Panda Quantflow节点介绍文档
  14771582611 2026年02月12日 200 1

Panda QuantFlow 节点介绍

本文档介绍 PandaAi 开源目录下的所有节点，包括节点的功能、输入和输出参数。

目录

01-基础工具

Python代码输入

  • 文件: code_node.py
  • 节点名称: Python代码输入
  • 分组: 01-基础工具

功能: 用于输入Python策略代码

输入:

参数名 类型 说明
code str 策略代码

输出:

参数名 类型 说明
code str 策略代码

位置: code_node.py:26

公式输入

  • 文件: formula_node.py
  • 节点名称: 公式输入
  • 分组: 02-特征工程

功能: 用于输入因子/特征公式

输入:

参数名 类型 说明
formulas str 公式

输出:

参数名 类型 说明
formulas str 公式

位置: formula_node.py:27

02-特征工程

特征工程构建

功能: 根据特征公式和标签公式构建特征工程，并计算特征值

输入:

参数名 类型 说明
formulas str 特征公式
label str 标签
start_date str 开始时间
end_date str 结束时间

输出:

参数名 类型 说明
factor DataFrame 特征值
feature_model FeatureModel 特征工程模型

位置: feature_engineering_build_node.py:31

03-机器学习

LightGBM模型

功能: 训练LightGBM回归模型

输入:

参数名 类型 说明
feature FeatureModel 特征工程
start_date str 训练开始时间
end_date str 训练结束时间
n_estimators int 决策树数量（越大越容易过拟合）
max_depth int 最大深度（越大越容易过拟合）
learning_rate float 学习率（越小越容易欠拟合）
num_leaves int 叶子节点数量（越大越容易过拟合）
subsample float 子样本比例（越大越容易过拟合）
colsample_bytree float 列采样比例（越大越容易过拟合）
reg_alpha float L1正则化（越大越容易欠拟合）
reg_lambda float L2正则化（越大越容易欠拟合）

输出:

参数名 类型 说明
model MLModel 训练好的模型（包含模型路径和类型）

位置: lightgbm_node.py:61

LSTM模型

功能: 训练LSTM时间序列模型

输入:

参数名 类型 说明
factor DataFrame 特征值（包含label列）
time_step int 时间步长
units int LSTM单元数
batch_size int 批大小
epochs int 训练轮数
dropout_rate float Dropout比例
learning_rate float 学习率

输出:

参数名 类型 说明
model MLModel 训练好的LSTM模型

位置: ml_lstm_node.py:87

GRU模型

  • 文件: ml_gru_node.py
  • 节点名称: GRU模型
  • 分组: 03-机器学习

功能: 训练GRU时间序列模型

输入:

参数名 类型 说明
factor DataFrame 特征值（包含label列）
time_step int 时间步长
units int GRU单元数
batch_size int 批大小
epochs int 训练轮数
dropout_rate float Dropout比例
learning_rate float 学习率

输出:

参数名 类型 说明
model MLModel 训练好的GRU模型

位置: ml_gru_node.py:87

多任务神经网络

  • 文件: mtl_nn_node.py
  • 节点名称: 多任务神经网络
  • 分组: 03-机器学习

功能: 训练多任务神经网络（多标签回归）

输入:

参数名 类型 说明
feature1-5 FeatureModel 特征工程（最多5个）
start_date str 训练开始时间
end_date str 训练结束时间
epochs int 训练轮数
hidden_dim int 隐藏层维度
lr float 学习率

输出:

参数名 类型 说明
model MLModel 训练好的多任务神经网络模型

位置: mtl_nn_node.py:96

随机森林模型

功能: 训练随机森林回归模型

输入:

参数名 类型 说明
feature FeatureModel 特征工程
start_date str 训练开始时间
end_date str 训练结束时间
n_estimators int 决策树数量（越大越容易过拟合）
max_depth int 最大深度（越大越容易过拟合）
min_samples_split int 最小分裂样本数（越大越容易欠拟合）
min_samples_leaf int 叶节点最小样本数（越大越容易欠拟合）
max_features str 最大特征数（auto/sqrt/log2）
bootstrap bool 是否使用自助采样
oob_score bool 是否计算袋外评分
random_state int 随机种子
n_jobs int 并行任务数（-1表示全部）

输出:

参数名 类型 说明
model MLModel 训练好的随机森林模型

位置: randomforest_node.py:48

SVM模型

  • 文件: svm_node.py
  • 节点名称: SVM模型
  • 分组: 03-机器学习

功能: 训练支持向量回归模型

输入:

参数名 类型 说明
feature FeatureModel 特征工程
start_date str 训练开始时间
end_date str 训练结束时间
kernel str 核函数类型（linear/poly/rbf/sigmoid）
degree int 多项式核函数次数
gamma str 核函数系数（scale/auto）
C float 正则化参数
epsilon float SVR模型中的Epsilon值
shrinking bool 是否使用收缩启发式
max_iter int 最大迭代次数

输出:

参数名 类型 说明
model MLModel 训练好的SVM模型

位置: svm_node.py:87

Xgboost模型

功能: 训练XGBoost回归模型

输入:

参数名 类型 说明
factor DataFrame 特征值（包含label列）
n_estimators int 决策树数量（越大越容易过拟合）
max_depth int 最大深度（越大越容易过拟合）
learning_rate float 学习率（越小越容易欠拟合）
min_child_weight int 最小子权重（越大越容易欠拟合）
gamma float Gamma（越大越容易欠拟合）
subsample float 子样本比例（越大越容易过拟合）
colsample_bytree float 列采样比例（越大越容易过拟合）
reg_alpha int L1正则化（越大越容易欠拟合）
reg_lambda int L2正则化（越大越容易欠拟合）

输出:

参数名 类型 说明
model MLModel 训练好的XGBoost模型

位置: ml_xgboost_node.py:48

04-因子相关

因子分析

功能: 对因子进行分组分析，计算因子收益

输入:

参数名 类型 说明
df_factor DataFrame 因子值
adjustment_cycle str 调仓周期（1/3/5/10/20/30）
group_number str 分组数量（2-20）
factor_direction str 因子方向（0:正向，1:负向）

输出:

参数名 类型 说明
task_id str 分析结果任务ID

位置: factor_analysis_node.py:58

因子分析结果

功能: 显示因子分析结果的图表

输入:

参数名 类型 说明
task_id str 分析结果任务ID

输出:

参数名 类型 说明
task_id str 图表绘制任务ID

位置: factor_analysis_chart_node.py:38

因子构建节点

功能: 根据因子公式构建因子

输入:

参数名 类型 说明
start_date str 因子开始时间
end_date str 因子结束时间
formulas str 因子公式

输出:

参数名 类型 说明
factor DataFrame 因子值

位置: factor_build_node.py:27

综合因子构建节点

功能: 根据Python代码或公式构建因子，支持股票/期货市场

输入:

参数名 类型 说明
start_date str 开始时间
end_date str 结束时间
code str 因子代码（Python类或公式）
market str 因子类型（股票/期货）
type str 编码方式（Python/公式）
direction str 因子方向（正向/负向）

输出:

参数名 类型 说明
factor DataFrame 因子值（包含date、symbol、factor_value列）

位置: factor_build_node_pro.py:34

因子相关性分析

功能: 对多个因子进行两两相关性分析

输入:

参数名 类型 说明
factor DataFrame 因子组（包含多个因子列）

输出:

参数名 类型 说明
task_id str 分析结果任务ID

位置: factor_correlation_calculation_node.py:43

因子相关性分析结果

功能: 显示因子相关性分析的图表

输入:

参数名 类型 说明
task_id str 分析结果任务ID

输出:

参数名 类型 说明
task_id str 图表绘制任务ID

位置: factor_correlation_chart_node.py:27

因子IC计算

功能: 计算因子的IC（信息系数）值

输入:

参数名 类型 说明
df_factor DataFrame 因子值
adjustment_cycle str 调仓周期
group_number str 分组数量
factor_direction str 因子方向

输出:

参数名 类型 说明
ic_value str 因子IC值列表（格式："[0.1,0.2,0.3]"）

位置: factor_ic_calculation_node.py:57

因子集合器

功能: 将多个因子DataFrame合并到一个DataFrame中

输入:

参数名 类型 说明
factor1-5 DataFrame 因子/因子组DataFrame（最多5个）

输出:

参数名 类型 说明
merged_factors DataFrame 合并后的因子组（包含date、symbol和所有factor列）

位置: factor_to_group_node.py:52

因子权重调整（归一化）

功能: 对因子进行Z-score标准化并应用权重调整

输入:

参数名 类型 说明
df_factor DataFrame 因子值（需包含date、symbol和因子列）
weight float 权重值（范围-10到10）

输出:

参数名 类型 说明
df_factor DataFrame 权重调整后的因子DataFrame

位置: factor_weight_adjust_node.py:62

因子权重组合

功能: 根据权重列表对多个因子进行加权组合

输入:

参数名 类型 说明
df_factor DataFrame 因子值
factor_weight str 因子权重列表（格式："[0.22,0.32,0.35]"）

输出:

参数名 类型 说明
df_factor DataFrame 加权组合后的因子DataFrame（只包含date、symbol和新生成的因子列）

位置: factor_weight_calculation_node.py:59

因子构建（机器学习）

功能: 使用机器学习模型构建预测因子

输入:

参数名 类型 说明
model MLModel 机器学习模型
feature FeatureModel 特征工程
start_date str 开始时间
end_date str 结束时间

输出:

参数名 类型 说明
factor DataFrame 因子值（包含date、symbol、value列）

位置: ml_factor_build_node.py:52

多因子合并（5-1）

功能: 将5个因子DataFrame根据date和symbol对齐合并，计算平均因子值

输入:

参数名 类型 说明
factor1-5 DataFrame 因子DataFrame（最多5个）

输出:

参数名 类型 说明
merged_factors DataFrame 合并后的因子（包含date、symbol、factor_value列）

位置: multi_factor_merge_node.py:71

05-回测相关

期货回测

功能: 对期货策略进行回测

输入:

参数名 类型 说明
code str 策略代码
factors DataFrame 因子值
start_future_capital int 初始资金
commission_rate int 佣金倍率
margin_rate int 保证金倍率
frequency str 回测频率（1d）
start_date str 开始日期
end_date str 结束日期

输出:

参数名 类型 说明
backtest_id str 回测任务ID

位置: backtest_future_node.py:69

股票回测

功能: 对股票策略进行回测

输入:

参数名 类型 说明
code str 策略代码
factors DataFrame 因子值
start_capital int 初始资金
standard_symbol str 基准指数（上证指数/沪深300/中证500/中证1000）
commission_rate int 佣金率
frequency str 回测频率（1d）
start_date str 开始日期
end_date str 结束日期

输出:

参数名 类型 说明
backtest_id str 回测ID

位置: backtest_stock_node.py:42

策略回测结果

功能: 显示回测结果图表

输入:

参数名 类型 说明
task_id str 回测任务ID

输出:

参数名 类型 说明
task_id str 图表绘制任务ID

位置: backtest_result_node.py:38

06-线下课专属

多因子构建（机器学习）

功能: 使用多个机器学习模型和特征工程构建加权因子

输入:

参数名 类型 说明
model1-5 MLModel 机器学习模型（最多5个）
features1-5 FeatureModel 特征工程（最多5个）
start_date str 开始时间
end_date str 结束时间

输出:

参数名 类型 说明
factor DataFrame 因子值（包含date、symbol、values列）

位置: ml_multi_factor_build_node.py:58

因子构建（机器学习-单模型多特征）

  • 文件: mtl_factor_build_node.py
  • 节点名称: 因子构建(机器学习-单模型多特征)
  • 分组: 06-线下课专属

功能: 使用单个机器学习模型处理多组特征工程构建因子

输入:

参数名 类型 说明
model MLModel 机器学习模型
feature1-5 FeatureModel 特征工程（最多5个）
start_date str 开始时间
end_date str 结束时间

输出:

参数名 类型 说明
factor DataFrame 因子值（包含date、symbol、value列）

位置: mtl_factor_build_node.py:55

PCA因子构建

功能: 基于主成分分析（PCA）和机器学习模型重要性构建复合因子

输入:

参数名 类型 说明
model MLModel 机器学习模型
feature FeatureModel 特征工程
test_start_date str 测试期间开始时间
test_end_date str 测试期间结束时间
predict_start_date str 预测期间开始时间
predict_end_date str 预测期间结束时间

输出:

参数名 类型 说明
factor DataFrame 复合因子得分（包含date、symbol、values列）
weights list 因子权重列表

位置: pca_factor_build_node.py:82

Spearman因子构建

功能: 使用XGBoost模型构建Spearman相关因子

输入:

参数名 类型 说明
model MLModel 机器学习模型（仅支持xgboost）
feature FeatureModel 特征工程
start_date str 开始时间
end_date str 结束时间

输出:

参数名 类型 说明
factor DataFrame 因子值（包含date、symbol、value列）

位置: spearman_factor_build_node.py:47

注释节点

以下节点已被注释，暂不可用：

节点名称 文件 说明
read_csv read_csv_node.py 读取CSV文件
save_csv save_csv_node.py 保存DataFrame为CSV文件
load_model load_model_node.py 加载保存的模型
save_model save_model_node.py 保存训练好的模型
多列表合并 merge_lists.py 合并多个列表
多元素合并列表 merge_to_list.py 将多个元素合并为列表

通用说明

MLModel

机器学习模型对象，包含以下字段：

  • model_path: 模型文件路径
  • model_type: 模型类型（xgboost/lightgbm/randomforest/svm/lstm/gru/mtl_nn）

FeatureModel

特征工程模型对象，包含以下字段：

  • features: 特征公式（换行分隔）
  • label: 标签公式

MLOutputModel

机器学习模型输出对象，包含以下字段：

  • model: MLModel对象（训练好的模型）

文档生成时间: 2026-02-12

最后一次编辑于 21天前 2
13508366080

13508366080

很好的整理内容，学习了666

2026-02-12 15:22:45      回复

推荐阅读
  18028306419   10天前   37   0   0 机器学习模型Python
  18621003097   17天前   61   0   0 机器学习中频交易历史数据组合优化
  13733765623   23小时前   20   0   0 机器学习组合优化
  18621003097   3天前   36   0   0 机器学习中频交易Python
123
  joe   8天前   40   0   0 机器学习
  14771582611   2026年02月12日   201   2   1 机器学习机器学习模型
  13585871703   16天前   71   0   0 机器学习量化策略机器学习模型
  xuechen   2天前   14   0   0 机器学习
  18028306419   16天前   53   0   0 历史数据机器学习模型Python
  LCL   2026年02月13日   132   0   0 机器学习经验分享中频交易新手入门
  13693301300   6天前   41   0   0 机器学习
  ashenone   2026年02月13日   180   0   1 机器学习历史数据
  13811315671   2天前   20   0   0 机器学习因子大赛中频交易第零期线下课
  无名的人   15天前   301   0   0 策略讨论机器学习组合优化机器学习模型Python
  18621003097   9天前   48   0   0 机器学习经验分享中频交易历史数据机器学习模型
  18764136999   16天前   64   0   0 机器学习
14771582611
14771582611
作者其他文章 更多
Panda Quantflow节点介绍文档

2026-02-12

AI助手–自然语言生成红利低波策略回测工作流

2026-02-10

AI助手 – 自然语言生成期货回测工作流实践分享

2026-02-10

常用标签
因子大赛第零期线下课C机器学习C++Python中频交易低频交易量化策略波动率策略动量策略统计套利事件驱动策略机器学习策略多因子模型高频交易策略套利均值回归趋势跟踪机器学习模型历史数据组合优化杠杆管理风险模型数据可视化数据API数据存储数据清洗实时数据API接口数据库clickhousemysqlredismongodb编程与工具活动与比赛第一期线下课第二期线下课第三期线下课第四期线下课第五期线下课python入门基础线上课线下课经验分享新手入门论坛公告学习资源书籍推荐代码分享策略讨论c#gonode.jsphp