alpha-lab 0.1.3

A High-performance And Standard Alpha Factor Mining System

Alpha Lab: High-Performance Alpha Mining System

Alpha Lab 是一个专为量化金融研究设计的高性能数据处理与因子挖掘框架。它深度集成了现代 Python 数据技术栈（Polars, Apache Arrow, ClickHouse），旨在解决传统量化研究中数据加载慢、内存占用高、计算效率低等核心痛点。

通过采用惰性计算（Lazy Evaluation）和列式存储（Columnar Storage），Alpha Lab 能够在单机环境下高效处理 TB 级别的金融时序数据。

---

🌟 核心特性 (Features)

• 🚀 极致性能: 基于 Rust 编写的 Polars 引擎，支持多线程并行计算、SIMD 优化及外存（Out-of-Core）处理。
• 💾 高效存储: 基于 Parquet 的本地数据仓库，支持自动分区管理、Hive分区结构和谓词下推，专为高频行情设计。
• 🛠 交易日历 (Xcals): 内置高精度中国市场交易日历，支持复杂的交易日推算、偏移及周期聚合。
• 🔄 数据访问层 (Datacenter): 独创的"统一视图"模式，无缝连接按天存储的行情数据（Market Data）与按表存储的基础信息（Inform Data），最大化 IO 效率。

📦 安装指南 (Installation)

环境要求

• OS: Linux / macOS / Windows (WSL推荐)
• Python: 3.9+

从 PyPI 安装（推荐）

pip install alpha-lab

从源码安装

如果需要从源码安装，我们推荐使用 uv 进行极速环境构建与依赖管理：

# 1. 安装 uv
pip install uv

# 2. 克隆仓库
git clone https://github.com/yourusername/alpha-lab.git
cd alpha-lab

# 3. 同步环境
uv sync --all-extras

# 4. 激活环境
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate   # Windows

传统方式

# 创建虚拟环境
python -m venv .venv

# 激活环境
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate   # Windows

# 安装项目依赖
pip install -e .[dev]

⚙️ 配置 (Configuration)

项目首次运行会自动在用户主目录 (~) 下生成必要的配置文件。

1. 交易日历配置 (~/.xcals)

   • 存放交易日历数据文件，确保 xcals 模块能正确计算交易日。

2. Blazestore 配置 (~/.blaze/config.toml)

   • 配置本地数据仓库的存储路径。
   • 示例内容：

     [paths]
     store = "/home/user/BlazeStore"
     
     [databases.mysql]
     user = "your_user"
     password = "your_password"
     url = "localhost:3306/database_name"
     database = "database_name"
     
     [databases.ck]
     user = "your_user"
     password = "your_password"
     urls = "localhost:8123"
     

🚀 因子研究示例

对于因子研究员，我们提供了简洁的数据访问接口，无需了解底层存储细节。

交易日历使用

from tool_box.xcals import api

# 获取日期范围内的所有交易日
trading_days = api.get_tradingdays(beg_date="2023-01-01", end_date="2023-01-31")

# 计算 T+1 交易日
next_day = api.shift_tradeday("2023-01-20", 1)

# 判断是否为交易日
is_open = api.is_tradeday("2023-01-22")  # False (Sunday)

读取行情数据

import polars as pl
import datacenter as dc
from tool_box import xcals

# 获取日期范围
start_date = "2023-01-01"
end_date = "2023-01-31"
trading_days = xcals.get_tradingdays(start_date, end_date)

# 读取股票日线数据
df = dc.md.read_data_batch(
    start_date,
    end_date,
    dc.Instrument.STOCK,
    dc.DataType.KLINE_DAY
)

# 计算因子：5日收益率
factor_df = df.with_columns(
    # 计算每日收益率
    daily_return=pl.col("close").pct_change(),
    # 计算5日收益率
    five_day_return=pl.col("close").pct_change(periods=5)
).filter(
    # 过滤掉无效数据
    pl.col("volume") > 0
)

# 展示结果
print(factor_df.head())

读取基础信息

import datacenter as dc

# 获取股票代码列表
stock_codes = dc.jy.codes(date="2023-01-01")

# 获取可用股票（经过筛选）
available_stocks = dc.jy.asset(date="2023-01-01")

# 读取行业分类
industry = dc.jy.industry(date="2023-01-01")

# 读取股本信息
shares = dc.jy.shares(date="2023-01-01")

# 读取复权因子
adj_factors = dc.jy.adj_factors(date="2023-01-01")

📄 许可证 (License)

本项目采用 MIT 许可证 开源。