📈 N-Rebound: AI-Powered A-Share Quantitative Trading System

N-Rebound A股量化交易捕捉与评估系统 (XGBoost 增强版)

📖 项目简介 (Introduction)

N-Rebound 是一个专为中国 A 股市场（T+1 交易制度）设计的交易捕捉与评估系统。

本项目旨在捕捉经典的 N 字反弹 (N-Rebound) 形态——即主力资金介入后（涨停板），在缩量回调阶段的低吸机会。

经过多次架构迭代，系统最终摒弃了华而不实的“极短线追涨”和复杂的“深度学习”模型，回归到更适合表格数据的 XGBoost 决策树模型，并配合严酷的 T+1 生存检查 (Survival Check) 数据清洗逻辑。目前在严格风控回测下，AI 过滤器的查准率 (Precision) 稳定在 >51%，旨在从充满噪音的市场中筛选出具有真实 Alpha 收益的标的。

---

📅 技术演进路线 (Technical Evolution)

本项目并非一蹴而就，而是经过了从“深度学习迷信”到“实战逻辑优先”的深刻迭代：

v1.0 阶段：Transformer 深度学习探索

• 尝试方案：构建了基于 Transformer 架构的时序模型，试图捕捉 30 日 K 线的复杂特征。
• 遇到瓶颈：
  1. 噪音过敏：Transformer 对 A 股日线级别的随机噪音过度拟合，虽然训练集表现完美，但实盘预测极其不稳定。
  2. 维度错配：对于只有 "开/高/低/收/量" 5 个特征的表格数据，深度学习模型缺乏可解释性，且推理资源消耗大。
  3. T+1 陷阱：旧版打标逻辑未剔除“日内触及止损后拉回”的假阳性样本，导致回测虚高。

v2.0 阶段：极短线追涨策略（已废弃）

• 尝试方案：模仿游资手法，尝试“早盘高开突击”策略。
• 验证结果：通过对过去两年 10 万条数据的暴力回测，发现该策略在 T+1 制度下胜率仅为 36%。大多数高开个股当天冲高回落，次日低开直接闷杀。此路不通。

v3.0 阶段：XGBoost + 严格 T+1 风控 (当前版本)

• 最终方案：回归 N 字波段策略，切换至 XGBoost 树模型，并重构数据清洗逻辑。
• 核心优势：
  1. 抗噪性强：树模型天然适合低维度的表格数据，能有效过滤无效波动。
  2. 可解释性：AI 明确给出了因子重要性排序（如“30日涨幅”权重最高），让策略逻辑透明化。
  3. 生存偏差修正：dataset_maker 引入了严酷的生存检查——如果次日开盘或盘中触及止损，直接判定为负样本。AI 学会了“先活下来，再谈赚钱”。

---

✨ 核心特性 (Key Features)

• 🤖 XGBoost 决策引擎：利用梯度提升树强大的特征组合能力，精准过滤 N 字回调中的假企稳信号。
• 🛡️ 严格的 T+1 风控：强制执行 T+1 锁仓逻辑，模拟盘严格遵守“止盈 8% / 止损 -5%”纪律。
• 💤 懒人全自动模式：
  • 智能唤醒：集成 launcher.py，自动判断选股文件是否过期，过期自动重跑，未过期直接交易。
  • 休市睡眠：盘中自动识别交易时间，午休和收盘后自动进入低功耗休眠，开盘前 5 分钟自动唤醒。
  • 断点续传：支持盘中意外断电/重启，系统会自动读取本地持仓文件恢复交易状态。
• 📊 自动审计：每日盘后一键生成盈亏审计报告 (paper_review.py)。

---

🏗️ 系统架构 (Architecture)

1. 选股雷达 (night_screener.py):
   • 时机：每日收盘后。
   • 任务：扫描全市场，筛选出符合“涨停后缩量回调”形态的候选股。
2. AI 参谋部 (ai_filter.py):
   • 内核：XGBoost Classifier。
   • 任务：加载训练好的 .model 文件，实时计算 7 大关键因子（如乖离率、量比），预测上涨概率。
3. 交易执行端 (paper_bot.py):
   • 时机：9:30 - 15:00。
   • 任务：实时监控 AI 选中的股票，触发买入阈值（0.5%~3.0%）自动模拟交易。
4. 数据工厂 (dataset_maker.py + train_xgboost.py):
   • 任务：负责从历史数据中清洗出“幸存者样本”，并重新训练 AI 模型。

---

🛠️ 快速开始 (Quick Start)

1. 环境准备

pip install pandas numpy xgboost scikit-learn akshare joblib
# 可选: 安装 torch 用于对比测试
pip install torch

2. 日常使用 (Daily Workflow)

# 1. 晚上运行选股
python night_screener.py

# 2. 盘中运行机器人 (会自动读取生成的 CSV)
python paper_bot.py

---

🧠 策略逻辑详解 (Strategy Logic)

N 字反弹 (The N-Rebound)

主力资金拉升涨停（第一笔画），随后缩量洗盘回调（第二笔画），我们博弈的是再次拉升（第三笔画）。

• 买点：回调不破启动位，且 AI 判定胜率 > 50%。
• 卖点：
  • 止盈：+8% (吃主升浪鱼身)
  • 止损：-5% (给主力洗盘空间，防止被噪音震出)

AI 核心因子 (Top Features by Importance)

XGBoost 模型分析显示，以下因子最为关键：

1. 30日涨幅：确保个股处于中期主升浪趋势中。
2. 量比：确认资金活跃度，避免买入死水股。
3. MA5 偏离度：寻找回调到位的“黄金坑”。

---

📂 文件结构说明

• paper_bot.py: [核心] 自动交易机器人主程序。
• ai_filter.py: AI 推理接口，原transformer架构。
• ai_filter_xgboost.py:[核心] 新AI 推理接口，负责加载 XGBoost 模型。
• night_screener.py: N字策略选股脚本。
• train_xgboost.py: 模型训练脚本（包含特征工程）。
• dataset_maker.py: 数据清洗与打标脚本（含 T+1 风控逻辑）。
• launcher.py: 智能调度启动器。
• web_monitor.py: 可视化监控前端。

---

⚠️ 免责声明 (Disclaimer)

本项目仅供计算机编程与量化策略研究使用。

• 项目中的“模拟交易”不涉及真实资金。
• A 股市场风险巨大，请勿将本系统直接用于实盘交易。
• 作者不承担任何因使用本软件导致的资金损失。

---

Created by konodiodaaaaa1 with Gemini Assistant.