Streamlit与Qlib：量化投资策略可视化实战

Streamlit与Qlib：量化投资策略可视化实战

1. 项目背景

在量化投资领域，数据可视化是理解和展示投资策略的关键。本文将详细介绍如何使用Streamlit和Qlib构建一个交互式的量化投资策略可视化应用。

2. 环境准备

2.1 安装依赖

# 安装必要的库
pip install qlib streamlit pandas numpy plotly

2.2 下载Qlib数据

# 下载A股市场数据
python scripts/get_data.py qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn

3. 完整可视化应用代码

import streamlit as st
import qlib
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go

# 初始化Qlib
qlib.init(provider_uri="~/.qlib/qlib_data/cn_data", region=qlib.Region.CN)

def load_market_data(start_date='2020-01-01', end_date='2023-12-31', top_n=50):
    """加载市场数据"""
    instruments = qlib.data.D.list_instruments(market='CN')
    
    market_data = []
    for instrument in instruments[:top_n]:
        try:
            price_data = qlib.data.D.features(
                instrument, 
                start_time=start_date, 
                end_time=end_date, 
                fields=['close', 'market_value', 'volume']
            )
            price_data['instrument'] = instrument
            market_data.append(price_data)
        except Exception as e:
            st.warning(f"Error processing {instrument}: {e}")
    
    return pd.concat(market_data)

def market_value_strategy(data, percentile=0.1):
    """市值策略分析"""
    grouped = data.groupby('instrument')['market_value'].mean().sort_values()
    top_percentile = grouped.head(int(len(grouped) * percentile))
    return top_percentile

def performance_analysis(data, stocks):
    """计算选中股票的性能指标"""
    selected_data = data[data['instrument'].isin(stocks.index)]
    
    performance = selected_data.groupby('instrument')['close'].agg([
        ('start_price', 'first'),
        ('end_price', 'last'),
        ('return_rate', lambda x: (x.iloc[-1] - x.iloc[0]) / x.iloc[0] * 100)
    ])
    
    return performance

def main():
    st.set_page_config(page_title='Qlib量化投资分析', layout='wide')
    
    st.title('🚀 Qlib量化投资策略可视化')
    
    # 侧边栏参数配置
    with st.sidebar:
        st.header('策略参数')
        start_date = st.date_input('开始日期', pd.to_datetime('2020-01-01'))
        end_date = st.date_input('结束日期', pd.to_datetime('2023-12-31'))
        top_n = st.slider('分析股票数量', 10, 200, 50)
        percentile = st.select_slider('市值百分比', options=[0.05, 0.1, 0.15, 0.2], value=0.1)
    
    # 加载数据
    with st.spinner('数据加载中...'):
        market_data = load_market_data(
            start_date.strftime('%Y-%m-%d'), 
            end_date.strftime('%Y-%m-%d'),
            top_n
        )
    
    # 市值策略分析
    top_stocks = market_value_strategy(market_data, percentile)
    
    # 性能分析
    performance = performance_analysis(market_data, top_stocks)
    
    # 创建选项卡
    tab1, tab2, tab3 = st.tabs(['市值分析', '价格趋势', '性能详情'])
    
    with tab1:
        st.subheader('最小市值股票分布')
        fig1 = px.bar(
            x=top_stocks.index, 
            y=top_stocks.values, 
            title='最小市值股票分布',
            labels={'x': '股票代码', 'y': '平均市值'}
        )
        st.plotly_chart(fig1, use_container_width=True)
    
    with tab2:
        st.subheader('选中股票价格走势')
        selected_data = market_data[market_data['instrument'].isin(top_stocks.index)]
        
        fig2 = px.line(
            selected_data, 
            x=selected_data.index, 
            y='close', 
            color='instrument',
            title='选中股票价格走势'
        )
        st.plotly_chart(fig2, use_container_width=True)
    
    with tab3:
        st.subheader('股票性能详情')
        st.dataframe(performance)
        
        # 收益率分布
        fig3 = px.histogram(
            performance, 
            x='return_rate', 
            title='选中股票收益率分布'
        )
        st.plotly_chart(fig3, use_container_width=True)

if __name__ == '__main__':
    main()

4. 运行应用

# 保存代码为 qlib_strategy_visualization.py
streamlit run qlib_strategy_visualization.py

5. 功能特点

5.1 交互式界面

• 可调整日期范围
• 动态选择分析股票数量
• 灵活配置市值策略参数

5.2 数据可视化

• 市值分布柱状图
• 股价走势折线图
• 收益率分布直方图

5.3 性能分析

• 计算选中股票的起始价格
• 分析股票收益率
• 展示详细性能数据

6. 进阶优化建议

1. 添加更多金融指标
2. 实现多策略切换
3. 增加风险指标计算
4. 优化性能和加载速度

7. 注意事项

• 需要稳定的网络连接
• 大数据量可能影响性能
• 建议使用GPU加速
• 实际投资需要更复杂的策略