akquant 0.1.15

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。它结合了 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、风控及机器学习支持。

相比传统框架（如 Backtrader），AKQuant 拥有 20倍+ 的回测性能提升，并原生支持 Walk-forward Validation（滚动训练）和 Zero-Copy 数据访问。

👉 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

快速开始

以下是一个简单的策略示例：

import akshare as ak
import akquant as aq
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="20230101", end_date="20231231")

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(bar.symbol, 100)
            print(f"[{bar.timestamp_str}] Buy 100 at {bar.close:.2f}")

        elif current_pos > 0 and bar.close < bar.open:
            self.close_position(bar.symbol)
            print(f"[{bar.timestamp_str}] Sell 100 at {bar.close:.2f}")

# 运行回测
result = aq.run_backtest(
    data=df,
    strategy=MyStrategy,
    symbol="sh600000"
)

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

运行结果示例:

=== Backtest Result ===
                            Backtest
total_return_pct           -0.056694
annualized_return          -0.000575
sharpe_ratio               -6.331191
sortino_ratio              -6.845218
max_drawdown_pct            0.056694
volatility                  0.000091
win_rate                    0.339286
end_market_value       999433.064610
initial_market_value  1000000.000000
total_return               -0.000567
max_drawdown                0.000567
ulcer_index                 0.000306
upi                        -1.878765
equity_r2                   0.981178
std_error                  22.986004

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。
• 💻 贡献指南: 如何参与项目开发。

License

MIT License