• 数据模块：单独设计数据存储的格式与调用的方式； til now数据vs 点时数据 ； 自定义因子 ； 中美两国不同的市场设置

• 模型部分：分为监督和强化；评估和保存

• 回测验证部分：分为日内和资产投资管理；基本策略介绍；将回测抽象

系统结构

• Infrastructure ：数据、训练、模块管理

• Learning Framework ：强化学习、监督学习

• Workflow & Interface：自动化策略执行和结果分析

• custom model integration：自定义模块

使用

准备

数据

1. 保存格式：
1. 存储（lib格式）
2. 将csv转化为lib格式
3. till now数据 vs 点时数据，同一份数据被多次修改

2. 特征
1. 基本特征
2. 检索和筛选数据Data Retrieval&filter
3. 生成其他factor
4. 内部自定义了几百个factors
1. Alpha360
2. Alpha158

3. 转化为dataloader

4. 市场设置：中美市场的不同

机器学习

1. 模型&任务
1. 类型
1. 深度学习
2. 强化学习
2. 超参

2. 训练

3. predict
1. evaluate

4. 保存

回测和验证

1. 交易
1. portfolio strategy
1. 基于predict score实施策略
2. strategy
1. base
2. weight
2. 日内高频交易

2. 验证
1. 回测
1. 数值
2. 可视化
2. 实时验证：实施管理、训练、更新

api函数

其他可用包

• backtrader：https://github.com/mementum/backtrader