AKQuant

AKQuant 是一款专为量化投研设计的下一代高性能混合框架。核心引擎采用 Rust 编写以确保极致的执行效率，同时提供优雅的 Python 接口以维持灵活的策略开发体验。

🚀 核心亮点：

• 高性能内核：得益于 Rust 的零开销抽象与 Zero-Copy 数据导入（add_arrays 借用 NumPy 缓冲入引擎；策略侧 get_history 等读取则返回安全快照拷贝），AKQuant 在部分回测场景下可显著降低 Python 层开销；实际运行速度取决于策略逻辑、数据规模、回调频率与运行环境。
• 原生 ML 支持：内置 Walk-forward Validation（滚动训练）框架，无缝集成 PyTorch/Scikit-learn，让 AI 策略开发从实验到回测一气呵成。
• TA-Lib 指标生态：内置 akquant.talib 双后端（python/rust）兼容能力，支持 104 个指标。
• 因子表达式引擎：内置 Polars 驱动的高性能因子计算引擎，支持 Rank(Ts_Mean(Close, 5)) 等 Alpha101 风格公式，自动处理并行计算与数据对齐。
• 参数优化：内置多进程网格搜索（Grid Search）框架，支持策略参数的高效并行优化。
• 专业级风控：内置完善的订单流管理与即时风控模块，支持多资产组合回测。
• AI 助手（MCP）：自带 MCP 服务，在 WorkBuddy、DeepSeek Harness、Codex、Cursor、Claude 等 AI 助手中用自然语言写策略、跑回测，助手能读到结构化的结果和报错；已上架 MCP 官方注册表（io.github.akfamily/akquant）。

👉 阅读完整文档 | English Documentation

安装说明

AKQuant 已发布至 PyPI，无需安装 Rust 环境即可直接使用。

pip install akquant

在 AI 助手中使用（MCP）

先安装 uv，然后在 WorkBuddy、DeepSeek Harness、Codex、Claude Code 等 AI 助手中说一句话就能装好：

安装 AKShare 和 AKQuant 的官方 MCP，项目目录用 /path/to/akquant-demo，运行一个示例策略并报告结果

助手会自己配置好两个服务，再下载数据、编写策略、运行回测并解读结果，不需要事先安装 AKQuant。助手没能自动安装，或者想手动配置时，--root 是项目目录（请先建好），策略和数据文件都放在里面：

claude mcp add akquant -- uvx --from "akquant[mcp]" akquant-mcp --root /path/to/akquant-demo
codex mcp add akquant -- uvx --from "akquant[mcp]" akquant-mcp --root /path/to/akquant-demo

WorkBuddy、Cursor、Claude Desktop 等使用 JSON 配置的客户端：

{
  "mcpServers": {
    "akquant": {
      "command": "uvx",
      "args": ["--from", "akquant[mcp]", "akquant-mcp", "--root", "/path/to/akquant-demo"]
    }
  }
}

DeepSeek Harness 不读 JSON，要把同样的命令写进 ~/.dsh/profiles/web/cordis.patch.yml，写法见 MCP 服务文档。

接入后可以直接说“用平安银行近三年的日线跑一个均线交叉策略，报告收益和最大回撤”。和 AKTools（AKShare 的官方 MCP）一起接入，助手可以自己查数据、写策略、跑回测。各客户端的配置、工具清单与注意事项见 MCP 服务文档。

快速开始

以下是一个简单的策略示例：

import akquant as aq
import akshare as ak
from akquant import Strategy

# 1. 准备数据
# 使用 akshare 获取 A 股历史数据 (需安装: pip install akshare)
df = ak.stock_zh_a_daily(symbol="sh600000", start_date="20250212", end_date="20260212")
# 交易日历: 不传时按工作日推算, 节假日会被当作交易日
trade_dates = ak.tool_trade_date_hist_sina()["trade_date"]


class MyStrategy(Strategy):
    def on_bar(self, bar):
        # 简单策略示例:
        # 当收盘价 > 开盘价 (阳线) -> 买入
        # 当收盘价 < 开盘价 (阴线) -> 卖出

        # 获取当前持仓
        current_pos = self.get_position(bar.symbol)

        if current_pos == 0 and bar.close > bar.open:
            self.buy(symbol=bar.symbol, quantity=100)
            print(f"[{bar.timestamp_iso}] Buy 100 at {bar.close:.2f}")  # UTC ISO 8601

        elif current_pos > 0 and bar.close < bar.open:
            self.close_position(symbol=bar.symbol)
            print(f"[{bar.timestamp_iso}] Sell 100 at {bar.close:.2f}")  # UTC ISO 8601


# 运行回测
result = aq.run_backtest(
    data=df,
    strategy=MyStrategy,
    initial_cash=100000.0,
    symbols="sh600000",
    broker_profile="cn_stock_t1_low_fee",  # A 股佣金/印花税/过户费、T+1、一手 100 股
    trading_calendar=trade_dates,
)

# 打印回测结果
print("\n=== Backtest Result ===")
print(result)

# 生成最小基准对比报告
benchmark_returns = (
    df.set_index("date")["close"].pct_change().fillna(0.0).rename("SIMPLE_BENCH")
)
result.viz.report(
    filename="quickstart_report.html",
    show=False,
    benchmark=benchmark_returns,
)

调用 result.viz.report(..., benchmark=...) 后，报告会新增“基准对比 (Benchmark Comparison)”区块，展示策略/基准/超额累计收益曲线，以及累计超额收益、年化超额收益、跟踪误差、信息比率、Beta、Alpha 等相对指标。

注意：run_backtest 默认不计交易成本、不开 T+1。 不传 broker_profile 也不传费率时，佣金、印花税、过户费都是 0，可以当日买卖，最小交易单位是 1 股——这样得到的是理想化的结果，换手越高越偏乐观。A 股回测请像上面这样传 broker_profile（内置 cn_stock_miniqmt、cn_stock_t1_low_fee、cn_stock_sim_high_slippage），或者显式传 commission_rate、stamp_tax_rate、transfer_fee_rate、min_commission、t_plus_one=True、lot_size=100。模板的印花税按 2023-08-28 起的现行税率 0.05% 计，回测此前的行情请显式传 stamp_tax_rate=0.001。

运行结果示例:

=== Backtest Result ===
BacktestResult:
                                            Value
name
start_time              2025-02-12 15:00:00+08:00
end_time                2026-02-12 15:00:00+08:00
duration                        365 days, 0:00:00
total_bars                                    249
closed_trade_count                           62.0
execution_count                             124.0
open_position_count                           0.0
initial_market_value                     100000.0
end_market_value                     99379.212386
total_pnl                             -620.787614
unrealized_pnl                                0.0
total_return_pct                        -0.620788
annualized_return                       -0.006208
volatility                               0.002456
total_profit                              544.624
total_loss                              -755.5086
total_commission                       409.903014
max_drawdown                             0.006234
max_drawdown_value                     623.409236
max_drawdown_pct                         0.623393
win_rate                                22.580645
loss_rate                               77.419355
winning_trades                               14.0
losing_trades                                48.0
avg_pnl                                 -3.401365
avg_return_pct                          -0.219536
avg_trade_bars                           1.967742
avg_profit                              38.901714
avg_profit_pct                           3.350484
avg_winning_trade_bars                        4.5
avg_loss                               -15.739762
avg_loss_pct                            -1.260791
avg_losing_trade_bars                    1.229167
largest_win                              119.7522
largest_win_pct                         10.156084
largest_win_bars                              7.0
largest_loss                             -70.2532
largest_loss_pct                        -5.399399
largest_loss_bars                             1.0
max_wins                                      2.0
max_losses                                    9.0
sharpe_ratio                            -2.574886
sortino_ratio                            -3.16692
profit_factor                            0.720871
ulcer_index                              0.003099
upi                                     -2.003008
equity_r2                                0.871776
std_error                               69.889352
calmar_ratio                            -0.995821
exposure_time_pct                       48.995984
var_95                                  -0.000262
var_99                                  -0.000623
cvar_95                                 -0.000427
cvar_99                                 -0.000702
sqn                                     -0.800105
kelly_criterion                         -0.087435
max_leverage                             0.014604
min_margin_level                        68.473617

复杂订单助手 (OCO / Bracket)

AKQuant 提供了两组复杂订单助手，减少手写订单联动逻辑：

• place_oco(first_order_id, second_order_id, group_id=None)：将两个订单绑定为 OCO，任一成交后自动撤销另一单。
• place_bracket(symbol, quantity, entry_price=None, stop_trigger_price=None, take_profit_price=None, ...)：一次性提交 Bracket 结构；进场成交后自动挂出止损/止盈，并在双退出单场景下自动绑定 OCO。

from akquant import OrderStatus, Strategy

class BracketHelperStrategy(Strategy):
    def __init__(self):
        self.entry_order_id = ""

    def on_bar(self, bar):
        if self.get_position(bar.symbol) > 0 or self.entry_order_id:
            return

        self.entry_order_id = self.place_bracket(
            symbol=bar.symbol,
            quantity=100,
            stop_trigger_price=bar.close * 0.98,
            take_profit_price=bar.close * 1.04,
            entry_tag="entry",
            stop_tag="stop",
            take_profit_tag="take",
        )

    def on_order(self, order):
        if order.id == self.entry_order_id and order.status in (
            OrderStatus.Cancelled,
            OrderStatus.Rejected,
        ):
            self.entry_order_id = ""

可直接运行完整示例：

python examples/06_complex_orders.py

流式回测 (Streaming)

如果你希望在回测执行过程中实时消费事件，可直接使用 run_backtest 并传入 on_event：

def on_event(event):
    if event["event_type"] == "finished":
        payload = event["payload"]
        print("status:", payload.get("status"))
        print("callback_error_count:", payload.get("callback_error_count"))

result = aq.run_backtest(
    data=df,
    strategy=MyStrategy,
    symbols="sh600000",
    on_event=on_event,
    show_progress=False,
    stream_progress_interval=10,
    stream_equity_interval=10,
    stream_batch_size=32,
    stream_max_buffer=256,
    stream_error_mode="continue",
)

on_event 为可选参数：不传时保持传统阻塞语义，传入时可实时消费事件。

关键参数：

• stream_progress_interval / stream_equity_interval: 进度与权益事件采样间隔
• stream_batch_size / stream_max_buffer: 缓冲与批量刷新控制
• stream_error_mode: 回调异常策略，支持 "continue" 与 "fail_fast"

可视化 (Visualization)

AKQuant 内置了基于 Plotly 的强大可视化模块，仅需一行代码即可生成包含权益曲线、回撤分析、月度热力图等详细指标的交互式 HTML 报告。

# 生成交互式 HTML 报告，自动在浏览器中打开
result.viz.report(
    show=True,
    compact_currency=True,  # 金额列按 K/M/B 紧凑显示（默认 True）
)

# 如果你希望金额列保留原始数值精度（不缩写），可关闭：
result.viz.report(
    show=False,
    filename="report_raw_amount.html",
    compact_currency=False,
)

你也可以直接复用结构化分析结果做二次研究：

exposure = result.exposure_df()             # 暴露分解（净暴露/总暴露/杠杆）
attr_by_symbol = result.attribution_df(by="symbol")
attr_by_tag = result.attribution_df(by="tag")
capacity = result.capacity_df()             # 容量代理（成交率/换手等）
orders_by_strategy = result.orders_by_strategy()         # 按策略归属聚合订单
executions_by_strategy = result.executions_by_strategy() # 按策略归属聚合成交

文档索引

• 📖 核心特性与架构: 了解 AKQuant 的设计理念与性能优势。
• 🛠️ 安装指南: 详细的安装步骤（含源码编译）。
• 🚀 快速入门: 更多示例与基础用法。
• 🤖 机器学习指南: 如何使用内置的 ML 框架进行滚动训练。
• 📚 API 参考: 详细的类与函数文档。
• 🧩 MCP 服务: 让 WorkBuddy、DeepSeek Harness、Codex、Cursor、Claude 等 AI 助手查 API、写策略、跑回测、读结构化报错。
• 💻 贡献指南: 如何参与项目开发。

🧪 测试与质量保证

AKQuant 采用严格的测试流程以确保回测引擎的准确性：

• 单元测试: 覆盖核心 Rust 组件与 Python 接口。
• 黄金测试 (Golden Tests): 使用合成数据验证关键业务逻辑（如 T+1、涨跌停、保证金、期权希腊值），并与锁定的基线结果进行比对，防止算法回退。

运行测试：

# 1. 使用 uv 环境运行命令
uv sync

# 2. 构建并绑定 Rust 扩展
# 注意：不要使用 `uv run maturin develop`，它会先尝试安装当前项目，
# 对于以 maturin 作为 build backend 的仓库可能卡在 Preparing packages。
uvx maturin develop

# 3. 运行所有测试
uv run pytest

# 4. 运行 Rust 核心测试（自动处理 macOS + uv 环境动态库路径）
./scripts/cargo-test.sh -q

# 5. 仅运行黄金测试
uv run pytest tests/golden/test_golden.py

Citation

Please use this bibtex if you want to cite this repository in your publications:

@misc{akquant,
    author = {Albert King and Yaojie Zhang and Chao Liang},
    title = {AKQuant},
    year = {2026},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\url{https://github.com/akfamily/akquant}},
}

License

MIT License