1. 项目概述
PandaFactor 提供了一系列高性能的量化算子，用于金融数据分析、技术指标计算和因子构建，并且提供了一系列的可视化图表。
项目档案UI 组件库
PandaAI-Tech/panda_factor UI 组件库：适用场景与集成方式
PandaAI-Tech/panda_factor：PandaFactor是PandaAI开发的量化因子生产与管理平台，提供高性能算子、双模式因子编写及多数据源支持。本页整理它解决什么问题、适用场景、安装方式和使用方法。
AI 总结
PandaFactor是PandaAI开发的量化因子生产与管理平台，提供高性能算子、双模式因子编写及多数据源支持。
中文项目介绍
PandaFactor（PandaAI量化因子库）是一个面向量化交易者的因子开发与管理平台。它提供高性能的量化算子用于金融数据分析、技术指标计算和因子构建，并支持可视化图表。平台支持Python类继承和公式语法两种因子编写方式，降低无编程基础用户的使用门槛。集成Tushare、RiceQuant、迅投等多数据源，实现自动化数据清洗、因子计算、持久化更新，并通过Web界面和API提供服务，适用于个人交易者快速使用预置因子，也支持团队部署共享因子生产流水线。
详细信息与使用说明
2. 解决的核心问题
解决量化因子开发中数据清洗繁琐、计算性能要求高、因子管理困难及无编程基础用户使用门槛高等问题，提供从数据接入、因子编写、自动化更新到可视化的全流程平台。
3. 典型应用场景
• 个人交易者本地快速使用预置因子库 • 团队或机构部署共享因子生产与更新平台 • 自动化因子流水线构建与定时更新 • 量化因子大赛的Alpha发现与提交 • 通过LLM辅助生成或优化因子策略
4. 安装与部署
• 个人用户：下载数据库压缩包（网盘链接：https://pan.baidu.com/s/15jip2SATiORuqaBNMDm4fw?pwd=uupm，提取码: uupm），解压后执行 bin/db_start.bat 启动数据库服务。 • 团队用户：下载项目源码，准备 MongoDB 数据库，修改 panda_common/config.yaml 配置文件中的连接信息。 • 开发环境：进入各子模块目录（如 panda_common、panda_data、panda_data_hub、panda_factor、panda_llm、panda_factor_server）执行 pip install -e . 进行可编辑安装。 • 数据清洗模块依赖：进入 panda_data_hub 目录，执行 pip install requirements.txt -r 安装特定依赖（注意：迅投 Quant 不支持 macOS 系统）。 • 容器部署：使用项目根目录下的 Dockerfile 或 Dockerfile.server 构建 Docker 镜像并运行。
5. 基本使用方法
• 编写因子：支持 Python 类继承方式（继承 Factor 类并实现 calculate 方法，返回多级索引 Series）和公式语法方式（如 RANK(CLOSE/DELAY(CLOSE,20)-1)）。 • 获取因子数据：调用 panda_data.init() 初始化后，使用 panda_data.get_factor_by_name(factor_name, start_date, end_date) 获取指定因子数据。 • 数据清洗：访问 Web 界面（默认 http://localhost:8080）进行股票数据和因子数据的清洗操作，需先清洗股票数据再清洗因子数据。 • 自动更新：系统默认每晚 8 点自动执行数据清洗和因子计算（需保证程序持续运行），并支持因子结果的持久化与增量更新。 • API 集成：通过 panda_factor_server 模块提供的接口，将因子整合到自有系统或策略中。 • LLM 辅助：panda_llm 模块支持 OpenAI 协议，兼容 Deepseek，可辅助生成或优化因子策略。
思维导图
PandaAI-Tech/panda_factor
panda_common: 公共函数&工具类
panda_data: 数据模块，提取数据与因子
panda_data_hub: 自动更新
panda_factor: 因子计算与分析
panda_llm: 大模型接入，支持OpenAI协议，兼容Deepseek
panda_factor_server: 服务器接口
panda_web: 服务器前端页面
常见问题
PandaAI-Tech/panda_factor 是做什么的？
PandaFactor是PandaAI开发的量化因子生产与管理平台，提供高性能算子、双模式因子编写及多数据源支持。
PandaAI-Tech/panda_factor 适合用在什么场景？
解决量化因子开发中数据清洗繁琐、计算性能要求高、因子管理困难及无编程基础用户使用门槛高等问题，提供从数据接入、因子编写、自动化更新到可视化的全流程平台。
PandaAI-Tech/panda_factor 如何安装？
• 个人用户：下载数据库压缩包（网盘链接：https://pan.baidu.com/s/15jip2SATiORuqaBNMDm4fw?pwd=uupm，提取码: uupm），解压后执行 bin/db_start.bat 启动数据库服务。 • 团队用户：下载项目源码，准备 MongoDB 数据库，修改 panda_common/config.yaml 配置文件中的连接信息。 • 开发环境：进入各子模块目录（如 panda_common、panda_data、panda_data_hub、panda_factor、panda_llm、panda_factor_server）执行 pip install -e . 进行可编辑安装。 • 数据清洗模块依赖：进入 panda_data_hub 目录，执行 pip install requirements.txt -r 安装特定依赖（注意：迅投 Quant 不支持 macOS 系统）。 • 容器部署：使用项目根目录下的 Dockerfile 或 Dockerfile.server 构建 Docker 镜像并运行。
PandaAI-Tech/panda_factor 如何开始使用？
• 编写因子：支持 Python 类继承方式（继承 Factor 类并实现 calculate 方法，返回多级索引 Series）和公式语法方式（如 RANK(CLOSE/DELAY(CLOSE,20)-1)）。 • 获取因子数据：调用 panda_data.init() 初始化后，使用 panda_data.get_factor_by_name(factor_name, start_date, end_date) 获取指定因子数据。 • 数据清洗：访问 Web 界面（默认 http://localhost:8080）进行股票数据和因子数据的清洗操作，需先清洗股票数据再清洗因子数据。 • 自动更新：系统默认每晚 8 点自动执行数据清洗和因子计算（需保证程序持续运行），并支持因子结果的持久化与增量更新。 • API 集成：通过 panda_factor_server 模块提供的接口，将因子整合到自有系统或策略中。 • LLM 辅助：panda_llm 模块支持 OpenAI 协议，兼容 Deepseek，可辅助生成或优化因子策略。