akquant 0.1.11

High-performance quantitative trading framework based on Rust and Python

AKQuant

AKQuant 是一个基于 Rust 和 Python 构建的高性能量化投研框架。它旨在结合 Rust 的极致性能和 Python 的易用性，为量化交易者提供强大的回测和研究工具。

最新版本参考了 NautilusTrader 、 PyBroker 和 Backtrader 的架构理念，引入了模块化设计、独立的投资组合管理、高级订单类型支持以及便捷的数据加载与缓存机制。

📖 设计与开发指南 (DESIGN.md): 如果你想深入了解内部架构、学习如何设计此类系统或进行二次开发，请阅读此文档。

核心特性

• 极致性能: 核心回测引擎采用 Rust 编写，通过 PyO3 提供 Python 接口。
  • 基准测试: 在 200k K线数据的 SMA 策略回测中，AKQuant 耗时仅 1.31s (吞吐量 ~152k bars/sec)，相比 Backtrader (26.55s) 和 PyBroker (23.61s) 快约 20倍。
  • Zero-Copy Access (New): 历史数据 (ctx.history) 通过 PyO3 Buffer Protocol / Numpy View 直接映射 Rust 内存，实现零拷贝访问，大幅提升 Python 端指标计算性能。
• 模块化架构:
  • Engine: 事件驱动的核心撮合引擎，采用二进制堆 (BinaryHeap) 管理事件队列。
  • Clock: 参考 NautilusTrader 设计的交易时钟，精确管理交易时段 (TradingSession) 和时间流逝。
  • Portfolio: 独立的投资组合管理，支持实时权益计算。
  • MarketModel: 可插拔的市场模型，内置 A 股 T+1 和期货 T+0 规则。
    • T+1 严格风控: 针对股票/基金，严格执行 T+1 可用持仓检查，防止当日买入当日卖出（除非配置为 T+0 市场）。
    • 可用持仓管理: 自动维护 available_positions，并扣除未成交的卖单冻结数量，防止超卖。
• 事件系统:
  • Callbacks (New): 支持 on_order (订单状态变化) 和 on_trade (成交回报) 回调，方便实现自定义日志、通知或复杂状态管理。
  • Timer: 支持 schedule(timestamp, payload) 注册定时事件，触发 on_timer 回调，实现复杂的盘中定时逻辑。
• 风控系统 (New):
  • 独立拦截层: 内置 RiskManager，在 Rust 引擎层直接拦截违规订单。
  • 可用持仓检查: 下单前实时检查可用持仓（Available - Pending Sell），防止超卖违规。
  • 灵活配置: 通过 RiskConfig 可配置最大单笔金额、最大持仓比例、黑名单等。
• 机器学习 (New):
  • Walk-forward Validation: 内置滚动训练框架，彻底杜绝未来函数。
  • 统一适配器: 提供 SklearnAdapter 和 PyTorchAdapter，统一 Scikit-learn 和 PyTorch 接口。
  • 信号解耦: 提倡 Signal (预测) 与 Action (执行) 分离的设计模式。
• 数据生态:
  • Streaming CSV (New): 支持流式加载超大 CSV 文件 (DataFeed.from_csv)，极大降低内存占用。
  • Live Trading (New): 支持通过 DataFeed.create_live() 创建实时数据源，支持 CTP/Gateway 实时数据推送。
  • Parquet Data Catalog (New): 采用 Apache Parquet 格式存储数据，相比 Pickle 读写速度更快，压缩率更高，便于跨语言使用。
  • Pandas 集成: 支持直接加载 Pandas DataFrame 数据，兼容各类数据源。
  • 显式订阅: 策略通过 subscribe 方法明确声明所需数据，引擎自动按需加载。
• 多资产支持:
  • 股票 (Stock): 默认支持 T+1，买入 100 股一手限制，印花税/过户费。
  • 基金 (Fund): 支持基金特有费率配置。
  • 期货 (Futures): 支持 T+0，保证金交易，合约乘数。
  • 期权 (Option): 支持 Call/Put，行权价，按张收费模式。
• 高级订单 (New):
  • Stop Orders: Rust 引擎原生支持止损单触发，提供 StopMarket 和 StopLimit。
  • Target Position: 内置 order_target_value 等辅助函数，自动计算调仓数量。
• 架构抽象 (New):
  • ExecutionClient: 抽象执行层，支持 SimulatedExecutionClient (内存撮合) 和 RealtimeExecutionClient (实盘对接)。
  • DataClient: 抽象数据层，支持 SimulatedDataClient (内存/回放) 和 RealtimeDataClient (实时流)。
  • 无缝切换: 策略代码无需修改，仅需通过 engine.use_realtime_execution() 和 DataFeed.create_live() 即可切换至实盘模式。
• 灵活配置:
  • Typed Config (New): 引入 BacktestConfig, StrategyConfig, RiskConfig 类型化配置对象，替代散乱的 **kwargs，提供更好的 IDE 提示和参数校验。
  • ExecutionMode: 支持 CurrentClose (信号当根K线收盘成交) 和 NextOpen (次日开盘成交) 模式。
• 丰富的分析工具:
  • PerformanceMetrics:
    • 收益: Total Return, Annualized Return, Alpha.
    • 风险: Max Drawdown, Sharpe Ratio, Sortino Ratio, Ulcer Index, UPI (Ulcer Performance Index).
    • 拟合: Equity R² (线性回归拟合度).
  • TradeAnalyzer: 包含胜率、盈亏比、最大连续盈亏等详细交易统计，支持未结盈亏 (Unrealized PnL) 计算。
• 仿真增强:
  • 滑点模型 (Slippage): 支持 Fixed (固定金额) 和 Percent (百分比) 滑点模型，模拟真实交易成本。
  • 成交量限制 (Volume Limit): 支持按 K 线成交量比例限制单笔撮合数量，并实现分批成交 (Partial Fill)。

为什么选择 AKQuant?

传统的 Python 回测框架（如 backtrader）在处理大规模数据或复杂逻辑时往往面临性能瓶颈。纯 C++/Rust 框架虽然性能优越，但开发和调试门槛较高。

AKQuant 试图在两者之间找到平衡点：

1. 性能: Rust 核心保证了回测速度，特别适合大规模参数优化。
2. 易用: 策略编写完全使用 Python，提供类似 PyBroker 的简洁 API。
3. 专业: 严格遵守中国市场交易规则（T+1、印花税、最低佣金等）。

前置要求

• Rust: 安装 Rust
• Python: 3.10+
• Maturin: pip install maturin

安装说明

开发模式（推荐）

如果你正在开发该项目并希望更改即时生效：

maturin develop

快速开始

1. 使用 helper 快速回测 (推荐)

AKQuant 提供了一个类似 Zipline 的便捷入口 run_backtest，可以快速运行策略。

import akquant
from akquant.backtest import run_backtest
from akquant import Strategy
from akquant.config import BacktestConfig

# 1. 定义策略
class MyStrategy(Strategy):
    def on_start(self):
        # 显式订阅数据
        self.subscribe("600000")

    def on_bar(self, bar):
        # 简单的双均线逻辑 (示例)
        # 实际回测推荐使用 IndicatorSet 进行向量化计算
        if self.ctx.position.size == 0:
            self.buy(symbol=bar.symbol, quantity=100)
        elif bar.close > self.ctx.position.avg_price * 1.1:
            self.sell(symbol=bar.symbol, quantity=100)

# 2. 配置回测
config = BacktestConfig(
    start_date="20230101",
    end_date="20241231",
    cash=500_000.0,
    commission=0.0003
)

# 3. 运行回测
# 自动加载数据、设置资金、费率等
result = run_backtest(
    strategy=MyStrategy,  # 传递类
    config=config         # 传递配置对象
)

# 4. 查看结果
print(f"Total Return: {result.metrics.total_return_pct:.2f}%")
print(f"Sharpe Ratio: {result.metrics.sharpe_ratio:.2f}")
print(f"Max Drawdown: {result.metrics.max_drawdown_pct:.2f}%")

# 4. 获取详细数据 (DataFrame)
# 绩效指标表
print(result.metrics_df)
# 交易记录表
print(result.trades_df)
# 每日持仓表
print(result.daily_positions_df)

2. 函数式 API (Zipline 风格)

如果你习惯 Zipline 或 Backtrader 的函数式写法，也可以直接使用：

from akquant.backtest import run_backtest

def initialize(ctx):
    ctx.stop_loss_pct = 0.05

def on_bar(ctx, bar):
    if ctx.position.size == 0:
        ctx.buy(symbol=bar.symbol, quantity=100)
    elif bar.close < ctx.position.avg_price * (1 - ctx.stop_loss_pct):
        ctx.sell(symbol=bar.symbol, quantity=100)

run_backtest(
    strategy=on_bar,
    initialize=initialize,
    symbol="600000",
    start_date="20230101",
    end_date="20231231"
)

更多示例请参考 examples/ 目录。

结果分析

run_backtest 返回的 BacktestResult 对象提供了丰富的数据用于后续分析：

• result.metrics: 包含 Total Return, Sharpe, Max Drawdown 等核心指标的对象。
• result.metrics_df: 包含上述指标的 Pandas DataFrame (单行)。
• result.trades_df: 包含所有已平仓交易的详细记录 (Entry/Exit Time/Price, PnL, Commission 等)。
• result.daily_positions_df: 包含每日持仓快照的 DataFrame。
• result.equity_curve: 权益曲线数据列表 [(timestamp, equity), ...]。

快速链接