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	纯回测核心（alpha + execution + indicators + data_adapter + backtest + 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）
• execution — A 股长仓执行仿真（成本/滑点/现金约束）+ 逐日成交/拒绝/持仓/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 → 执行审计（防前视编排）
• metrics — 绩效（年化收益 / 波动率 / Sharpe / 最大回撤 / Calmar）
• 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 — 风险指标（边际 / 风险贡献）
• 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

使用

from quant_engine.alpha_factors import alpha_001, alpha_005, ALPHA158_REGISTRY
from quant_engine.execution import (
    ExecutionConfig, simulate_multi_day_with_audit, simulate_with_daily_data,
)
from quant_engine.research_pipeline import 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,
)

# 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())

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 ...。