csv", {})

---

开发

# 安装依赖
uv sync

# 运行测试
uv run pytest tests/

# 代码检查
uv run ruff check .
uv run ruff format --check .

---

许可证

MIT