quant_engine/README.md

quant_engine

量化研究引擎 —— alpha 因子库 + 执行仿真 + 技术指标 + 数据适配 + 回测工具

从 research_results 抽出的纯回测能力库（v1.2.0 重构）。

角色

quant_engine 是 researchhub_workspace 的引擎层：

仓库	角色
quant_engine	纯研究核心（alpha + execution + ledger + attribution + risk + metrics）
research_results	业务集成（47 个 proj 调度 + 注册 + 平台对接）
tushare2db_pro_aoge	数据层（行情 ELT）
research_platform	展示层（FastAPI + Next.js）
edb_data_core	数据层（经济数据）

模块

• alpha_factors — 158 alpha 公式 + 24 基础算子（移植自 qlib alpha158）
• factor_contracts — FactorDefinition / FactorSetRef v1 纯计算合同、严格 PIT/availability 输入准入与显式 legacy 投影
• execution — A 股长仓执行仿真（成本/滑点/现金约束）+ 稀疏调仓/完整交易日 Ledger + 可投影成交与 NAV 审计；T+1、涨跌停、成交量与价差提供独立约束函数
• indicators — 50+ 技术指标（MACD / KDJ / 布林 / ATR / ADX / 等）
• data_adapter — 桥接 qtdb_pro 长表与新模块（rename / long-wide / 复权 / vwap 代理）
• backtest — weight-based 多日仿真（rebalance_table / compute_nav / compare_to_benchmark）
• portfolio_construction — 多期因子分数 → Top-K → 等权目标权重表
• research_pipeline — 因子日 → 下一真实交易日 → 显式执行价 → 日末估值 → 成本后绩效（防前视编排）
• governed_pipeline — 数据快照 → 因子版本 → 策略版本 → 回测运行 → 目标组合 → 风险决策 → Paper 订单意图；同时拥有输入/配置/重放血缘决定的 BacktestRunRef
• artifact — 版本化、确定性、存储中立的完整 research run 事实表，以及只映射现有表的 BacktestEvidenceManifest
• portfolio_risk_contracts — S3 证据闭合的 PortfolioDecision / RiskAssessment v1；独立复核 freshness、约束与 computation receipt，并复用既有标签安全风险分解
• retrospective_*_contracts — 未发布的显式 v2 回顾性合同：区分历史业务日期与实际可得/计算时间，保留 v1 和现有金融公式，不授予历史可得性、发布或执行权限；见 v2 接口说明
• attribution — 基于实际成交后持仓的隔夜 / 日内 / 交易成本逐日收益归因与闭合审计
• metrics — 绝对绩效 + 严格日期对齐的 TE / IR / alpha / beta 基准相对绩效
• strategy_research / strategy_optimizer / trade_pairing / strategy_artifact — 七策略候选、下一日开盘执行、统一账本、FIFO双边成本、有界真实优化和完整策略报告工件；见 策略合同
• factor_diagnostics — 候选0.1.0：完整键配对、逐日IC/RankIC、样本与未定义值、显式日历前瞻标签；见 诊断合同
• factor_library — 通用方法（turnover / winsorize / IC / OLS / jb_test）
• portfolio_decomp — 组合分解（risk_parity / mean_variance / 因子归因）
• risk — ndarray 低层风险公式 + 标签安全、可分组的 Euler 成分风险分解
• perf_stats — 详细绩效（与 metrics 并存）
• logging — 统一 logger（标准库 + 可选 loguru）

依赖

• 必需：numpy / pandas / scipy（标准量化栈）
• 可选：loguru（logback，标准库 logging 兜底）

零重型依赖 —— 不引入 torch / lightgbm / hikyuu 等。

安装

cd quant_engine
pip install -e ".[dev]"

测试

pytest                    # 单元测试
pytest --cov=src          # 覆盖率
mypy --strict src/        # 类型检查
ruff check src/ tests/    # lint

# 无网络、无数据库、无券商的架构烟测
uv run python -m quant_engine.governed_pipeline

使用

from quant_engine.alpha_factors import alpha_001, alpha_005, ALPHA158_REGISTRY
from quant_engine.execution import (
    ExecutionConfig, simulate_daily_ledger_with_audit,
    simulate_multi_day_with_audit, simulate_with_daily_data,
)
from quant_engine.research_pipeline import (
    run_factor_backtest_research, run_factor_execution_research,
)
from quant_engine.backtest import run_weight_backtest
from quant_engine.indicators import macd, bollinger, kdj
from quant_engine.data_adapter import (
    long_to_wide, wide_to_long, rename_tushare_columns,
    add_vwap_proxy, apply_adj_factor,
    prepare_stock_series, prepare_execution_inputs,
    load_qtdb_daily,
)

# 端到端：qtdb_pro 长表 → 适配 → alpha158 → execution
df = load_qtdb_daily(["000001.SZ"], "2024-01-01", with_adj=True)
close_prices, volumes = prepare_execution_inputs(df)
open_prices, _ = prepare_execution_inputs(df, price_col="open")
result = simulate_with_daily_data(close_prices, initial_cash=1_000_000.0)

# 已正确滞后的目标权重 → 现金约束执行 → 唯一来源的成交/拒绝/日末持仓/NAV
execution = simulate_multi_day_with_audit(
    target_weights_history=[
        ("2024-01-02", {"000001.SZ": 1.0}),
        ("2024-01-03", {"000001.SZ": 1.0}),
    ],
    price_history=[
        ("2024-01-02", {"000001.SZ": 10.0}),
        ("2024-01-03", {"000001.SZ": 10.5}),
    ],
    initial_cash=1_000_000.0,
    config=ExecutionConfig(),
)
print(execution.nav_series)
print(execution.daily_executions)

# 多期因子分数（必须是 point-in-time 数据）→ Top-K → 下一交易日 open 执行
factor_execution = run_factor_execution_research(
    factor_scores,
    top_k=20,
    execution_prices=open_prices,
    execution_price_field="open",
    initial_cash=1_000_000.0,
)

# 推荐研究入口：同一交易日历上显式区分 open 成交和 close 估值。
# 因子日保持现金，下一交易日成交后的真实持仓才参与当日收盘收益。
factor_backtest = run_factor_backtest_research(
    factor_scores,
    top_k=20,
    execution_prices=open_prices,
    valuation_prices=close_prices,
    execution_price_field="open",
    valuation_price_field="close",
    initial_cash=1_000_000.0,
    config=ExecutionConfig(),
)
print(factor_backtest.nav)
print(factor_backtest.returns)
print(factor_backtest.stats())
print(factor_backtest.execution.ledger_frame)
print(factor_backtest.execution.trades_frame)
print(factor_backtest.position_weights)  # 实际日末资产权重
print(factor_backtest.cash_weights)

# 所有分析都以实际成交后的 Ledger 为事实源，不直接使用目标权重伪造结果。
attribution = factor_backtest.return_attribution()
print(attribution.asset_contributions)
print(attribution.transaction_cost)
print(attribution.residual)  # 应接近 0；否则说明贡献未闭合到账本收益

# benchmark_returns 必须与成本后 factor_backtest.returns 使用完全相同的日期索引。
print(factor_backtest.benchmark_stats(benchmark_returns))

# 下游稳定交付：显式提供代码版本、数据快照和时区，不在核心层写数据库。
from quant_engine.artifact import build_research_run_artifact
from quant_engine.data_adapter import prepare_asset_return_snapshot
from quant_engine.risk import estimate_covariance_snapshot

risk_date = factor_backtest.position_weights.index[-1].date()
market_snapshot = prepare_asset_return_snapshot(
    qtdb_daily_long,
    source="qtdb_pro.hq_daily",
    source_snapshot_id="<upstream-ingestion-snapshot-id>",
    adjustment="qfq",
)
risk_snapshot = estimate_covariance_snapshot(
    market_snapshot.returns,
    as_of_date=risk_date,
    lookback_sessions=252,
    min_observations=120,
    data_snapshot_id=market_snapshot.data_snapshot_id,
)

artifact = build_research_run_artifact(
    factor_backtest,
    run_id="research-run-001",
    strategy_id="alpha-top20",
    strategy_name="Alpha Top 20",
    strategy_version="1.0.0",
    engine_version="1.2.0",
    code_revision="<git-sha>",
    data_snapshot_id=market_snapshot.data_snapshot_id,
    calendar="CN-A",
    timezone="Asia/Shanghai",
    started_at="2026-08-21T10:00:00+08:00",
    finished_at="2026-08-21T10:01:00+08:00",
    parameters={"top_k": 20, "lag_sessions": 1},
    benchmark_id="000300.SH",
    benchmark_returns=benchmark_returns,
    risk_snapshots={risk_date: risk_snapshot},
)
print(artifact.manifest())

# run_weight_backtest 是低层算子：只接受收益区间开始前已经生效的持仓权重。
# 不要把 signal-date 的 factor_scores/decision_weights 直接传给它。
backtest = run_weight_backtest(
    weights=effective_holding_weights,
    stock_returns=daily_returns,
    initial_capital=1_000_000.0,
    benchmark_nav=benchmark_nav,
)
print(factor_execution.schedule.signal_to_execution)
print(factor_execution.execution.daily_executions)
print(backtest.stats())
print(backtest.benchmark_report())

因子／特征合同 v1

quant_engine.factor_contracts 提供 researchhub.factor-definition 与 researchhub.factor-set-ref 1.0.0。合同使用受限 canonical JSON：只接受 ASCII lower-snake-case object key、UTF-8 string、bool/null 和 safe integer；小数参数必须用显式 canonical decimal string。定义、输入映射、上游证据、输出 schema/content 和 lineage 的任一 语义变化都会产生新 identity。

创建 FactorSetRef 必须提供完整且可重算 identity 的 DatasetSnapshotEnvelope 与 DataFoundationEnvelope，不能用 ID 字符串或布尔值代替资格证明。每个因子输入都要映射到一个 实际选中的 StandardizedViewRef，schema 必须同时匹配定义和 view；未消费、缺失、重复或跨 snapshot/Foundation/PIT 的 view 都会失败关闭。snapshot PIT 可以早于 Foundation/view PIT， 但始终满足 knowledge ≤ snapshot PIT ≤ Foundation/view/FactorSet PIT ≤ evaluation。

from quant_engine.factor_contracts import (
    DataFoundationEnvelope,
    DatasetSnapshotEnvelope,
    FactorDefinition,
    FactorSetRef,
)

snapshot = DatasetSnapshotEnvelope.from_dict(dataset_snapshot_v1)
foundation = DataFoundationEnvelope.from_dict(data_foundation_v1)

# definition 必须是完整的 FactorDefinition；FactorSetRef.create 还要求显式 input bindings、
# view availability、output quality/coverage、canonical output bytes 和 immutable artifact ref。
factor_set = FactorSetRef.create(
    definitions=(definition,),
    dataset_snapshot=snapshot,
    foundation=foundation,
    **explicit_factor_set_evidence,
)

availability_mode="as_available" 声明 source/view 和计算产物在历史 evaluation 前实际可用； "retrospective_replay" 保留历史 evaluation，但要求真实 publication/view creation、compute 和 artifact 时间位于之后，并固定 historical_availability="not_established"。两种模式都不会授予 decision、real-data、production、paper 或 live readiness。

旧 governed_pipeline.FactorVersion 的四字段构造器、factor_id@version、run/target/risk/order identity 均保持不变。迁移只能通过 content-addressed LegacyFactorBinding，再显式调用 bind_legacy_factor() 或 project_legacy_factor()；后者是有损投影，不表示旧 digest 与新定义 digest 等价，也不会把旧 run 静默升级为新合同。

回测引用与证据合同 v1

quant_engine.governed_pipeline.BacktestRunRef 是合格回测运行身份的唯一权威。run_id 只由 已验收的 Dataset Snapshot / Data Foundation / FactorSetRef 身份、universe、日历与公司行动 祖先、策略、执行/成本模型、严格整数 seed、完整代码提交、环境锁、配置、时间和重放血缘决定； 它不包含任何输出摘要。重放必须绑定直接父运行、连续 attempt 和不变的 replay_spec_digest，输入漂移或血缘环会失败关闭。

quant_engine.artifact.BacktestEvidenceManifest 只摘要 ResearchRunArtifact 已有的九张事实表。 固定 offline_research_v1 映射为 run、signal、fill、position_nav、performance、 attribution、risk_snapshot 与 replay；每张表都保留列模式摘要、行数和内容摘要，空 risk 表也必须有稳定 schema。manifest_id 由完整 RunRef 与输出证据决定，因此结果变化不会反向改变 run_id。当前 artifact 不拥有订单或拒绝事实，所以此画像明确不声明 order / rejection。

旧 BacktestRun 只能通过 build_legacy_backtest_evidence_manifest() 显式映射为 LEGACY_EXPLORATORY；不能隐式提升为 CONTRACT_QUALIFIED。所有资格均只描述离线证据闭合， 不表示投资有效、组合获批、Paper、生产或实盘就绪。

绩效证据与方法论合同 v1

quant_engine.artifact.PerformanceEvidenceV1 在现有计算和事实表之外增加一层只读、内容寻址的 owner 证据。build_performance_evidence() 只接受同一运行的完整 ResearchRunArtifact、 BacktestRunRef 与 CONTRACT_QUALIFIED BacktestEvidenceManifest；它核对全部 artifact 表、 performance 表和唯一行摘要，并绑定 artifact、row 与严格对齐 benchmark series 的独立摘要。 生产 builder 不重算、填补、重命名或覆盖任何绩效值。

方法论固定为日简单收益、252 期年化、绝对指标年化无风险利率 0.0、benchmark 日无风险利率 0.0，以及 benchmark 存在时的 exact_session_index。相对指标使用封闭 availability：无基准为 benchmark_absent；active variance、benchmark variance 或 alpha 几何年化域不足时分别使用 对应 not_estimable_* 原因。benchmark 存在时 tracking error 始终必须是有限非负值；null 不会 被转成零。

from quant_engine.artifact import build_performance_evidence

performance_evidence = build_performance_evidence(
    artifact,
    backtest_run_ref,
    backtest_evidence_manifest,
)
canonical_bytes = performance_evidence.canonical_bytes()

该合同范围固定为 offline_research_only。它不授予排名、推荐、决策、发布、论文、Paper、生产、 实盘、交易或投资建议权限，也不包含原始参数、returns、NAV、benchmark series、表字节、存储 locator、URI 或凭证。

组合决策与风险评估合同 v1

quant_engine.portfolio_risk_contracts 是现有计算 owner 外围的薄合同层。创建 PortfolioDecision 必须同时提供完整 BacktestRunRef、嵌入同一 RunRef 的 CONTRACT_QUALIFIED 非 legacy BacktestEvidenceManifest、现有 PortfolioTarget、 FreshnessPolicy、ConstraintSetV1 与 ComputationReceipt。适配器会从权威输入独立重算 receipt 的 input/constraint/output digest、敞口、持仓数和 L1 turnover 残差；receipt 自报 成功、fallback 或放宽 tolerance 均不能替代复核。

from quant_engine.portfolio_risk_contracts import (
    ComputationReceipt,
    ConstraintSetV1,
    FreshnessPolicy,
    assess_portfolio_risk,
    build_portfolio_decision,
    compute_portfolio_receipt_digests,
)

freshness = FreshnessPolicy(
    max_manifest_age_seconds=3600,
    max_covariance_age_days=5,
)
constraints = ConstraintSetV1(
    gross_exposure_max=1.0,
    single_asset_max=0.10,
    position_count_max=20,
    turnover_max=0.30,
)

# 生产者先形成公开 canonical digest；decision 构建时仍会独立重算。
expected = compute_portfolio_receipt_digests(
    backtest_run_ref=run_ref,
    manifest=evidence_manifest,
    target=portfolio_target,
    objective_name="long_only_allocation",
    objective_version="1.0.0",
    objective_digest=objective_digest,
    model_name="factor_weighting",
    model_version="1.0.0",
    model_digest=model_digest,
    expected_return_digest=expected_return_digest,
    covariance_digest=covariance_digest,
    scenario_digest=scenario_digest,
    constraints=constraints,
    freshness_policy=freshness,
    prior_weights=prior_weights,
)

receipt = ComputationReceipt(
    algorithm="factor_weighting",
    algorithm_version="1.0.0",
    implementation_digest=implementation_digest,
    parameter_digest=parameter_digest,
    input_digest=expected["input_digest"],
    constraint_digest=expected["constraint_digest"],
    output_digest=expected["output_digest"],
    status="completed",
    solver_required=False,
    solver_name=None,
    solver_version=None,
    solver_config_digest=None,
    iterations=None,
    objective_value=None,
    max_constraint_residual=expected["max_constraint_residual"],
    tolerance=1e-12,
    computed_at=computed_at,
)

decision = build_portfolio_decision(
    backtest_run_ref=run_ref,
    manifest=evidence_manifest,
    target=portfolio_target,
    objective_name="long_only_allocation",
    objective_version="1.0.0",
    objective_digest=objective_digest,
    model_name="factor_weighting",
    model_version="1.0.0",
    model_digest=model_digest,
    expected_return_digest=expected_return_digest,
    covariance_digest=covariance_digest,
    scenario_digest=scenario_digest,
    constraints=constraints,
    freshness_policy=freshness,
    receipt=receipt,
    computed_at=computed_at,
    prior_weights=prior_weights,
)

assessment = assess_portfolio_risk(
    portfolio_decision=decision,
    backtest_run_ref=run_ref,
    manifest=evidence_manifest,
    covariance=covariance_snapshot,
    risk_model_name="euler_volatility",
    risk_model_version="1.0.0",
    risk_model_digest=risk_model_digest,
)

source_universe_digest 保留 S3 研究 universe 身份，portfolio_asset_set_digest 只描述实际 目标资产标签；二者不会互相冒充成员证明。风险评估在任何数值计算前要求 covariance、target、 RunRef 的 dataset identity 三方一致，并且只调用一次现有 labeled_component_risk()。合同中的 qualified 仅表示 S4.1 计算证据闭合，不授予 maker-checker、发布、订单、Paper、生产或实盘权限。

治理垂直切片

governed_pipeline 不复制因子、回测、组合或执行算法，只编排现有能力并补充版本与风险契约。 调用方必须显式提供 DatasetSnapshot、FactorVersion、StrategyVersion、代码提交和 RiskPolicy。模块只会生成 environment="paper" 的订单意图，不连接数据库、数据供应商或 券商；风险决策为拒绝时，订单意图固定为空，直接调用创建函数也会失败关闭。

该切片对应 ResearchHub 架构的首个可执行验收链路：

DatasetSnapshot → FactorVersion → StrategyVersion → BacktestRun
→ PortfolioTarget → RiskDecision → PaperOrderIntent

平台总架构、五仓职责和十二层能力映射仍以 research_platform/docs/architecture/ 为权威； 本仓只拥有纯计算与离线模拟合同。

与 research_results 的关系

research_results 依赖 quant_engine（通过 re-export 保持向后兼容）：

# research_results/src/shared/alpha_factors.py 现在是：
from quant_engine.alpha_factors import *  # re-export

47 个 proj 的 import 路径暂时不变（from src.shared.alpha_factors import ... 仍可用）——后续逐步迁移到 from quant_engine.alpha_factors import ...。