简介这是一套基于Python开发的全栈股票分析系统源码面向金融数据分析初学者、量化研究者及Python进阶开发者解决股票数据获取、建模分析与可视化呈现的一站式需求。资源共172个文件包含29个核心Python脚本如数据采集、模型训练、Web服务模块、19个HTML与19个CSS前端页面、34个JS交互逻辑文件以及Dockerfile、Supervisord配置、Nginx配置等部署支持文件整体压缩包仅2.18MB轻量易部署。已有47人学习下载体现其在小规模金融实践项目中的实用热度。读者可直接复用模块化设计的stock_web_dic.py等关键逻辑参考tornado异步Web服务架构实现行情实时推送结合aksharePandas完成多市场数据清洗利用Bokeh/Bootstrap构建可交互分析界面并通过已提供的supervisord.conf与定时脚本run_hourly、run_daily等快速搭建自动化回测与监控环境。1. 这不是又一个“Python股票爬虫画图”玩具它是一套能跑通从行情接入、因子计算、回测验证到Web可视化全链路的生产级分析系统你见过太多标题带“股票分析”的Python项目要么是用akshare拉几条日线然后matplotlib画个折线图要么是tushare调接口失败就报错退出再或者回测模块连滑点、手续费、仓位约束都默认设为0——这种代码扔进实盘等于给账户买保险。而“基于Python的全栈股票分析系统源码”这个标题指向的是另一类东西它把量化分析中真正卡脖子的环节——数据一致性校验、因子时序对齐、回测引擎状态隔离、前后端数据协议收敛——全部用可调试、可打断点、可单测的方式串了起来。它不追求炫酷UI但Vue前端能实时订阅WebSocket推送的策略信号它不堆砌AI模型但因子计算层预留了scikit-learn和PyTorch的统一接口它甚至把通达信公式语法解析器如REF(CLOSE,1)做成独立模块让老股民写的指标也能被Python回测引擎识别。适合两类人想摆脱Jupyter碎片化分析、构建可复用分析流水线的量化从业者以及需要交付完整可运行系统含部署脚本、Dockerfile、Nginx配置的金融科技外包工程师。如果你的诉求是“今天写完代码明天就能在Linux服务器上systemctl start stock-analyzer跑起来”那这个源码包就是你该盯住的靶心。2. 搭建最小可行系统从源码解压到Web界面可访问的6步闭环这套系统不是“下载即用”但它的搭建路径极度克制——没有隐藏的环境变量、没有必须手改的IP地址、没有依赖某家已倒闭的云服务。我通常用一台4核8G的Ubuntu 22.04虚拟机完成全流程耗时18分钟含编译。关键在于理解每个环节的职责边界后端只管计算与API前端只管渲染与交互数据库只存结构化结果缓存只扛实时行情推送压力。2.1 解压与目录结构认知看清哪些文件动不得哪些必须改# 假设源码压缩包名为 stock-analyzer-full-v3.2.1.tar.gz tar -xzf stock-analyzer-full-v3.2.1.tar.gz cd stock-analyzer ls -F你会看到这些核心目录backend/FastAPI服务含main.py启动入口、core/配置管理、data/数据接入层、factor/因子计算、backtest/回测引擎frontend/Vue 3 TypeScript项目src/api/里定义了所有后端接口路径src/store/modules/strategy.ts是策略状态管理中枢docker/含docker-compose.yml一键启停全服务、nginx.conf反向代理配置、postgres-init.sql初始化表结构config/settings.yaml是唯一需要人工编辑的配置文件其他YAML均被backend/core/config.py动态加载提示config/settings.yaml里的DATA_SOURCE: tushare不能直接改成akshare——因为data/tushare_loader.py和data/akshare_loader.py的返回DataFrame列名、时间索引类型完全不同。切换数据源必须同步替换loader类并在backend/data/__init__.py里修改导入路径。2.2 后端服务启动绕过常见“ImportError”陷阱的依赖安装法不要用pip install -r requirements.txt——原生requirements.txt包含pandas1.5.3这种硬版本锁而你的系统可能已装pandas2.0.3。正确做法是分层安装# 进入backend目录 cd backend # 先装底层科学计算库避免numpy版本冲突 pip install numpy1.23.5 scipy1.10.1 pyarrow11.0.0 # 再装核心框架FastAPI生态 pip install fastapi0.104.1 uvicorn0.23.2 python-jose[cryptography]3.3.0 # 最后装金融专用库注意ta-lib需提前装系统依赖 sudo apt-get install build-essential wget -y wget https://github.com/mrjbq7/ta-lib/releases/download/TA-Lib-0.4.28/ta-lib-0.4.28-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl pip install TA_Lib-0.4.28-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl # 验证安装运行最小API uvicorn main:app --host 0.0.0.0:8000 --reload此时访问http://localhost:8000/docs应出现Swagger UI。若报错ModuleNotFoundError: No module named ta说明TA-Lib编译失败——请删掉~/.local/lib/python3.10/site-packages/TA_Lib*重装时加--force-reinstall参数。2.3 数据库初始化PostgreSQL不是摆设它承载因子快照与回测报告系统用PostgreSQL而非SQLite因为因子计算结果需支持并发读写如多个策略同时查factor_ma20表且回测报告要按strategy_idbacktest_date建立复合索引。初始化步骤# 启动PostgreSQL容器docker-compose会自动拉取postgres:14 docker-compose up -d postgres # 等待30秒让数据库就绪然后执行初始化SQL docker exec -i stockanalyzer-postgres-1 psql -U stock_user -d stock_db docker/postgres-init.sql # 验证表创建成功 docker exec -it stockanalyzer-postgres-1 psql -U stock_user -d stock_db -c \dt你会看到factor_snapshots、backtest_reports、stock_basic_info三张核心表。其中factor_snapshots表结构设计有深意trade_date是DATE类型非TIMESTAMPfactor_name是VARCHAR(64)value是NUMERIC(18,6)——这保证了因子值精度不丢失且按交易日分区查询极快。别试图用MySQL替代backend/backtest/engine.py里大量使用ON CONFLICT DO UPDATE语法这是PostgreSQL特有功能。2.4 前端构建与反向代理打通Vue Router History模式下的Nginx配置要点frontend目录下运行npm run build生成dist/静态文件但直接用file://打开会触发跨域错误因前端API请求发往/api/v1/...而浏览器认为这是不同源。必须用Nginx反向代理# docker/nginx.conf 关键段落 location / { root /app/dist; try_files $uri $uri/ /index.html; # 支持Vue Router History模式 } location /api/ { proxy_pass http://backend:8000/; # 注意末尾斜杠否则路径拼接错误 proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; }注意proxy_pass末尾的/决定路径重写行为。若写成http://backend:8000无斜杠则/api/v1/factors会被转发为http://backend:8000/api/v1/factors而后端FastAPI路由是/v1/factors必然404。这是90%新手翻车点。2.5 首次数据灌入用内置CLI命令加载A股基础信息与日线行情系统提供backend/cli.py作为数据管道入口避免用户自己写SQL插入# 加载股票基本信息代码、名称、行业、上市日期 python cli.py load_stock_basic # 加载2020-2023年全市场日线行情自动跳过停牌日 python cli.py load_daily_data --start 20200101 --end 20231231 # 计算并入库MA20因子仅计算未入库的交易日 python cli.py compute_factor --name ma20 --date 20231229load_daily_data命令内部做了三件事1调用tushare.pro_api()获取数据2将trade_date字符串转为datetime.date并设为DataFrame索引3用to_sql(..., if_existsappend, indexTrue)写入PostgreSQL且自动处理ON CONFLICT避免主键重复。你不需要碰任何SQL但要知道它依赖tushare的token——必须在config/settings.yaml里填入你的token否则会报Token set error。3. 因子计算层深度拆解为什么你的自定义因子总在回测里“漂移”因子计算不是简单df[ma20] df[close].rolling(20).mean()。这套系统把因子抽象为FactorBase类强制要求实现compute(self, data: pd.DataFrame, **kwargs) - pd.Series方法。这意味着所有因子必须声明输入数据schema、输出数据类型、计算依赖的最小窗口长度。比如RSI因子# backend/factor/rsi.py class RSI(FactorBase): def __init__(self, period: int 14): super().__init__() self.period period self.input_schema [close] # 声明只依赖close列 self.output_dtype np.float64 self.min_window period 1 # RSI需至少period1天数据 def compute(self, data: pd.DataFrame, **kwargs) - pd.Series: delta data[close].diff() gain (delta.where(delta 0, 0)).rolling(windowself.period).mean() loss (-delta.where(delta 0, 0)).rolling(windowself.period).mean() rs gain / loss.replace(0, np.nan) # 避免除零 rsi 100 - (100 / (1 rs)) return rsi这个设计解决了三个真实痛点时序对齐问题当计算ma20和rsi14两个因子时系统自动将它们对齐到同一交易日索引pd.concat([ma20, rsi14], axis1, joininner)不会出现ma20有2023-12-29值而rsi14没有的情况空值穿透问题compute()返回的Series若含NaN系统会在入库前用ffill(limit3)填充最多向前填充3天避免因子序列断裂计算复用问题backend/factor/cache.py用functools.lru_cache缓存compute()结果键为(factor_name, symbol, date_range)相同参数调用直接返回内存结果比Redis快17倍。3.1 自定义因子注入流程从写Python类到前端下拉框可见的4个文件修改点假设你要添加一个“量能饱和度”因子定义当日成交量 / 过去20日平均成交量在backend/factor/volume_saturation.py写类from backend.factor.base import FactorBase import pandas as pd import numpy as np class VolumeSaturation(FactorBase): def __init__(self, window: int 20): super().__init__() self.window window self.input_schema [vol] self.output_dtype np.float64 self.min_window window def compute(self, data: pd.DataFrame, **kwargs) - pd.Series: vol_avg data[vol].rolling(windowself.window).mean() return data[vol] / vol_avg.replace(0, np.nan)在backend/factor/__init__.py注册from .volume_saturation import VolumeSaturation # 新增导入 FACTOR_REGISTRY { ma20: MA20, rsi14: RSI, volume_saturation: VolumeSaturation, # 新增注册 }在frontend/src/utils/factorList.ts添加前端元数据export const FACTOR_LIST [ { value: ma20, label: 20日均线 }, { value: rsi14, label: RSI(14) }, { value: volume_saturation, label: 量能饱和度 }, // 新增 ]在backend/config/settings.yaml的FACTOR_COMPUTE_LIST里加入FACTOR_COMPUTE_LIST: - ma20 - rsi14 - volume_saturation # 新增否则CLI命令不计算它提示FACTOR_COMPUTE_LIST不是白名单而是“默认计算列表”。若某因子不在其中python cli.py compute_factor --name xxx仍可手动触发但python cli.py compute_all_factors会跳过它。3.2 回测引擎状态隔离机制为什么你的策略A不会污染策略B的仓位回测不是“把因子数据喂进去吐出一个收益率曲线”那么简单。这套系统的BacktestEngine类采用策略实例隔离设计# backend/backtest/engine.py class BacktestEngine: def __init__(self, strategy_class: Type[BaseStrategy]): self.strategy strategy_class() # 每次新建实例 self.portfolio Portfolio() # 独立持仓管理 self.order_book OrderBook() # 独立订单簿 def run(self, start_date: str, end_date: str) - BacktestResult: for trade_date in self._get_trade_dates(start_date, end_date): # 1. 获取当日因子数据从PostgreSQL读非全局变量 factors self._fetch_factors(trade_date) # 2. 调用策略generate_signal()传入factors和portfolio快照 signal self.strategy.generate_signal(factors, self.portfolio.snapshot()) # 3. 执行订单影响self.portfolio和self.order_book不影响其他实例 self._execute_order(signal) return self._build_result()这意味着当你同时运行MACD策略和布林带策略回测时它们的Portfolio对象完全独立MACD策略的self.portfolio.cash变化绝不会影响布林带策略的现金余额。而市面上90%开源回测框架如zipline用全局portfolio变量导致多策略并发测试时结果不可复现。4. 避坑指南那些让开发者凌晨三点还在查日志的5个血泪问题4.1 现象前端图表显示“无数据”但后端API返回200且JSON有内容原因Vue前端src/api/factor.ts里getFactorData()方法默认请求/api/v1/factors/{symbol}/{factor_name}但后端FastAPI路由实际是/api/v1/factors/{symbol}/{factor_name}/{start_date}/{end_date}。前端没传日期范围后端用默认值20200101到20200101查不到数据。解决在src/views/FactorView.vue的mounted()钩子里显式调用getFactorData(symbol, factorName, 20230101, 20231231)或修改backend/main.py的路由参数默认值为None并做空值判断。4.2 现象python cli.py load_daily_data报错psycopg2.OperationalError: server closed the connection unexpectedly原因PostgreSQL容器启动后cli.py立即连接但数据库尚未完成初始化postgres-init.sql执行需10秒。psycopg2连接超时默认3秒失败后不重试。解决在backend/cli.py顶部添加重试逻辑from tenacity import retry, stop_after_attempt, wait_fixed retry(stopstop_after_attempt(5), waitwait_fixed(2)) def get_db_engine(): return create_engine(postgresql://stock_user:stock_passpostgres:5432/stock_db)4.3 现象因子计算结果在PostgreSQL里全是NULL但compute()函数打印日志显示有值原因backend/factor/base.py的save_to_db()方法里pd.DataFrame.to_sql()的dtype参数未指定NUMERIC精度PostgreSQL将float64映射为double precision而factor_snapshots.value字段是NUMERIC(18,6)类型不匹配导致静默转换失败。解决在save_to_db()中显式指定from sqlalchemy.types import Numeric df.to_sql(factor_snapshots, engine, if_existsappend, dtype{value: Numeric(18,6)}, indexFalse)4.4 现象WebSocket实时行情推送延迟高达30秒frontend/src/ws/index.ts里onmessage几乎不触发原因backend/main.py里websocket_endpoint()函数用了asyncio.sleep(30)模拟行情推送间隔但注释写着“PROD: remove this”你忘了删。解决定位到backend/main.py第187行删除await asyncio.sleep(30)改为真实行情源接入如用akshare.stock_zh_a_spot()每5秒拉一次。4.5 现象Docker部署后Nginx返回502 Bad Gatewaydocker logs stockanalyzer-nginx-1显示connect() failed (111: Connection refused) while connecting to upstream原因docker-compose.yml里backend服务的depends_on只写了postgres没写redis导致Nginx启动时backend服务尚未就绪因backend依赖redis缓存Nginx连接backend:8000失败。解决在docker-compose.yml的backend服务下添加depends_on: - postgres - redis # 新增这一行5. 回测结果可信度验证用三组对照实验揪出因子“伪alpha”回测结果漂亮不等于真能赚钱。这套系统内置了backend/backtest/validator.py提供三种验证手段我每天上线新策略前必跑5.1 时间序列交叉验证拒绝“未来函数”污染传统回测常犯的错是用df[ma20] df[close].rolling(20).mean()——这行代码在2023-12-29计算时会用到2023-12-29当天的close但现实中该日收盘价要等到15:00才确定。系统强制要求所有因子计算必须基于trade_date之前的全部数据。验证方法# backend/backtest/validator.py def validate_no_lookahead(factor_series: pd.Series, trade_dates: List[str]) - bool: 检查因子序列是否含未来信息 # 获取因子计算所用的原始数据日期范围 raw_dates get_raw_data_dates(factor_series.name) # 如ma20需2023-12-29前20天 latest_raw_date max(raw_dates) # 检查latest_raw_date是否早于因子值对应的trade_date for trade_date, value in factor_series.items(): if pd.to_datetime(latest_raw_date) pd.to_datetime(trade_date): return False # 存在未来函数 return True运行python cli.py validate_factor --name ma20若返回True说明该因子严格满足“当日收盘后才能计算”原则。5.2 分组收益稳定性检验看因子在不同市值分组里是否一致有效一个好因子不该只在大盘股有效。系统提供grouped_backtest.py脚本自动将股票按流通市值分为5组分别回测python cli.py grouped_backtest --factor ma20 --groups 5 --start 20200101 --end 20231231输出表格组别市值区间(亿)年化收益最大回撤夏普比率1小盘0-5012.3%38.2%0.41250-10015.7%29.5%0.583100-30014.2%25.1%0.624300-80011.8%22.3%0.535大盘8008.9%18.7%0.47若第1组和第5组夏普比率差值超过0.2说明因子存在市值偏差需在策略里加市值中性化处理。5.3 参数敏感性热力图避免“过拟合参数”幻觉ma20的20不是魔法数字。系统用backend/backtest/parameter_sensitivity.py生成热力图# 对ma因子遍历window5到50step5 results [] for window in range(5, 51, 5): engine BacktestEngine(MAStrategy(windowwindow)) result engine.run(20200101, 20231231) results.append((window, result.sharpe_ratio)) # 生成热力图CSV pd.DataFrame(results, columns[window, sharpe]).to_csv(ma_sensitivity.csv)你得到的热力图会显示window18~22时夏普比率稳定在0.55~0.58而window10时飙升到0.72但回撤达45%——这提示你那个0.72是噪音不是alpha。我坚持一个习惯任何新因子上线前必须通过这三关验证且文档里存档每次验证的CSV和截图。去年有个同事跳过验证直接上主力监测器3.0指标结果实盘两周亏损17%复盘发现是参数敏感性热力图里window3的尖峰——那只是2023年Q3的偶然波动。希望帮到你。本文还有配套的精品资源点击获取