基于LSTM深度学习的A股量化投研回测平台 (QuantLab)产品系统

随着金融科技的快速发展，传统量化交易往往面临编程门槛高、策略验证繁琐、非线性规律挖掘难的问题。本项目旨在为个人开发者及中小机构提供一个低代码、可视化的AI量化投研环境。它解决了从数据清洗、因子挖掘、模型训练到历史回测的全流程自动化问题，利用深度学习（LSTM）技术挖掘A股市场的时序特征，帮助用户进行科学的投资决策，替代人工凭感觉交易，提高策略研发效率。

本项目是一个功能完善的全栈量化系统，主要包含以下核心功能模块：
动态因子工厂：内置通用技术指标库，同时自主研发了公式解析引擎，支持用户通过编写数学表达式（如 MA(close,5) - MA(close,10)）动态创建和计算自定义因子。
AI模型训练工作台：集成 PyTorch 深度学习框架，支持可视化的配置 LSTM 模型参数（如隐藏层、Epochs、学习率、GPU配额等），一键启动训练任务。
专业回测引擎：支持日频级别的策略回测，自动计算策略净值曲线、基准对比、年化收益率、最大回撤等关键指标，并生成详细的交易流水日志。
任务调度与监控：后台采用异步多进程调度机制，支持多任务并发执行，实时反馈训练进度条与日志流。
可视化数据看板：提供交互式K线图与净值曲线图（基于Chart.js），支持管理员对系统资源（CPU/GPU显存）进行实时监控与配额管理。

具体任务：我负责该项目的全栈架构设计与核心代码实现，包括后端API开发、数据库设计、量化算法编写及前端交互逻辑。

技术栈：后端采用 Python FastAPI 高性能框架配合 SQLAlchemy (SQLite)；核心算法使用 Pandas 进行向量化数据处理，PyTorch 构建 LSTM 神经网络；前端采用原生 HTML5/JS + Chart.js 实现轻量化SPA体验。

实现亮点与难点：

难点攻克：解决了长时间运行的AI训练任务阻塞Web服务的问题，设计了一套基于 subprocess 和数据库状态轮询的异步任务调度系统，并实现了进程级的中止（Kill）功能。

显存管理：实现了精细化的 GPU显存配额控制，通过后端计算物理显存比例，防止多用户并发训练导致显存溢出。

动态计算：实现了安全的因子公式解析器，允许在运行时动态解析字符串公式并映射到 Pandas 操作，极大地提升了策略的灵活性。