PandaAI QuantFlow 是一个集成的量化交易和机器学习工作流平台，旨在为量化研究人员提供完整的端到端解决方案，降低AI门槛，打破传统量化高门槛壁垒，让主观交易者、学生乃至普通投资者都能参与策略研发。

🔧 可视化工作流编排

• 基于节点的可视化工作流设计器，支持拖拽式构建复杂的量化研究和交易策略流程
• 丰富的内置工作节点，涵盖数据处理、特征工程、机器学习、因子分析和回测等各个环节
• 灵活的插件系统，支持自定义工作节点开发和扩展

🤖 机器学习集成

• 支持主流机器学习算法：XGBoost、LightGBM、RandomForest、SVM、神经网络等
• 提供多任务学习(MTL)和深度学习解决方案
• 自动化模型训练、验证和预测流程

📈 因子分析与回测策略验证

• 高性能回测引擎，支持股票、期货
• 完整的事件驱动架构，精确模拟真实交易环境
• 兼容PandaFactor分析框架

🌐 企业级服务架构

• 基于FastAPI的高性能REST API服务
• 支持多用户工作流管理和权限控制
• 分布式任务执行，支持云端和本地部署
• 完善的日志系统和实时监控

• 量化研究：因子挖掘、策略开发、模型验证
• 算法交易：策略回测、实盘验证、风险管理
• 金融数据分析：市场研究、投资组合优化
• 机器学习应用：金融预测模型、智能投顾

• 微服务架构：模块化设计，易于扩展和维护
• 插件化设计：通过 @work_node 装饰器轻松开发自定义节点
• 工作流支持json导入导出：通过json文件快速传播和复现工作流
• 容器化部署：支持Docker和Docker Compose快速部署

LLM支持

API代码式调用工作流

CTP实盘交易

QMT实盘交易

数字货币支持

• 若是您不想花时间搭环境，可以用我们打包好的客户端，一键解压，可直接运行，因为内置数据库和行情数据，文件略大。 内含工作流、超级图表、因子模块。
• MacOS 系统: [准备中]
• Windows 系统: 下载 Windows 安装包（因为文件大小限制，做了分包，请下载全部文件再解压）

1. 安装 ANACONDA 环境 (官网下载)
2. 下载并启动PandaAI提供的数据库(含有行情数据)
   请联系小助理从网盘下载最新的数据库
   • MacOS 系统: 下载并解压后运行 chmod 600 conf/mongo.key bin/mongod -replSet rs0 --dbpath data/db --keyFile conf/mongo.key --port 27017 --quiet --auth
   • Windows 系统: 下载并解压后运行 bin\mongod.exe --replSet rs0 --dbpath data\db --keyFile conf\mongo.key --port 27017 --quiet --auth
3. 安装 panda_factor 相关依赖，并且启动factor服务

   git clone https://github.com/PandaAI-Tech/panda_factor.git
   cd panda_factor
   pip install -r requirements.txt
   pip install -e ./panda_common ./panda_factor ./panda_data ./panda_data_hub ./panda_llm ./panda_factor_server 
   python ./panda_factor_server/panda_factor_server/__main__.py

   panda_factor还有若干功能，例如数据自动更新等，具体请查看(PandaFactor)

1. 安装 panda_quantflow

   git clone https://github.com/PandaAI-Tech/panda_quantflow.git
   cd panda_quantflow
   pip install -e .

2. 启动 panda_quantflow 服务

   python src/panda_server/main.py

3. 打开 UI 图形界面

   超级图表：http://127.0.0.1:8000/charts/
   工作流：http://127.0.0.1:8000/quantflow/

• 开发者可以在项目目录.src/panda_plugins/custom/中编写自定义插件, 以在工作流中使用
• 自定义插件需要继承 BaseWorkNode 并实现 input_model, output_model 和 run 3 个方法
• 自定义插件示例 (更多示例在.src/panda_plugins/custom/examples/中)

  from typing import Optional, Type
  from panda_plugins.base import BaseWorkNode, work_node
  from pydantic import BaseModel
  
  class InputModel(BaseModel):
     """
     Define the input model for the node.
     Use pydantic to define, which is a library for data validation and parsing.
     Reference: https://pydantic-docs.helpmanual.io
     
     
     为工作节点定义输入模型.
     使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
     参考文档: https://pydantic-docs.helpmanual.io
     """
     number1: int
     number2: int
  
  class OutputModel(BaseModel):
     """
     Define the output model for the node.
     Use pydantic to define, which is a library for data validation and parsing.
     Reference: https://pydantic-docs.helpmanual.io
     
     为工作节点定义输出模型.
     使用 Pydantic 定义, Pydantic 是一个用于数据验证和解析的库.
     参考文档: https://pydantic-docs.helpmanual.io
     """
     result: int
  
  @work_node(name="示例-两数求和", group="测试节点")
  class ExamplePluginAddition(BaseWorkNode):
     """
     Implement a example node, which can add two numbers and return the result.
     实现一个示例节点, 完成一个简单的加法运算, 输入 2 个数值, 输出 2 个数值的和.
     """
  
     # Return the input model
     # 返回输入模型
     @classmethod
     def input_model(cls) -> Optional[Type[BaseModel]]:
        return InputModel
  
     # Return the output model
     # 返回输出模型
     @classmethod
     def output_model(cls) -> Optional[Type[BaseModel]]:
        return OutputModel
  
     # Node running logic
     # 节点运行逻辑
     def run(self, input: BaseModel) -> BaseModel:
        result = input.number1 + input.number2
        return OutputModel(result=result)
  
  if __name__ == "__main__":
     node = ExamplePluginAddition()
     input = InputModel(number1=1, number2=2)
     print(node.run(input))

我们欢迎每一位用户加入节点贡献行列，共同点燃量化开源的火焰🔥

如果有新的节点需求，也欢迎进群告诉我们，只要有助于项目发展，我们都愿意免费支持开发。

panda_workflow/
├── src/                    # 所有源代码
│   ├── common/             # 通用工具和配置
│   ├── panda_ml/           # 机器学习组件
│   ├── panda_plugins/      # 插件系统
│   ├── panda_server/       # API服务
│   ├── panda_backtest/     # 回测系统
│   └── panda_trading/      # 交易执行系统
├── tests/                  # 测试目录
├── pyproject.toml          # 项目配置和依赖
├── Dockerfile              # Docker配置
└── docker-compose.yml      # Docker Compose配置

Kickoff（起步）

• 6774f35 – 为仓库加入宽松许可证与初始 README，确保整个流水线具备合规基础。
• 744a2b5 – 一次性导入 Quantflow 核心代码（连接器、日志、调度、回测 API 以及 Docker/pyproject 脚手架），策略只需引用提供的 API 模块并运行示例 Test 入口即可。
• cfe58df – 调整 README 结构，让安装与运行步骤更清晰。
• 92011a9 – 进一步补充 README 说明与格式，便于新同学上手。
• fffa536 – 在 README 中加入更多上手提示，帮助贡献者快速熟悉仓库。

Docs Refinements（文档优化）

• c7e92b9 – 优化 README 的段落与措辞，提升可读性。
• be826b8 – 合并文档优化 PR，主干直接享受最新文本。
• af13f0b – 小幅更新 README，使示例与现状保持一致。
• 9049456 – 再次补充 README 的细节说明。
• 8499f40 – 修正文档中的细微错别字与排版问题。

Factor & Config Prep（因子与配置准备）

• c7e891d – 调整 factor_analysis_node 的默认设置以匹配新的节点命名。
• 5cedc03 – 同步更新 factor_build_node_pro，保持工作流逻辑一致。
• b2ca95b – 刷新配置与 Mongo 访问逻辑，并重新生成前端资源，确保 UI 与配置相符。
• aa401f4 – 精简 README，移除重复描述。
• 5788c5d – 更新 README 的链接与措辞。
• 053c25a – 针对排版再做微调。

Backtest Launch（回测发布）

• 6c47f8e – 在重大回测版本前完成最后的 README 打磨。
• f88870b – “backtest support” 大版本：引入定时任务、重构工具库、增加全面文档与示例策略。按 panda_backtest/README 的步骤实现 initialize/handle_data，再运行 main_workflow 启动策略。
• 59bd1cd – 删除陈旧的编译产物，减小前端包体积。
• 3badc25 – 重命名并重新链接前端静态资源，确保网页指向正确。
• 03134ae – 大规模重构：升级日志系统，新增多种示例策略，并把 LLM 助手与静态代码检查器整合进 panda_server，可在既有接口中唤起 AI 回测/因子/代码助手。
• f96c39f – README 增补新 AI 功能的使用方式。

Stabilization（稳定性加强）

• 9ef808c – README 进一步覆盖最新基础设施。
• 400cec6 – 向 pyproject.toml 添加新增服务所需的依赖。
• 04eff7b – 一组 bugfix，同时新增因子相关节点、通用错误码与时间工具；需要因子相关热力/报表时，可直接引用新的节点。
• 2eccb87 – 将工作流拆分为 main_workflow_future / main_workflow_stock 两套入口，并增强插件加载逻辑、同步全量 UI 资源；根据资产类别运行对应入口即可。
• db1152e – 修正打包配置，确保新模块可被正确发现。
• d721951 – 移除工作流入口的多余调试输出。

Plugin & Ops Enhancements（插件与运维增强）

• 6ad53cf – 新增 GRU/LSTM 因子节点与完整的用户插件存储链路（验证、API、数据库模型）；通过新的 plugin route 发布自定义插件即可完成持久化与校验。
• 4312c09 – README 中补充插件体验相关说明。
• fb7eaec – 移除过时的 docker-compose 样例，避免误导。
• ad53981 – 精简 Dockerfile 以适配新部署结构。
• 4c75cbf – 在 pyproject.toml 中补齐缺失的依赖。
• 688b90e – README 再次同步最新部署指引。

Kafka/QuestDB Tooling（行情链路工具）

• e24dac9 – 新增 Kafka、QuestDB 客户端封装，并把它们接入 CTP/tushare 行情生产端，附带示例 tick 发布脚本；配置好环境变量后运行脚本即可完成端到端测试。
• f1a06df – 引入 ClickHouse 客户端与 QuestDB 批量写入能力，增加配置开关，升级订阅端；启用对应开关后行情会同时落 Kafka/QuestDB/ClickHouse。
• baca43d – 添加 collect_metrics.py，用于在发布后采集 tick 吞吐/延迟；跑一次收集脚本即可得到基准。
• fb5da43 – 提供自动化 tick 发布循环与发布性能对比 CLI，可通过新脚本批量推送或对比子进程/同进程吞吐，README 也新增了 benchmark 命令。
• e5fd7b0 – 强化 benchmark CLI，新增配置参数并调整默认值，便于在实验室复现性能数字。
• ae29a1b – 将 QuestDB 深度融入回测：新增 QuestDB 数据源、Mongo→QuestDB ETL、以及专用入口；先用转换脚本导入历史 K 线，再运行 python -m panda_backtest.main_questdb 即可。

Data Coverage & API（数据覆盖与 API）

• 269836b – 提供工具比较 Mongo vs QuestDB 全历史差异并生成统计；运行新脚本即可验证迁移质量。
• 8282ccf – Web 端 API 全面切到 HTTPS，并刷新 uv.lock，确保客户端只调用安全接口。
• b4b16e0 – 在 CTP 回调里加上异步 tick 队列，实时线程只负责写 Redis；通过 TICK_ASYNC_QUEUE_SIZE 等环境变量即可调节缓冲区。
• e52b812 – 新增 benchmark_tick_async.py 性能基准脚本，用来验证 tick 管线的延迟；运行脚本即可复现 README 中的数据。

Tick Pipeline Perf（行情性能）

• b709c41 – 行情整体改用 msgpack 序列化（并同步更新基准脚本）；请确保安装 msgpack，生产消费双方才能识别新格式。
• 84db407 – 进一步优化基准，对 Redis 写入引入批处理与刷盘间隔环境变量，单次 RTT 大幅下降；按需调整 TICK_REDIS_FLUSH_BATCH 和 TICK_REDIS_FLUSH_INTERVAL_MS。
• c4da03c – 将 Kafka/QuestDB/ClickHouse 拆成独立队列和线程，且可单独开关，Kafka 可优先发送；用 ENABLE_KAFKA_TICK / ENABLE_QUESTDB_TICK / ENABLE_CLICKHOUSE_TICK 及各自队列长度即可按机型启停。
• 5a94f63 – 引入 C 级别 Level2 二进制解析器、QuestDB 批量写工具、性能基准和示例深交所 Level2 数据；使用 level2_cparser 解码后，可通过 import_level2_to_questdb 装载，再用 benchmark_level2_io 做吞吐评估。

如需了解某个提交的具体 API 变更或脚本参数，欢迎指出具体 commit，我可以继续深挖。

行情链路与监控

• e24dac9 / f1a06df – 行情生产端打通 Kafka+QuestDB+ClickHouse，示例 tick 发布脚本也一并落地。
• baca43d – 新增 tools/collect_metrics.py，可测 Kafka 延迟与 QuestDB/ClickHouse 查询耗时。
• fb5da43 / e5fd7b0 – 自动化 tick 发布、发布链路基准脚本及其配置项完善，便于比较子进程与内联写入吞吐。 示例命令：

# 单次写入 Kafka/QuestDB/ClickHouse，并打印耗时
python tools/publish_sample_tick.py --symbol TEST.FUT --price 101.5 --summary-only

# 按固定间隔循环推送 100 次示例 Tick
python tools/auto_publish_sample_tick.py --symbol TEST.FUT --price 101.5 --interval 0.5 --count 100

# 对比 Redis 旧链路、子进程写入与批处理写入的延迟表现
python tools/benchmark_publish_sample_tick.py --symbol TEST.FUT --price 101.5 --count 50 --warmup 10

# 采集 Kafka 延迟并可选跳过某些后端查询
python tools/collect_metrics.py --messages 500 --skip-clickhouse

QuestDB 回测与批量工具

• ae29a1b – QuestDB 接入回测主流程，提供 main_questdb.py 启动器。
• 269836b – Mongo→QuestDB 批量迁移及数据一致性验证脚本（统计/全区间对比）。 示例命令：

# 使用 QuestDB 数据源回测指定策略
python src/panda_backtest/main_questdb.py --file strategy/future01.py --start-date 20240101 --end-date 20240201

# 将 Mongo 集合中的日线写入 QuestDB（支持多标的）
python src/panda_backtest/tools/mongo_to_questdb_bars.py \
  --collection stock_market \
  --symbols 000001.SH 000300.SH \
  --start-date 20230101 --end-date 20231231 \
  --quest-table stock_daily_bars

# 自动识别指定标的的最早/最晚交易日并分别跑 Mongo/QuestDB 对比回测
python src/panda_backtest/compare_data_source_full_range.py \
  --collection future_market \
  --symbol RB9999.SHF \
  --date-field trade_date \
  --date-type int \
  --print-summary

API / 前端

• 8282ccf – Web 端接口全面升级为 HTTPS，默认使用 uv 锁文件中声明的新依赖；部署后可用 curl -I https://127.0.0.1:8000/quantflow/api/v1/status 快速检查服务存活。

CTP 行情性能与 Level2

• b4b16e0 – CTP 回调仅负责 Redis 写入，慢链路移至后台队列，显著降低阻塞。
• e52b812 / b709c41 / 84db407 – 提供异步处理基准脚本、msgpack 序列化以及 Redis 批写参数，帮助验证优化效果。
• c4da03c – Kafka/QuestDB/ClickHouse 后端分离并可独立启停，适合按机器性能裁剪。
• 5a94f63 – Level2 C 解析器、批量 QuestDB 写入与导入脚本，方便离线数据回放。 示例命令：

# 基于 stub 组件压测异步写入耗时，支持模拟不同队列长度
python scripts/benchmark_tick_async.py --ticks 50000 --queue 8000

# 启用所有后端后压测真实链路
ENABLE_KAFKA_TICK=1 ENABLE_QUESTDB_TICK=1 ENABLE_CLICKHOUSE_TICK=1 \
python tools/publish_sample_tick.py --symbol AG.TEST --price 5200 --summary-only

# 将深交所 Level2 二进制数据导入 QuestDB，可先用 --dry-run 验证
python tools/import_level2_to_questdb.py \
  --date 20241107 \
  --tick-file 000001.SZ.tick \
  --order-file 000001.SZ.order \
  --trade-file 000001.SZ.trade \
  --dry-run

欢迎贡献代码、提出 Issue 或 PR:

• Fork 本项目
• 新建功能分支 git checkout -b feature/AmazingFeature
• 提交更改 git commit -m 'Add some AmazingFeature'
• 推送分支 git push origin feature/AmazingFeature
• 发起 Pull Request

感谢量化李不白的粉丝们对我们的支持
感谢所有开源社区的贡献者

本项目采用 GPLV3 许可证