George BerkshireandMavis
c04acf0ab6
从 research_results 抽出纯回测核心能力，形成独立成员仓。 ## 模块（10 个核心） | 模块 | 内容 | |---|---| | alpha_factors | 158 alpha 公式 + 24 基础算子（移植自 qlib alpha158）+ JSONB 工具 | | execution | 执行仿真（成本/滑点/T+1/涨跌停/部分成交/价差）+ 多日 NAV + PnL 拆解 | | 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 | | metrics / perf_stats | 绩效指标 | | factor_library | 通用方法（turnover/IC/winsorize/OLS） | | portfolio_decomp / risk | 组合分解 + 风险指标 | | logging | 统一 logger（标准库 + 可选 loguru） | ## 设计原则 - 零重型依赖（numpy/pandas/scipy） - mypy strict 0 errors（12 source files） - 394 tests passed（从 research_results 复制 + 适配） - ruff clean ## 与 research_results 的关系 - research_results 通过 re-export wrapper 保持向后兼容（src.shared.X → quant_engine.X） - 47 proj 的 import 路径暂时不变，后续逐步迁移 - 本仓角色：researchhub_workspace 引擎层 Co-Authored-By: Mavis <noreply@mavis.local>
87 lines
3.1 KiB
Markdown
87 lines
3.1 KiB
Markdown
# 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` — 执行仿真（成本/滑点/T+1/涨跌停/部分成交/价差）+ 多日 NAV + PnL 拆解（借鉴 hikyuu 部件化思想）
|
||
- `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）
|
||
- `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
|
||
|
||
```bash
|
||
cd quant_engine
|
||
pip install -e ".[dev]"
|
||
```
|
||
|
||
## 测试
|
||
|
||
```bash
|
||
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
|
||
|
||
```python
|
||
from quant_engine.alpha_factors import alpha_001, alpha_005, ALPHA158_REGISTRY
|
||
from quant_engine.execution import (
|
||
ExecutionConfig, simulate_with_daily_data, compute_realized_pnl,
|
||
)
|
||
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)
|
||
prices, volumes = prepare_execution_inputs(df)
|
||
result = simulate_with_daily_data(prices, initial_cash=1_000_000.0)
|
||
```
|
||
|
||
## 与 research_results 的关系
|
||
|
||
`research_results` 依赖 `quant_engine`（通过 re-export 保持向后兼容）：
|
||
|
||
```python
|
||
# 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 ...`。
|