第一版流程

example.py

@@ -0,0 +1,110 @@
+"""
+使用示例：时间序列因子挖掘流程
+"""
+from pipeline import FactorPipeline
+from factors import FactorMiner, create_default_factors
+
+# 方式1：使用默认流程（最简单）
+def example_simple():
+    """简单示例"""
+    pipeline = FactorPipeline(
+        ret_horizon=1,      # 未来1期收益率
+        ic_window=30,       # IC计算窗口
+        commission=0.001,   # 手续费0.1%
+        slippage=0.0005     # 滑点0.05%
+    )
+    
+    # 运行完整流程
+    results = pipeline.run_full_pipeline(
+        file_path="ETH_USDT-1h.feather",
+        min_ic=0.01,        # 最小IC阈值
+        min_tstat=1.5,      # 最小t统计量
+        weight_method='risk_parity',  # 权重方法：risk_parity, regression, equal
+        buy_threshold=0.8,  # 买入阈值（标准差倍数）
+        sell_threshold=-0.8 # 卖出阈值（标准差倍数）
+    )
+    
+    return results
+
+
+# 方式2：分步骤执行（更灵活）
+def example_step_by_step():
+    """分步骤示例"""
+    pipeline = FactorPipeline(ret_horizon=1, ic_window=30)
+    
+    # 步骤1：加载和预处理数据
+    pipeline.load_and_preprocess("ETH_USDT-1h.feather")
+    
+    # 步骤2：因子挖掘（可以使用自定义因子）
+    custom_miner = create_default_factors()
+    # 可以在这里添加自定义因子
+    # custom_miner.register_rule_factor('CUSTOM', your_custom_function)
+    pipeline.mine_factors(custom_miner)
+    
+    # 步骤3：因子检验
+    pipeline.validate_factors(min_ic=0.01, min_tstat=1.5)
+    
+    # 步骤4：因子组合
+    pipeline.combine_factors(weight_method='risk_parity')
+    
+    # 步骤5：生成信号
+    signals = pipeline.generate_signals(buy_threshold=0.8, sell_threshold=-0.8)
+    
+    # 步骤6：回测
+    backtest_results = pipeline.backtest(signals)
+    
+    return {
+        'factors': pipeline.factors,
+        'score': pipeline.score,
+        'signals': signals,
+        'backtest': backtest_results
+    }
+
+
+# 方式3：自定义因子
+def example_custom_factors():
+    """自定义因子示例"""
+    from factors import RuleFactor
+    import pandas as pd
+    import numpy as np
+    
+    # 定义自定义因子函数
+    def my_custom_factor(data: pd.DataFrame) -> pd.Series:
+        """自定义因子：价格与均线的距离"""
+        return (data['close'] - data['ema8']) / data['ema8']
+    
+    # 创建因子挖掘器
+    miner = create_default_factors()
+    
+    # 注册自定义因子
+    miner.register_rule_factor('CUSTOM_DISTANCE', my_custom_factor)
+    
+    # 使用自定义因子挖掘器
+    pipeline = FactorPipeline()
+    pipeline.load_and_preprocess("ETH_USDT-1h.feather")
+    pipeline.mine_factors(custom_miner=miner)
+    pipeline.validate_factors()
+    pipeline.combine_factors()
+    pipeline.backtest()
+    
+    return pipeline
+
+
+if __name__ == "__main__":
+    # 运行简单示例
+    print("运行简单示例...")
+    results = example_simple()
+    
+    # 保存结果
+    if results['factors'] is not None:
+        results['factors'].to_csv("factors_output.csv")
+        print("\n因子数据已保存到 factors_output.csv")
+    
+    if results['score'] is not None:
+        results['score'].to_csv("score_output.csv")
+        print("综合得分已保存到 score_output.csv")
+    
+    if results['backtest'] is not None and 'equity' in results['backtest']:
+        results['backtest']['equity'].to_csv("equity_curve.csv")
+        print("权益曲线已保存到 equity_curve.csv")
+