本仓库现在以 hk_factor_discovery 为核心，实现了面向香港市场的两阶段向量化策略发现流程：
- 阶段一 – 单因子探索：遍历 72 个技术/统计因子与 11 个时间框架（1m→1d）的组合，利用完全向量化的回测引擎评估夏普率、稳定性、胜率等关键指标，并把结果写入 SQLite 数据库。
- 阶段二 – 多因子组合：先按夏普率与信息系数（IC）双指标为 792 个因子-时间框架组合打分，自动筛出全市场 Top20 领先因子，再基于它们生成 2~3 个因子的组合，计算组合收益序列并输出排序后的最优策略列表，同样支持数据库留存与复用。
hk_factor_discovery/
├── config.py # 时间框架等核心配置
├── data_loader.py # 支持 1m/2m/3m/5m/1d 原始数据与高阶重采样
├── database.py # 因子结果与组合策略的 SQLite 持久化
├── factors/ # 72 个因子定义（趋势/动量/波动率等八大类）
├── phase1/ # 单因子探索器与向量化回测引擎
├── phase2/ # 多因子组合与优化逻辑
├── utils/ # 绩效指标、成本模型等通用组件
└── tests/ # Pytest 覆盖核心流程
历史上的 longport/vectorized 与 vectorbt_workspace 模块仍然保留以便追溯，但新的策略开发推荐直接使用 hk_factor_discovery 提供的 API 与 CLI。
-
安装依赖（推荐 Python 3.10+）
python -m venv .venv source .venv/bin/activate pip install numpy pandas -
准备数据目录
- 将
1m、2m、3m、5m、1d的 OHLCV Parquet/CSV 数据放在symbol/timeframe.parquet或timeframe/symbol.parquet结构下，二者皆受支持。 - 其余时间框架（10m、15m、30m、1h、2h、4h）由
HistoricalDataLoader自动进行向量化重采样，无需额外文件。
- 将
-
运行命令行入口
python -m hk_factor_discovery.main --symbol 0700.HK --data-root /path/to/data_root
--phase phase1或--phase phase2可以只执行单阶段。--reset会清空 SQLite 数据库重新探索。
from hk_factor_discovery import HistoricalDataLoader, SingleFactorExplorer, MultiFactorCombiner
from hk_factor_discovery.factors import all_factors
loader = HistoricalDataLoader(data_provider=my_provider)
factors = all_factors()
explorer = SingleFactorExplorer("0700.HK", data_loader=loader, factors=factors)
phase1_results = explorer.explore_all_factors()
combiner = MultiFactorCombiner("0700.HK", phase1_results)
strategies = combiner.discover_strategies()
print(strategies[0]["strategy_name"], strategies[0]["sharpe_ratio"])仓库包含覆盖因子注册、探索器、组合器与数据库读写的 Pytest 测试：
pytest hk_factor_discovery/tests若环境暂时未安装 pandas 或 numpy，测试会自动跳过相关用例。建议在准备好依赖后完整执行一次以验证因子池与组合逻辑。
- 向量化实现：所有因子计算与回测步骤均基于
numpy/pandas，避免显式循环确保性能。 - 香港市场成本建模：内置印花税、佣金、滑点与最小费用的组合成本模型，便于快速评估真实净收益。
- 结果持久化：SQLite 架构遵循需求文档提供的三张核心表，可直接供后续分析或外部可视化使用。
- 可扩展性：通过配置类与注册中心轻松扩展时间框架、因子或组合策略逻辑，满足未来多市场扩张需求。