czsc 1.0.0rc7

缠中说禅技术分析工具

czsc - 缠中说禅技术分析工具

项目文档 | 投研数据共享 | 信号函数编写规范 | DEVIN生成的文档

1.0.X 版本开始，缠论核心算法（分型、笔、中枢等）已全部迁移到 Rust 实现，通过 PyO3 扩展（czsc._native）暴露给 Python。 需要了解旧 Python 实现逻辑的，可查看 0.9.X 版本。

czsc_skills

源于缠中说缠博客，原始博客中的内容不太完整，且没有评论，以下是网友整理的原文备份

• 备份网址1：http://www.fxgan.com

• 备份网址2：https://chzhshch.blog

• 已经开始用czsc库进行量化研究的朋友，欢迎加入飞书群，快点击加入吧！

• B站视频教程合集（持续更新...）

架构概览

CZSC 1.0 采用 Rust + Python 混合架构：

czsc (Python 包)
├── czsc._native          ← Rust 扩展（PyO3），缠论核心
│   ├── CZSC / FX / BI / ZS / RawBar / NewBar / BarGenerator
│   ├── Freq / Mark / Direction / Signal / Event / Position / Operate
│   ├── CzscTrader / CzscSignals / generate_czsc_signals
│   ├── signals.*         ← 220+ 信号函数（Python 端 7 个子模块；详见 crates/czsc-signals/src/）
│   └── ta.*              ← Rust TA 算子 (ema/sma/boll 等，本次清理 起仅内部使用)
├── czsc.traders          ← Python 门面，汇聚 Rust 交易 API
├── czsc.utils            ← 工具函数（绘图/缓存/统计/交易工具）
├── czsc.connectors       ← 数据源连接器（天勤/Tushare/CCXT/本地缓存）
├── czsc.strategies       ← 策略门面（CzscStrategyBase/CzscJsonStrategy）
├── czsc.fsa              ← 飞书自动化工具
├── czsc.mock             ← 测试用模拟数据（转发自 wbt）
└── czsc.envs             ← 环境变量管理

底层 Rust workspace 包含 9 个 crate：czsc / czsc-core / czsc-derive / czsc-signals / czsc-trader / czsc-utils / czsc-ta / czsc-signal-macros / czsc-python（PyO3 绑定入口）。

项目贡献

• 缠论的 分型、笔 的自动识别，由 Rust 实现并通过 czsc._native 暴露
• 定义并实现 信号-事件-交易 量化交易逻辑体系，事件通过 signals_all/signals_any/signals_not 实现信号的逻辑组合
• 定义并实现了 220+ 信号函数（Rust 实现），见 czsc._native.signals
• 缠论多级别联立决策分析交易，详见 CzscTrader
• HTML 可视化（plotly + lightweight-charts）：czsc.utils.plotting.{kline,weight,lightweight}.*

安装使用

注意： Python 版本必须 ≥ 3.10

从 PyPI 安装预编译版本（推荐）：

pip install czsc -U

使用 uv 安装（推荐开发环境）：

uv pip install czsc

从源码构建（需要 Rust 工具链和 maturin）：

# 安装 Rust：https://rustup.rs/
# 安装 maturin
pip install maturin

# 克隆并构建
git clone https://github.com/waditu/czsc.git
cd czsc
maturin develop --release

Rust 构建环境约束：底层依赖 pyo3 / pyo3-stub-gen 0.22 要求 Python ≥ 3.10。 当系统默认 Python 低于 3.10 时，请通过环境变量显式指定：

export PYO3_PYTHON=$(which python3.12)   # 或任意 3.10+ 的解释器

否则 cargo build / cargo test 会在 crates/czsc-python/build.rs 提前 panic 并给出修复建议。 用 uv sync --extra dev 走 UV 流程时，UV 会自动选择项目声明的 Python，不需要额外设置。

快速开始

核心缠论分析

import czsc
from czsc import CZSC, Freq, format_standard_kline
from czsc.mock import generate_symbol_kines

# 生成模拟 K 线数据
df = generate_symbol_kines('000001', '30分钟', '20240101', '20240601')

# 转换为 RawBar 对象列表
bars = format_standard_kline(df, freq=Freq.F30)

# 创建 CZSC 分析对象（自动识别分型、笔、中枢）
czsc_obj = CZSC(bars)
print(f"笔数量：{len(czsc_obj.bi_list)}")
print(f"中枢数量：{len(czsc_obj.zs_list)}")

K 线合成与多级别分析

from czsc import BarGenerator, Freq

# 使用 BarGenerator 进行 K 线合成
bg = BarGenerator(base_freq='1分钟', freqs=['5分钟', '30分钟', '日线'])
for bar in raw_bars:
    bg.update(bar)

# 获取各周期 K 线
bars_5m = bg.bars['5分钟']
bars_30m = bg.bars['30分钟']

信号生成

from czsc import generate_czsc_signals, get_signals_config, get_signals_freqs

# 配置信号序列（使用 Rust 实现的信号函数）
signals_seq = [
    "czsc._native.signals.bar.bar_end_V230331",
    "czsc._native.signals.cxt.cxt_bi_status_V230101",
]

# 解析信号所需的周期配置
freqs = get_signals_freqs(signals_seq)
config = get_signals_config(signals_seq)

# 生成信号序列
results = generate_czsc_signals(bars, signals_seq)

权重回测

from czsc import WeightBacktest
from czsc.mock import generate_klines_with_weights

# 生成带权重的模拟数据
dfw = generate_klines_with_weights(seed=42)

# 运行权重回测
wb = WeightBacktest(dfw, fee_rate=0.0002)
print(wb.stats)  # 回测统计汇总

策略研究

from czsc import run_research, run_replay

# 单品种回放
run_replay(bars, signals_seq, pos_seq, res_path='./results/')

# 批量品种研究
run_research(symbols, signals_seq, pos_seq, res_path='./results/')

缠论可视化与回测报告

# 缠论 K 线（多周期联立，自包含 HTML，离线即可打开）
from czsc.utils.plotting.lightweight import plot_czsc, plot_czsc_trader

html = plot_czsc(c, output="html")  # 单周期
plot_czsc_trader(ct, output="html", path="trader.html")  # 多周期

# 回测 HTML 报告：用 wbt.generate_backtest_report 一键产出
from wbt import generate_backtest_report
generate_backtest_report(df=dfw, output_path="report.html", weight_type="ts")

使用案例

更多端到端案例汇总见飞书 wiki：CZSC 1.0.X 版本使用说明和案例。

序号	案例	一句话介绍
1	基于 Event 的策略回测 + wbt HTML 报告	5 行命令跑通 Event → Position → 回测 → 可交互 HTML 报告的完整闭环。
2	lightweight_charts 缠论可视化	几行代码把缠论结构（分型/笔/线段/中枢）导出为自包含离线 HTML，便于分享与嵌入。
3	把信号函数画到 K 线主图（plot_czsc_signals）	把信号触发点叠在 K 线主图上，直观调试 signals_config 与多周期联立。
4	性能基准测试：在本地复现 CZSC / CzscTrader 吞吐量	一行命令本地评估吞吐量，配套关键指标速查表，用于容量规划与加速效果核对。
5	信号函数模块深入介绍	系统讲解 czsc-signals 架构与 246 个信号函数的模块划分、参数模板、信号表达示例。

核心 API 一览

类型	符号	说明
缠论对象	CZSC, FX, BI, ZS	缠论核心数据结构（Rust）
K线对象	RawBar, NewBar, BarGenerator	K线与合成器（Rust）
枚举	Freq, Mark, Direction, Operate	方向/频率等枚举（Rust）
信号/事件	Signal, Event, Position	信号与持仓逻辑（Rust）
分析工具	check_fx, check_bi, remove_include	分型/笔校验工具（Rust）
TA算子顶层别名	czsc.ema, czsc.sma, czsc.rolling_rank, czsc.boll_positions, czsc.ultimate_smoother	技术指标算子顶层别名（Rust）
交易器	CzscTrader, CzscSignals	多级别交易决策（Rust）
信号生成	generate_czsc_signals	批量信号生成（Rust）
权重回测	WeightBacktest	权重序列回测（来自 wbt）
策略	CzscStrategyBase, CzscJsonStrategy	策略封装（Python）
模拟数据	generate_symbol_kines	测试用 K线数据（来自 wbt）
格式转换	format_standard_kline	DataFrame → RawBar 列表

数据源连接器

czsc.connectors 提供多个数据源适配器：

模块	数据源	说明
tq_connector.py	天勤（TQSdk）	期货实时/历史行情
ts_connector.py	Tushare	A股历史数据
ccxt_connector.py	CCXT	数字货币交易所
local_data.py	投研数据本地缓存	CZSC 共享数据本地读取入口

可视化（HTML 输出）

本次清理 起项目不再依赖 streamlit，可视化统一以 plotly + lightweight-charts 输出 HTML：

模块	功能
czsc.utils.plotting.kline	单周期 K 线 + 缠论结构（plotly Figure）
czsc.utils.plotting.weight	权重时序图（plotly Figure）
czsc.utils.plotting.lightweight	lightweight-charts 自包含 HTML，多周期联立 + 信号叠加
累计收益 / 回撤 / 月度热力图 / 综合回测概览	改用 wbt.generate_backtest_report 或直接 plotly，见 docs/migration/cleanup-non-czsc-core.md

如需 streamlit 集成，调用方自行 pip install streamlit 后用 st.components.v1.html(plot_czsc(c, output='html')) 嵌入即可。从 1.x 升级请参考 docs/migration/cleanup-non-czsc-core.md。

相关项目（生态依赖）

czsc 在权重回测、权重落地与 TA 算子一致性校验上依赖以下三个独立开源项目，它们与 czsc 形成"分析 + 回测 + 落地 + 校验"的完整闭环：

项目	GitHub	角色	与 czsc 的关系
wbt	https://github.com/zengbin93/wbt	策略持仓权重回测引擎（Weight Back Test）	硬依赖。提供 WeightBacktest / daily_performance / top_drawdowns / generate_backtest_report 等；czsc.mock 也转发自 wbt.mock。czsc 顶层 from czsc import WeightBacktest 即来自此包。
wmr	https://github.com/zengbin93/wmr	策略持仓权重管理系统（Weight Manager，DuckDB / ClickHouse 双后端）	下游配套（非硬依赖）。wbt 负责"离线回测权重"，wmr 负责"实盘 / 投研环境下权重的持久化、版本管理与查询"。czsc 产出信号 / 持仓 → wbt 跑回测 → wmr 落库供下游消费。
talib-rs	https://github.com/0xcjun/talib-rs	纯 Rust 实现的 TA-Lib 替代库	测试可选依赖。仅 tests/unit/test_ta_parity.py 用它对 czsc._native.ta（EMA / SMA 等）做数值 parity 校验，确保 czsc 自研 TA 算子与 TA-Lib 行为一致。运行时代码不依赖。

简言之：wbt = 回测，wmr = 权重落地，talib-rs = TA 基准；czsc 自身专注缠论核心算法（Rust）与信号-事件-交易体系，其余环节通过这三个项目解耦协同。

开发环境搭建

# 使用 UV 管理依赖（推荐）
uv sync --extra dev

# 构建 Rust 扩展（开发模式）
maturin develop

# 运行测试
uv run pytest tests/ -v

# 代码格式化
uv run ruff format czsc/ tests/
uv run ruff check czsc/ tests/

关键环境变量

变量	说明	默认值
CZSC_MIN_BI_LEN	最小笔长度	6
CZSC_MAX_BI_NUM	最大笔数量	50
CZSC_VERBOSE	是否输出详细日志	False

使用前必看

• 1.0.X 版本核心算法已迁移到 Rust，与 0.9.X 版本 不兼容；旧代码需按新 API 迁移；
• 免责声明：项目开源仅用于技术交流！
• 如果你发现了项目中的 Bug，可以先读一下《如何有效地报告 Bug》，然后在 issues 中报告 Bug

缠论精华

学了本ID的理论，去再看其他的理论，就可以更清楚地看到其缺陷与毛病，因此，广泛地去看不同的理论，不仅不影响本ID理论的学习，更能明白本ID理论之所以与其他理论不同的根本之处。

为什么要去了解其他理论，就是这些理论操作者的行为模式，将构成以后我们猎杀的对象，他们操作模式的缺陷，就是以后猎杀他们的最好武器，这就如同学独孤九剑，必须学会发现所有派别招数的缺陷，这也是本ID理论学习中一个极为关键的步骤。

真正的预测，就是不测而测。所有预测的基础，就是分类，把所有可能的情况进行完全分类。有人可能说，分类以后，把不可能的排除，最后一个结果就是精确的。 这是脑子锈了的想法，任何的排除，等价于一次预测，每排除一个分类，按概率的乘法原则，就使得最后的所谓精确变得越不精确，最后还是逃不掉概率的套子。 对于预测分类的唯一正确原则就是不进行任何排除，而是要严格分清每种情况的边界条件。任何的分类，其实都等价于一个分段函数，就是要把这分段函数的边界条件确定清楚。 边界条件分段后，就要确定一旦发生哪种情况就如何操作，也就是把操作也同样给分段化了。然后，把所有情况交给市场本身，让市场自己去当下选择。 所有的操作，其实都是根据不同分段边界的一个结果，只是每个人的分段边界不同而已。因此，问题不是去预测什么，而是确定分段边界。

原文整理

• 缠中说禅重新编排版《论语》（整理版）
• 缠中说禅交易指南
• 缠中说禅技术原理
• 缠中说禅图解分析示范
• 缠中说禅：缠非缠、禅非禅，枯木龙吟照大千（整理版）
• 缠中说禅教你打坐（整理版）

资料分享

• 链接：https://pan.baidu.com/s/1RXkP3188F0qu8Yk6CjbxRQ
• 提取码：vhue