akquant 0.1.64

High-performance quantitative trading framework based on Rust and Python

AKQuant 是一款专为量化投研设计的下一代高性能混合框架。核心引擎采用 Rust 编写以确保极致的执行效率，同时提供优雅的 Python 接口以维持灵活的策略开发体验。

🚀 核心亮点：

• 极致性能：得益于 Rust 的零开销抽象与 Zero-Copy 数据架构，回测速度较传统纯 Python 框架（如 Backtrader）提升 X倍+。
• 原生 ML 支持：内置 Walk-forward Validation（滚动训练）框架，无缝集成 PyTorch/Scikit-learn，让 AI 策略开发从实验到回测一气呵成。
• 因子表达式引擎：内置 Polars 驱动的高性能因子计算引擎，支持 Rank(Ts_Mean(Close, 5)) 等 Alpha101 风格公式，自动处理并行计算与数据对齐。
• 参数优化：内置多进程网格搜索（Grid Search）框架，支持策略参数的高效并行优化。
• 专业级风控：内置完善的订单流管理与即时风控模块，支持多资产组合回测。

👉 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 akquant as aq
import akshare as ak
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="20250212", end_date="20260212")


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

        elif current_pos > 0 and bar.close < bar.open:
            self.close_position(symbol=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,
    initial_cash=100000.0,
    symbol="sh600000"
)

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

运行结果示例:

=== Backtest Result ===
BacktestResult:
                                            Value
start_time              2025-02-12 00:00:00+08:00
end_time                2026-02-12 00:00:00+08:00
duration                        365 days, 0:00:00
total_bars                                    249
trade_count                                  62.0
initial_market_value                     100000.0
end_market_value                          99804.0
total_pnl                                  -196.0
unrealized_pnl                                0.0
total_return_pct                           -0.196
annualized_return                        -0.00196
volatility                               0.002402
total_profit                                548.0
total_loss                                 -744.0
total_commission                              0.0
max_drawdown                                345.0
max_drawdown_pct                         0.344487
win_rate                                22.580645
loss_rate                               77.419355
winning_trades                               14.0
losing_trades                                48.0
avg_pnl                                  -3.16129
avg_return_pct                          -0.199577
avg_trade_bars                           1.967742
avg_profit                              39.142857
avg_profit_pct                           3.371156
avg_winning_trade_bars                        4.5
avg_loss                                    -15.5
avg_loss_pct                            -1.241041
avg_losing_trade_bars                    1.229167
largest_win                                 120.0
largest_win_pct                         10.178117
largest_win_bars                              7.0
largest_loss                                -70.0
largest_loss_pct                        -5.380477
largest_loss_bars                             1.0
max_wins                                      2.0
max_losses                                    9.0
sharpe_ratio                            -0.816142
sortino_ratio                           -1.066016
profit_factor                            0.736559
ulcer_index                              0.001761
upi                                     -1.113153
equity_r2                                0.399577
std_error                                68.64863
calmar_ratio                            -0.568962
exposure_time_pct                       48.995984
var_95                                   -0.00023
var_99                                   -0.00062
cvar_95                                 -0.000405
cvar_99                                  -0.00069
sqn                                     -0.743693
kelly_criterion                         -0.080763
max_leverage                              0.01458
min_margin_level                        68.587671

复杂订单助手 (OCO / Bracket)

AKQuant 提供了两组复杂订单助手，减少手写订单联动逻辑：

• create_oco_order_group(first_order_id, second_order_id, group_id=None)：将两个订单绑定为 OCO，任一成交后自动撤销另一单。
• place_bracket_order(symbol, quantity, entry_price=None, stop_trigger_price=None, take_profit_price=None, ...)：一次性提交 Bracket 结构；进场成交后自动挂出止损/止盈，并在双退出单场景下自动绑定 OCO。

from akquant import OrderStatus, Strategy

class BracketHelperStrategy(Strategy):
    def __init__(self):
        self.entry_order_id = ""

    def on_bar(self, bar):
        if self.get_position(bar.symbol) > 0 or self.entry_order_id:
            return

        self.entry_order_id = self.place_bracket_order(
            symbol=bar.symbol,
            quantity=100,
            stop_trigger_price=bar.close * 0.98,
            take_profit_price=bar.close * 1.04,
            entry_tag="entry",
            stop_tag="stop",
            take_profit_tag="take",
        )

    def on_order(self, order):
        if order.id == self.entry_order_id and order.status in (
            OrderStatus.Cancelled,
            OrderStatus.Rejected,
        ):
            self.entry_order_id = ""

可直接运行完整示例：

python examples/06_complex_orders.py

流式回测 (Streaming)

如果你希望在回测执行过程中实时消费事件，可直接使用 run_backtest 并传入 on_event：

def on_event(event):
    if event["event_type"] == "finished":
        payload = event["payload"]
        print("status:", payload.get("status"))
        print("callback_error_count:", payload.get("callback_error_count"))

result = aq.run_backtest(
    data=df,
    strategy=MyStrategy,
    symbol="sh600000",
    on_event=on_event,
    show_progress=False,
    stream_progress_interval=10,
    stream_equity_interval=10,
    stream_batch_size=32,
    stream_max_buffer=256,
    stream_error_mode="continue",
)

run_backtest 也支持可选 on_event。如果不传，框架会使用内部 no-op 回调， 保持与传统阻塞调用一致的返回语义；如果传入 on_event，即可在保持 run_backtest(...) 调用方式不变的同时接入实时事件。

关键参数：

• stream_progress_interval / stream_equity_interval: 进度与权益事件采样间隔
• stream_batch_size / stream_max_buffer: 缓冲与批量刷新控制
• stream_error_mode: 回调异常策略，支持 "continue" 与 "fail_fast"

阶段 5 迁移 FAQ：

• run_backtest 是否改名？不改名，调用方式保持不变。
• run_backtest 是否还能不传 on_event？可以，不传时仍返回同样的结果对象语义。
• 如何回滚？阶段 5 后不再支持 _engine_mode 参数级回滚，建议使用版本级回滚。
• 文档入口在哪里？可从 中文文档首页的阶段 5 迁移入口 快速跳转到 quickstart FAQ 和 API 兼容说明。
• 英文入口在哪里？可从 English docs Quick Links 跳转到 Phase-5 Migration FAQ 与 Compatibility Notes。

可视化 (Visualization)

AKQuant 内置了基于 Plotly 的强大可视化模块，仅需一行代码即可生成包含权益曲线、回撤分析、月度热力图等详细指标的交互式 HTML 报告。

# 生成交互式 HTML 报告，自动在浏览器中打开
result.report(
    show=True,
    compact_currency=True,  # 金额列按 K/M/B 紧凑显示（默认 True）
)

# 如果你希望金额列保留原始数值精度（不缩写），可关闭：
result.report(
    show=False,
    filename="report_raw_amount.html",
    compact_currency=False,
)

你也可以直接复用结构化分析结果做二次研究：

exposure = result.exposure_df()             # 暴露分解（净暴露/总暴露/杠杆）
attr_by_symbol = result.attribution_df(by="symbol")
attr_by_tag = result.attribution_df(by="tag")
capacity = result.capacity_df()             # 容量代理（成交率/换手等）
orders_by_strategy = result.orders_by_strategy()         # 按策略归属聚合订单
executions_by_strategy = result.executions_by_strategy() # 按策略归属聚合成交

👉 点击查看交互式报表示例 (Interactive Demo)

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。

🧪 测试与质量保证

AKQuant 采用严格的测试流程以确保回测引擎的准确性：

• 单元测试: 覆盖核心 Rust 组件与 Python 接口。
• 黄金测试 (Golden Tests): 使用合成数据验证关键业务逻辑（如 T+1、涨跌停、保证金、期权希腊值），并与锁定的基线结果进行比对，防止算法回退。

运行测试：

# 1. 安装开发依赖
pip install -e ".[dev]"

# 2. 运行所有测试
pytest

# 3. 运行 Rust 核心测试（自动处理 macOS + conda 动态库路径）
./scripts/cargo-test.sh -q

# 4. 仅运行黄金测试
pytest tests/golden/test_golden.py

贡献指南

Citation

Please use this bibtex if you want to cite this repository in your publications:

@misc{akquant,
    author = {Albert King and Yaojie Zhang and Chao Liang},
    title = {AKQuant},
    year = {2026},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\url{https://github.com/akfamily/akquant}},
}

License

MIT License