Panda_quantflow源码分析之Panda Plugins模块参考手册

大道至简·2026-02-12·412 浏览

Panda Plugins 模块参考手册

本此文档详细描述了 src/panda_plugins 下的所有内置节点。文档由工具自动生成，确保与代码实现保持同步。

1. 目录结构概览

src/panda_plugins/
├── base/                   # 插件系统基础框架 (BaseWorkNode, 注册机制)
├── internal/               # 内置节点库 (官方提供)
│   ├── models/             # 节点间数据交互模型 (Pydantic Models)
│   ├── ...                 # 各类功能节点 (CSV, ML, Factor, Backtest)
├── utils/                  # 插件加载与辅助工具 (Loader, ErrorCode)
└── custom/                 # 用户自定义节点目录 (示例与扩展)

2. 基础框架 (Base Framework)

src/panda_plugins/base 定义了节点开发的基类和核心装饰器。

BaseWorkNode

所有节点的基类。

run(self, input): 核心执行逻辑。
input_model(cls): 定义输入数据结构。
output_model(cls): 定义输出数据结构。

核心装饰器

@work_node(name, group, type): 注册节点。
@ui(...): 定义 UI 控件元数据。

3. 内置节点库 (Internal Nodes)

以下章节按照节点分组 (Group) 排列。

01-基础工具

Python代码输入

文件: code_node.py
类名: CodeControl

输入参数 (Input):

参数名	类型	描述	默认值
`code`	`str`	策略代码	''

输出数据 (Output):

参数名	类型	描述
`code`	`str`	策略代码

02-特征工程

特征工程构建

文件: feature_engineering_build_node.py
类名: FeatureEngineeringBuildNode

输入参数 (Input):
无

输出数据 (Output):
无

特征工程构建（旧）

文件: feature_engineering_node.py
类名: FeatureEngineeringNode

输入参数 (Input):

参数名	类型	描述	默认值
`formulas`	`str`	特征公式	''
`label`	`str`	标签公式	''

输出数据 (Output):

参数名	类型	描述
`feature_model`	`FeatureModel`	特征工程

公式输入

文件: formula_node.py
类名: FormulaControl

输入参数 (Input):

参数名	类型	描述	默认值
`formulas`	`str`	公式	''

输出数据 (Output):

参数名	类型	描述
`formulas`	`str`	公式

03-机器学习

LightGBM模型

文件: lightgbm_node.py
类名: LightGBMControl

输入参数 (Input):

参数名	类型	描述	默认值
`feature`	`FeatureModel`	特征工程	''
`start_date`	`str`	训练开始时间	'20250101'
`end_date`	`str`	训练结束时间	'20250301'
`n_estimators`	`int`	决策树数量	100
`max_depth`	`int`	最大深度	3
`learning_rate`	`float`	学习率	0.1
`num_leaves`	`int`	叶子节点数量	31
`subsample`	`float`	子样本比例	0.8
`colsample_bytree`	`float`	列采样比例	0.8
`reg_alpha`	`float`	L1正则化	0
`reg_lambda`	`float`	L2正则化	1

输出数据 (Output):
无

GRU模型

文件: ml_gru_node.py
类名: GRUControl

输入参数 (Input):

参数名	类型	描述	默认值
`factor`	`pd.DataFrame`	特征值
`time_step`	`int`	时间步长	10
`units`	`int`	LSTM单元数	50
`batch_size`	`int`	批大小	32
`epochs`	`int`	训练轮数	10
`dropout_rate`	`float`	Dropout比例	0.2
`learning_rate`	`float`	学习率	0.001

输出数据 (Output):
无

LSTM模型

文件: ml_lstm_node.py
类名: LSTMControl

输入参数 (Input):

参数名	类型	描述	默认值
`factor`	`pd.DataFrame`	特征值
`time_step`	`int`	时间步长	10
`units`	`int`	LSTM单元数	50
`batch_size`	`int`	批大小	32
`epochs`	`int`	训练轮数	10
`dropout_rate`	`float`	Dropout比例	0.2
`learning_rate`	`float`	学习率	0.001

输出数据 (Output):
无

Xgboost模型

文件: ml_xgboost_node.py
类名: MLXgboostControl

输入参数 (Input):

参数名	类型	描述	默认值
`factor`	`pd.DataFrame`	特征值
`n_estimators`	`int`	决策树数量	100
`max_depth`	`int`	最大深度	3
`learning_rate`	`float`	学习率	0.1
`min_child_weight`	`int`	最小子权重	1
`gamma`	`float`	Gamma	0
`subsample`	`float`	子样本比例	1
`colsample_bytree`	`float`	列采样比例	1
`reg_alpha`	`int`	L1正则化	0
`reg_lambda`	`int`	L2正则化	1

输出数据 (Output):
无

多任务神经网络

文件: mtl_nn_node.py
类名: MTLNNControl

输入参数 (Input):

参数名	类型	描述	默认值
`feature1`	`FeatureModel	None`	特征工程1
`feature2`	`FeatureModel	None`	特征工程2
`feature3`	`FeatureModel	None`	特征工程3
`feature4`	`FeatureModel	None`	特征工程4
`feature5`	`FeatureModel	None`	特征工程5
`start_date`	`str`	训练开始时间	'20250101'
`end_date`	`str`	训练结束时间	'20250301'
`epochs`	`int`	训练轮数	100
`hidden_dim`	`int`	隐藏层维度	64
`lr`	`float`	学习率	0.001

输出数据 (Output):
无

随机森林模型

文件: randomforest_node.py
类名: RandomForestControl

输入参数 (Input):

参数名	类型	描述	默认值
`feature`	`FeatureModel`	特征工程	''
`start_date`	`str`	训练开始时间	'20250101'
`end_date`	`str`	训练结束时间	'20250301'
`n_estimators`	`int`	决策树数量	100
`max_depth`	`int`	最大深度	None
`min_samples_split`	`int`	最小分裂样本数	2
`min_samples_leaf`	`int`	叶节点最小样本数	1
`max_features`	`str`	最大特征数	'sqrt'
`bootstrap`	`bool`	自助采样	True
`oob_score`	`bool`	OOB评分	False
`random_state`	`int`	随机种子	42
`n_jobs`	`int`	并行任务数	-1

输出数据 (Output):
无

SVM模型

文件: svm_node.py
类名: SVMControl

输入参数 (Input):

参数名	类型	描述	默认值
`feature`	`FeatureModel`	特征工程	''
`start_date`	`str`	训练开始时间	'20250101'
`end_date`	`str`	训练结束时间	'20250301'
`kernel`	`str`	核函数类型	'rbf'
`degree`	`int`	多项式核函数次数	3
`gamma`	`str`	核函数系数	'scale'
`coef0`	`float`	核函数独立项	0.0
`C`	`float`	正则化参数	1.0
`epsilon`	`float`	SVR模型中的Epsilon值	0.1
`shrinking`	`bool`	是否使用收缩启发式	True
`cache_size`	`int`	核缓存大小(MB)	200
`max_iter`	`int`	最大迭代次数	1000
`tol`	`float`	停止准则容差	0.001

输出数据 (Output):
无

Xgboost模型(旧)

文件: xgboost_node.py
类名: XgboostControl

输入参数 (Input):

参数名	类型	描述	默认值
`feature`	`FeatureModel`	特征工程	''
`start_date`	`str`	训练开始时间	'20250101'
`end_date`	`str`	训练结束时间	'20250301'
`n_estimators`	`int`	决策树数量	100
`max_depth`	`int`	最大深度	3
`learning_rate`	`float`	学习率	0.1
`min_child_weight`	`int`	最小子权重	1
`gamma`	`float`	Gamma	0
`subsample`	`float`	子样本比例	1
`colsample_bytree`	`float`	列采样比例	1
`reg_alpha`	`float`	L1正则化	0
`reg_lambda`	`float`	L2正则化	1

输出数据 (Output):
无

04-因子相关

因子分析结果

文件: factor_analysis_chart_node.py
类名: FactorAnalysisChartControl

输入参数 (Input):

参数名	类型	描述	默认值
`task_id`	`str`	分析结果	'error'

输出数据 (Output):

参数名	类型	描述
`task_id`	`str`	图表绘制

因子分析

文件: factor_analysis_node.py
类名: FactorAnalysisControl

输入参数 (Input):

参数名	类型	描述	默认值
`df_factor`	`object`	因子值
`adjustment_cycle`	`str`	调仓周期	'1'
`group_number`	`str`	分组数量	'5'
`factor_direction`	`str`	因子方向(0:正向，1:负向)	'0'

输出数据 (Output):

参数名	类型	描述
`task_id`	`str`	分析结果

因子构建节点

文件: factor_build_node.py
类名: FactorBuildControl

输入参数 (Input):

参数名	类型	描述	默认值
`start_date`	`str`	因子开始时间	'20250101'
`end_date`	`str`	因子结束时间	'20250301'
`formulas`	`str`	因子公式	''

输出数据 (Output):

参数名	类型	描述
`factor`	`DataFrame`

综合因子构建节点

文件: factor_build_node_pro.py
类名: FactorBuildProControl

输入参数 (Input):

参数名	类型	描述	默认值
`start_date`	`str`	开始时间	'20250101'
`end_date`	`str`	结束时间	'20250301'
`code`	`str`	因子代码	''
`market`	`str`	因子类型	'股票'
`type`	`str`	编码方式	'Python'
`direction`	`str`	因子方向	'正向'

输出数据 (Output):

参数名	类型	描述
`factor`	`DataFrame`	因子值

因子相关性分析

文件: factor_correlation_calculation_node.py
类名: FactorCorrelationCalculationControl

输入参数 (Input):

参数名	类型	描述	默认值
`factor`	`object	None`	因子组

输出数据 (Output):

参数名	类型	描述
`task_id`	`str`	分析结果

因子相关性分析结果

文件: factor_correlation_chart_node.py
类名: FactorCorrelationChartControl

输入参数 (Input):

参数名	类型	描述	默认值
`task_id`	`str`	分析结果	'error'

输出数据 (Output):

参数名	类型	描述
`task_id`	`str`	图表绘制

因子集合器

文件: factor_to_group_node.py
类名: FactorToGroupControl

输入参数 (Input):

参数名	类型	描述	默认值
`factor1`	`object	None`	因子/因子组1
`factor2`	`object	None`	因子/因子组2
`factor3`	`object	None`	因子/因子组3
`factor4`	`object	None`	因子/因子组4
`factor5`	`object	None`	因子/因子组5

输出数据 (Output):

参数名	类型	描述
`merged_factors`	`object`	因子组

因子权重调整（归一化）

文件: factor_weight_adjust_node.py
类名: FactorWeightAdjustControl

输入参数 (Input):

参数名	类型	描述	默认值
`df_factor`	`object`	因子值
`weight`	`float`	权重	1.0

输出数据 (Output):

参数名	类型	描述
`df_factor`	`object`	因子值

因子构建(机器学习)

文件: ml_factor_build_node.py
类名: MLFactorBuildControl

输入参数 (Input):

参数名	类型	描述	默认值
`model`	`MLModel`	机器学习模型
`feature`	`FeatureModel`	特征工程
`start_date`	`str`	开始时间	'20250101'
`end_date`	`str`	结束时间	'20250301'

输出数据 (Output):

参数名	类型	描述
`factor`	`Any`	因子值

多因子合并(5-1)

文件: multi_factor_merge_node.py
类名: MultiFactorMergeControl

输入参数 (Input):

参数名	类型	描述	默认值
`factor1`	`object	None`	因子1
`factor2`	`object	None`	因子2
`factor3`	`object	None`	因子3
`factor4`	`object	None`	因子4
`factor5`	`object	None`	因子5

输出数据 (Output):

参数名	类型	描述
`merged_factors`	`object`	因子值

05-回测相关

期货回测

文件: backtest_future_node.py
类名: FutureBacktestControl

输入参数 (Input):

参数名	类型	描述	默认值
`code`	`str`	策略代码	''
`factors`	`pd.DataFrame`	因子值
`start_future_capital`	`int`	初始资金	10000000
`commission_rate`	`int`	佣金倍率	1
`margin_rate`	`int`	保证金倍率	1
`frequency`	`str`	回测频率	'1d'
`start_date`	`str`	开始日期	'20241022'
`end_date`	`str`	结束日期	'20241231'

输出数据 (Output):

参数名	类型	描述
`backtest_id`	`str`	回测任务

策略回测结果

文件: backtest_result_node.py
类名: BackTestResultControl

输入参数 (Input):

参数名	类型	描述	默认值
`task_id`	`str`	回测任务	'error'

输出数据 (Output):

参数名	类型	描述
`task_id`	`str`	图表绘制

股票回测

文件: backtest_stock_node.py
类名: StockBacktestControl

输入参数 (Input):

参数名	类型	描述	默认值
`code`	`str`	策略代码	''
`factors`	`pd.DataFrame`	因子值
`start_capital`	`int`	初始资金	10000000
`standard_symbol`	`str`	基准指数	'上证指数'
`commission_rate`	`int`	佣金率	1
`frequency`	`str`	回测频率	'1d'
`start_date`	`str`	回测开始时间	'20241001'
`end_date`	`str`	回测结束时间	'20241231'

输出数据 (Output):

参数名	类型	描述
`backtest_id`	`str`	回测id

06-线下课专属

因子IC计算

文件: factor_ic_calculation_node.py
类名: FactorICCalculationControl

输入参数 (Input):

参数名	类型	描述	默认值
`df_factor`	`object`	因子值
`adjustment_cycle`	`str`	调仓周期	'1'
`group_number`	`str`	分组数量	'5'
`factor_direction`	`str`	因子方向(0:正向，1:负向)	'0'

输出数据 (Output):

参数名	类型	描述
`ic_value`	`str`	因子权重列表

因子权重组合

文件: factor_weight_calculation_node.py
类名: FactorWeightCalculationControl

输入参数 (Input):

参数名	类型	描述	默认值
`df_factor`	`object`	因子值
`factor_weight`	`str`	因子权重列表	'error'

输出数据 (Output):

参数名	类型	描述
`df_factor`	`object`	因子值

多因子构建(机器学习)

文件: ml_multi_factor_build_node.py
类名: MLMultiFactorBuildControl

输入参数 (Input):

参数名	类型	描述	默认值
`model1`	`MLModel`	机器学习模型1
`features1`	`FeatureModel`	特征工程1
`model2`	`MLModel	None`	机器学习模型2
`features2`	`FeatureModel	None`	特征工程2
`model3`	`MLModel	None`	机器学习模型3
`features3`	`FeatureModel	None`	特征工程3
`model4`	`MLModel	None`	机器学习模型4
`features4`	`FeatureModel	None`	特征工程4
`model5`	`MLModel	None`	机器学习模型5
`features5`	`FeatureModel	None`	特征工程5
`start_date`	`str`	因子回测开始时间	'20250101'
`end_date`	`str`	因子回测结束时间	'20250301'

输出数据 (Output):

参数名	类型	描述
`factor`	`Any`

因子构建(机器学习-单模型多特征)

文件: mtl_factor_build_node.py
类名: MTLFactorBuildControl

输入参数 (Input):

参数名	类型	描述	默认值
`model`	`MLModel`	机器学习模型
`feature1`	`FeatureModel	None`	特征工程1
`feature2`	`FeatureModel	None`	特征工程2
`feature3`	`FeatureModel	None`	特征工程3
`feature4`	`FeatureModel	None`	特征工程4
`feature5`	`FeatureModel	None`	特征工程5
`start_date`	`str`	因子回测开始时间	'20250101'
`end_date`	`str`	因子回测结束时间	'20250301'

输出数据 (Output):

参数名	类型	描述
`factor`	`Any`

PCA因子构建

文件: pca_factor_build_node.py
类名: PCAFactorBuildControl

输入参数 (Input):

参数名	类型	描述	默认值
`model`	`MLModel`	机器学习模型
`feature`	`FeatureModel`	特征工程
`test_start_date`	`str`	因子回测开始时间	'20250101'
`test_end_date`	`str`	因子回测结束时间	'20250301'
`predict_start_date`	`str`	因子预测开始时间	'20250301'
`predict_end_date`	`str`	因子预测结束时间	'20250501'

输出数据 (Output):

参数名	类型	描述
`factor`	`Any`	复合因子得分
`weights`	`list`	因子权重

Spearman因子构建

文件: spearman_factor_build_node.py
类名: SpearmanFactorBuildControl

输入参数 (Input):

参数名	类型	描述	默认值
`model`	`MLModel`	机器学习模型
`feature`	`FeatureModel`	特征工程
`start_date`	`str`	因子回测开始时间	'20250101'
`end_date`	`str`	因子回测结束时间	'20250301'

输出数据 (Output):

参数名	类型	描述
`factor`	`Any`

4. 案例演示 (Example Scenarios)

本节展示代码如何在节点间流转并最终被执行。

核心概念：代码即数据

在 Panda Quantflow 中，CodeControl (Python代码输入) 节点本身不执行代码。它的作用是提供一个编辑器让用户输入代码，并将这段代码封装为字符串数据传递给下游节点。真正的执行发生在下游节点（如回测节点、特征构建节点）中。

示例：如何运行自定义回测策略

假设你希望运行一段 Python 策略代码。你需要将 CodeControl 节点与 StockBacktestControl 节点连接。

1. 工作流配置

节点 A: CodeControl (Python代码输入)
- 在 UI 编辑器中输入策略逻辑（例如 initialize 和 handle_data 函数）。
节点 B: StockBacktestControl (股票回测)
- 将 节点 A 的输出连接到 节点 B 的 code 输入端口。

2. 代码流转模拟脚本

以下脚本模拟了上述两个节点在后台的交互过程：

import pandas as pd
from panda_plugins.internal.code_node import CodeControl, CodeInputModel
from panda_plugins.internal.backtest_stock_node import StockBacktestControl, StockBacktestInputModel

# 1. 用户在 CodeControl 节点中输入的策略代码
user_strategy_code = """
def initialize(context):
    g.security = '600519.SH'
    print("策略初始化完成")

def handle_data(context, data):
    # 简单的买入逻辑
    if context.portfolio.positions[g.security].amount == 0:
        order(g.security, 100)
        print(f"买入 {g.security}")
"""

# 2. 运行 CodeControl 节点
# 该节点仅负责封装和传递代码字符串
code_node = CodeControl()
code_input = CodeInputModel(code=user_strategy_code)
code_output = code_node.run(code_input)
print(f"CodeControl 输出类型: {type(code_output)}")
print(f"传递的代码长度: {len(code_output.code)}")

# 3. 运行 StockBacktestControl 节点
# 该节点接收代码字符串，并调用回测引擎执行
backtest_node = StockBacktestControl()

# 注意：这里将上一个节点的输出 (code_output.code) 作为输入
backtest_input = StockBacktestInputModel(
    code=code_output.code,          # <--- 核心：代码在此处传入
    factors=pd.DataFrame(),         # 实际使用时需传入因子数据
    start_capital=1000000,
    start_date="20240101",
    end_date="20240201"
)

# 触发回测 (模拟执行)
# backtest_node.run(backtest_input) 
# print("回测节点已接收代码并开始执行...")

3. 执行原理

CodeControl.run(): return CodeOutputModel(code=input.code)。单纯的数据透传。
StockBacktestControl.run(): 接收 input.code，内部调用 panda_backtest.start(code=input.code, ...)。此时代码才被解释器执行。

5. 用户自建节点 (Custom Nodes)

Panda Plugins 提供了强大的扩展能力，允许用户在 src/panda_plugins/custom 目录下创建自定义节点。系统会自动扫描并加载该目录下的所有节点，使其即刻在工作流编辑器中可用。

5.1 目录规范与加载机制

系统默认加载 src/panda_plugins/custom 目录下的所有 Python 文件。
推荐的目录结构如下：

src/panda_plugins/custom/
├── __init__.py
├── my_feature_nodes.py          # 您的特征处理节点
├── my_analysis_nodes.py         # 您的分析工具节点
└── examples/                    # (可选) 参考案例
    ├── example_basic.py
    └── example_advanced_input_control.py

5.2 开发流程

创建一个自定义节点仅需简单的 4 步：

定义输入模型 (InputModel): 使用 pydantic.BaseModel 定义节点接收的参数。
定义输出模型 (OutputModel): 定义节点返回的数据结构。
配置 UI (Optional): 使用 @ui 装饰器自定义输入参数在前端的控件类型（如文件选择器、下拉框等）。
实现核心逻辑: 继承 BaseWorkNode 并重写 run 方法。

5.3 进阶案例：模型上传节点 (Model Upload)

本案例展示如何开发一个带有文件上传功能的节点。该节点允许用户在前端界面选择本地的模型文件（如 .pkl, .pth），并在工作流中加载使用。

功能亮点:

使用 file_picker UI 控件。
模拟模型加载过程。
错误处理与状态返回。

from typing import Optional, Type
import os
# 导入基础组件
from panda_plugins.base import BaseWorkNode, work_node, ui
from pydantic import BaseModel, Field

# ---------------------------------------------------------------------
# 1. 定义输入模型
# ---------------------------------------------------------------------
# 使用 @ui 装饰器指定 model_path 字段在前端显示为文件选择器
@ui(
    model_path={"input_type": "file_picker", "placeholder": "请选择模型文件"}
)
class ModelUploadInput(BaseModel):
    # default="" 确保默认状态为空
    model_path: str = Field(default="", title="模型文件路径")
    load_mode: str = Field(default="safe", title="加载模式")  # 普通文本输入

# ---------------------------------------------------------------------
# 2. 定义输出模型
# ---------------------------------------------------------------------
class ModelUploadOutput(BaseModel):
    loaded_model_path: str = Field(title="已加载模型路径")
    status: str = Field(title="加载状态")
    message: str = Field(title="详细信息")

# ---------------------------------------------------------------------
# 3. 注册节点与实现逻辑
# ---------------------------------------------------------------------
@work_node(name="自定义模型加载器", group="用户自建", box_color="green")
class ModelUploadNode(BaseWorkNode):
    """
    用户自定义节点案例：
    用于演示如何通过 file_picker 上传并加载外部模型文件。
    """
    
    @classmethod
    def input_model(cls) -> Optional[Type[BaseModel]]:
        return ModelUploadInput

    @classmethod
    def output_model(cls) -> Optional[Type[BaseModel]]:
        return ModelUploadOutput

    def run(self, input: BaseModel) -> BaseModel:
        # 获取输入路径
        path = input.model_path
        mode = input.load_mode
        
        print(f"尝试加载模型: {path} (模式: {mode})")
        
        # 模拟：检查文件是否存在
        if not path or not os.path.exists(path):
            self.log_error(f"文件不存在或路径为空: {path}")
            return ModelUploadOutput(
                loaded_model_path="", 
                status="Failed", 
                message="File not found"
            )
            
        # 模拟：加载逻辑 (实际场景中可使用 joblib.load 或 torch.load)
        # model = joblib.load(path)
        
        self.log_info(f"模型加载成功: {path}")
        
        return ModelUploadOutput(
            loaded_model_path=path, 
            status="Success", 
            message=f"Model loaded in {{mode}} mode"
        )

# ---------------------------------------------------------------------
# 4. 本地测试代码 (If Name is Main)
# ---------------------------------------------------------------------
if __name__ == "__main__":
    # 实例化节点
    node = ModelUploadNode()
    
    # 模拟输入数据 (假设当前目录下有个 dummy.pkl)
    input_data = ModelUploadInput(model_path="./dummy.pkl", load_mode="fast")
    
    # 运行节点
    result = node.run(input_data)
    print("运行结果:", result)

5.4 UI 控件类型参考

在 @ui 装饰器中，input_type 支持以下控件类型，满足丰富的交互需求：

控件类型 (`input_type`)	描述	适用场景
`text_field`	单行/多行文本框	普通字符串、备注、名称
`number_field`	数字输入框	阈值、金额、数量 (int/float)
`code_editor`	代码编辑器	输入 Python/SQL 代码，带语法高亮
`file_picker`	文件选择器	上传本地文件、选择数据文件
`combobox`	下拉选择框	从预设选项中选择 (需配合 `options` 参数)
`switch`	开关	布尔值 (True/False)
`slider`	滑动条	范围数值选择 (需配置 min/max)
`date_picker`	日期选择器	选择年-月-日
`time_picker`	时间选择器	选择时:分:秒
`password_field`	密码框	敏感信息输入 (掩码显示)

代码分享学习资源编程与工具

Panda_quantflow源码分析之Panda Plugins模块参考手册

Panda Plugins 模块参考手册

1. 目录结构概览

2. 基础框架 (Base Framework)

BaseWorkNode

核心装饰器

3. 内置节点库 (Internal Nodes)

01-基础工具

Python代码输入

02-特征工程

特征工程构建

特征工程构建（旧）

公式输入

03-机器学习

LightGBM模型

GRU模型

LSTM模型

Xgboost模型

多任务神经网络

随机森林模型

SVM模型

Xgboost模型(旧)

04-因子相关

因子分析结果

因子分析

因子构建节点

综合因子构建节点

因子相关性分析

因子相关性分析结果

因子集合器

因子权重调整（归一化）

因子构建(机器学习)

多因子合并(5-1)

05-回测相关

期货回测

策略回测结果

股票回测

06-线下课专属

因子IC计算

因子权重组合

多因子构建(机器学习)

因子构建(机器学习-单模型多特征)

PCA因子构建

Spearman因子构建

4. 案例演示 (Example Scenarios)

核心概念：代码即数据

示例：如何运行自定义回测策略

1. 工作流配置

2. 代码流转模拟脚本

3. 执行原理

5. 用户自建节点 (Custom Nodes)

5.1 目录规范与加载机制

5.2 开发流程

5.3 进阶案例：模型上传节点 (Model Upload)

5.4 UI 控件类型参考

评论