quantnodes-strategy-research
QuantNodes 策略研究子项目 — AI 驱动的量化策略自动研究框架
⚠️ 项目状态：本项目原为 QuantNodes 整体大项目中的一个模块（
research/strategy-research/），现剥离独立开发，作为 QuantNodes 生态的子项目进行快速迭代。后续会在适当时机合回主仓库。
📑 目录
项目背景
起源
本项目源自 QuantNodes 整体大项目中的 strategy-research 模块（路径：research/strategy-research/）。QuantNodes 是一个综合性的量化投资平台，包含多个相互依赖的子模块。
为什么剥离？
为了快速迭代和独立发布，本模块现以独立项目形式开发：
| 优势 | 说明 |
|---|---|
| 独立版本控制 | 不受主仓库其他模块影响 |
| 更快发布周期 | 单独打 tag、单独发 PyPI |
| 清晰依赖关系 | 仅依赖核心库（httpx、duckdb、pandas 等） |
| 便于引用 | 其他项目可单独引用 |
| 独立测试 | 独立 CI/CD，不被主仓库拖累 |
与主项目关系
- 上游：主仓库
sn0wfree/quantnodes - 本仓库：
sn0wfree/quantnodes-strategy-research - 依赖方向：本项目 → 仅依赖通用 Python 库（无 QuantNodes 内部依赖）
- 未来：核心功能稳定后，会以 PR 形式合回主仓库
核心特性
🎯 核心能力
- ✅ 完整工作区管理：
init/evaluate/reproduce/run全流程 - ✅ Full-screen Textual TUI（v0.4.0）：default entry
quantnodes-research即启用 multi-pane 交互界面，slash 命令 + LLM 流式响应 + resume/halt 拦截全在一处 - ✅ 多数据源：Tencent / Eastmoney / Akshare / Tushare / YFinance / Local / FRED / iFinD
- ✅ 460+ 因子库：Alpha101 / GTJA191 / Qlib158 / Academic / Fundamental
- ✅ AI Agent 真跑：6 个工具 + 沙箱 + 3 层上下文压缩
- ✅ Workflow 层：DAG 调度 + Controller + 4 种 Executor + Grounding
- ✅ Hook 系统：借鉴 llmwikify 13 事件点
- ✅ Memory 系统：FTS5 + Recency boost + Write dedup
- ✅ Session 管理：SQLite + FTS5 + 触发器同步 + 限流 + 监控
- ✅ PyPI 发布：已发布 v0.3.0（自动发布 workflow）；v0.4.0 待发布
🏗️ 技术栈
- Python 3.10+
- 数据：DuckDB / SQLite / Pandas
- LLM：OpenAI 兼容（httpx 零依赖）
- TUI：Textual ≥ 0.50（full-screen multi-pane）+ prompt_toolkit（legacy REPL fallback）
- 测试：pytest（5,536+ 测试）
- 借鉴：vibe-trading-ai 0.1.11（HKUDS，MIT）/ llmwikify（Hook 系统）
安装
方式 1：独立安装（推荐）
# 克隆仓库
git clone https://github.com/sn0wfree/quantnodes-strategy-research.git
cd quantnodes-strategy-research
# 开发模式安装
pip install -e .
# 验证安装
quantnodes-research --help
方式 2：从 PyPI 安装
pip install quantnodes-strategy-research
方式 3：作为 QuantNodes 子模块
# 在 QuantNodes 主仓库中
git clone https://github.com/sn0wfree/quantnodes-strategy-research.git research/strategy-research
pip install -e research/strategy-research
环境变量
设置至少一个 LLM API Key：
# 任选其一
export OPENAI_API_KEY=sk-xxx # OpenAI
export DEEPSEEK_API_KEY=sk-xxx # DeepSeek
export KIMI_API_KEY=sk-xxx # Moonshot Kimi
export QWEN_API_KEY=sk-xxx # Alibaba Qwen
export ANTHROPIC_API_KEY=sk-xxx # Anthropic Claude
# 可选：自定义 base URL 和模型
export OPENAI_BASE_URL=https://api.deepseek.com/v1
export OPENAI_MODEL=deepseek-chat
快速开始（30 秒）
# 1. 配置 LLM 凭证（5 步 TTY 向导，vibe-trading 风格）
quantnodes-research init
# 2. 启动交互式 REPL（在你的策略工作区内）
cd /path/to/strategy
quantnodes-research
# 3. 手动复跑（修改 strategy.py 后）
quantnodes-research evaluate /path/to/strategy
# 4. 复现某个历史 run
quantnodes-research reproduce /path/to/strategy run_0001
首次运行 init 输出：
? Pick a model provider > OpenAI
? Enter your OpenAI API key (saved to ~/.quantnodes/strategy_research/.env, never logged)
? Default request timeout > 300s (5 min — normal autoresearch, recommended)
? Enable Tushare for China A-share data? > No, skip (most users)
✓ Wrote ~/.quantnodes/strategy_research/.env
Config ~/.quantnodes/strategy_research/.env
Run quantnodes-research
注意：v0.5.0 起
init不再创建工作区文件（config.yaml / .prompts/ / .skills/ / strategies/）。这些文件由autoresearch按需 lazy 创建。workspace scaffold 可能回归为独立子命令quantnodes-research workspace create（v0.6.0 待定）。 ✓ 运行 baseline 回测 (buy and hold HS300)
---
## 🖥️ Interactive TUI（v0.4.0 新增）
不传子命令直接运行 `quantnodes-research` 会启动一个 **Textual 写的 full-screen multi-pane TUI**：
左侧命令栏 / 中间 transcript / 右侧 activity rail / 底部 prompt 输入。
```bash
quantnodes-research # TTY → Textual TUI 默认入口
quantnodes-research --repl # 强制走 prompt_toolkit 老式 REPL（兼容路径）
quantnodes-research --help # 显示 argparse help
布局：
┌─ quantnodes-research · v0.4.0 ──────────────────────────────────────────────┐
│ [8 行 ASCII 大字渐变 banner : strategy-research logo] │
├──── Commands ──┬──── Transcript ──────────────┬──── Activity ─────────────┤
│ /help │ User: hello │ ⚙ tool_call │
│ /goal start │ ⏳ thinking… │ ✔ tool_result_ok │
│ /history │ Assistant: Hi! How can I ... │ ✘ tool_result_error │
│ /show │ `(elapsed 0.5s · 7 chars)` │ │
│ /model │ │ │
│ /halt │ User: /help │ │
│ /resume │ [/help table rendered] │ │
│ /quit │ │ │
├────────────────┴────────────────────────────────┴──────────────────────────┤
│ ❯ type a question or /command… │
├────────────────────────────────────────────────────────────────────────────┤
│ F1 help · Ctrl+C halt · Ctrl+D quit · /quit │
└────────────────────────────────────────────────────────────────────────────┘
操作
| 行为 | 触发 | 副作用 |
|---|---|---|
| 启动 TUI | quantnodes-research（TTY） |
banner 显示；询问 (r)esume / (n)ew（如有历史 session） |
| 弹出 help | F1 或侧栏 /help |
渲染到 transcript |
| 退出 | Ctrl+D 或 /quit |
干净退出（rc=0） |
| 终止 LLM 长跑 | Ctrl+C 或输入 停 |
HALT tripped，不退出 |
| 恢复 LLM | 输入 /resume 或 Ctrl+R |
HALT cleared |
| 清屏 + 历史 | /clear 或 Ctrl+L |
清 transcript + ctx.history |
| Mandate 投票 | 数字 1/2/3（有 pending proposal 时） |
不进 LLM，proposal 清空 |
| 调 LLM | 在 prompt_toolkit 输入 OpenAI_API_KEY 之后输入普通文本 |
流式响应写入 transcript |
路由表
quantnodes-research → TUI（TTY）/ argparse help（非 TTY）
quantnodes-research --repl → legacy prompt_toolkit REPL
quantnodes-research --banner → legacy REPL（保留 v0.3.x 别名）
quantnodes-research status → argparse 子命令（不影响）
quantnodes-research goal ... → argparse 子命令
echo "" | quantnodes-research → argparse help（无 TTY 不进 TUI）
配置 LLM 流式响应
设置环境变量（任一）：
export OPENAI_API_KEY=sk-...
export OPENAI_BASE_URL=https://api.openai.com/v1 # 默认；可指向 DeepSeek / Kimi / Qwen / 自建
export OPENAI_MODEL=gpt-4o # 默认
# 或 DeepSeek
export OPENAI_API_KEY=...
export OPENAI_BASE_URL=https://api.deepseek.com/v1
export OPENAI_MODEL=deepseek-chat
然后在 TUI 里输入纯文本（不以 / 或 停 开头）就会触发 LLM 流式响应。
程序化接入
from strategy_research.cli.tui import ResearchApp
from strategy_research.core.llm.openai_client import OpenAICompatClient
# 直接以 API 启动 TUI
client = OpenAICompatClient() # reads OPENAI_API_KEY etc.
app = ResearchApp(model="gpt-4o", version="0.4.0", llm_client=client)
app.run()
已镜像的 vibe-trading 体感
TUI 的 /halt 拦截 + 三态 Ctrl+C（清空 / 提示 / 退出）+ (r)esume / (n)ew 上回会话 + 数字 mandate pick + 全套 16 slash 命令 — 都从 vibe-trading-ai 0.1.11 直接 mirror，零行为差异。
🔣 Unicode ↔ ASCII fallback
少数组件发 Unicode glyph（●、×、…、·、→）。在 ASCII-only 终端
（老 vt100、串口控制台、LANG=C）上，这些字符会变成乱码。
新加的 cli.utils.ascii_compat 模块会在以下情况自动降级到 ASCII 同义字符：
| Unicode | ASCII | 用途 |
|---|---|---|
● |
* |
状态 marker（running / ok） |
× |
x |
错误 marker |
… |
... |
截断省略号 |
· |
- |
行间分隔符 |
→ |
-> |
箭头（如 /journal / /shadow 提示） |
触发条件（按优先级）：
register_ascii_mode(True)程序化覆盖（线程局部）STRATEGY_ASCII_MODE=1环境变量LANG=POSIX/LANG=C且LC_ALL不指向 UTF-8sys.stdout.encoding报告ascii/ANSI_X3.4/646
显式关闭：
STRATEGY_ASCII_MODE=1 quantnodes-research # 强制 ASCII 输出（即使 LANG=en_US.UTF-8）
生成 TUI 截图（开发 / 文档）
# 直接打开 TUI 拍一张 banner 截图
python -c "
import asyncio
from strategy_research.cli.tui.app import ResearchApp
async def main():
app = ResearchApp(model='gpt-4o', version='0.4.0')
async with app.run_test() as pilot:
for _ in range(4): await pilot.pause()
app.save_screenshot('tui.svg')
asyncio.run(main())
"
# SVG 写到 ./tui.svg (~80 KB)
CI 也有等价校验：tests/test_cli_tui_app.py::test_app_save_screenshot_produces_valid_svg
确认 App.save_screenshot 写出非空 SVG。
CLI 命令（32 个 = 13 + 19）
| 命令 | 用途 | 示例 |
|---|---|---|
init |
初始化工作区（含 baseline 回测） | init /tmp/ws |
init --force |
非空目录强制初始化 | init /tmp/ws --force |
init --no-baseline |
跳过 baseline 回测（更快） | init /tmp/ws --no-baseline |
preflight |
启动前环境检查（4 项） | preflight /tmp/ws |
status |
查看工作区状态 | status /tmp/ws |
evaluate |
复跑当前 strategy.py 并写新 run_XXXX | evaluate /tmp/ws |
run |
通用回测（带 action/description） | run /tmp/ws --action integrate |
reproduce |
复现历史 run | reproduce /tmp/ws run_0001 |
validate |
验证因子（IC/IR/6 维评分） | validate /tmp/ws --factor 'ts_return(close, 20)' |
list |
列出历史实验 | list /tmp/ws --limit 10 |
import |
导入价格数据 | import /tmp/ws --strategy x --source akshare --codes 600519.SH |
autoresearch |
自动化研究循环（10 角色串行） | autoresearch /tmp/ws --max-rounds 5 |
session stats |
查看写入统计 | session stats |
session list |
列出会话 | session list |
goal start |
创建研究目标（取代当前目标） | goal start --session-id s1 --objective "..." |
goal status |
查看目标状态 | goal status --session-id s1 |
goal evidence |
追加证据 | goal evidence --session-id s1 --text "..." --criterion-id c1 |
goal audit |
写完成审计 | goal audit --session-id s1 --criterion-id c1 --result satisfied |
goal complete |
完成目标 | goal complete --session-id s1 --audit-file audit.json |
goal list |
列出会话的所有目标 | goal list --session-id s1 |
goal cancel |
取消当前目标 | goal cancel --session-id s1 |
hypothesis create |
创建研究假设 | hypothesis create --title "..." --thesis "..." |
hypothesis list |
列出假设 | hypothesis list --status testing |
hypothesis show |
显示单个假设 | hypothesis show hyp_abc123def456 |
hypothesis update |
更新假设 | hypothesis update hyp_abc --status validated |
hypothesis search |
搜索假设 | hypothesis search --query "momentum" |
hypothesis link |
链接回测结果 | hypothesis link hyp_abc --run-card /path/run_card.json |
validate-run |
跑验证工具（MC/Bootstrap/WF） | validate-run /tmp/ws/strategies/m/runs/run_0001 --monte-carlo --bootstrap --walk-forward |
portfolio run |
组合回测 | portfolio run --config portfolio.yaml --output-dir ./runs/portfolio |
portfolio list |
列出所有策略 | portfolio list --strategy-dir ./strategies |
portfolio show |
显示组合结果 | portfolio show ./runs/portfolio_001 |
portfolio correlate |
策略相关性矩阵 | portfolio correlate --strategy-dir ./strategies |
api serve |
启动 HTTP API 服务器 | api serve --host 0.0.0.0 --port 8765 |
webui serve |
启动 Web UI 仪表盘 | webui serve --host 0.0.0.0 --port 8766 |
preflight 输出示例
======================================================================
quantnodes-research Pre-flight Check
======================================================================
[FAIL] LLM Provider [CRITICAL]
未配置任何 LLM API key
→ Agent 无法调用 LLM...
[OK] DuckDB
writable: /tmp/ws/data.duckdb
[OK] Data Sources
5 个可用: tencent, akshare, yfinance, eastmoney, local
[SKIP] OHLCV Integrity
无 price_data 数据
======================================================================
❌ 1 项 CRITICAL 检查失败，agent 无法启动
evaluate 输出示例
🔄 复跑策略: test_strat
✅ 复跑成功: run_0002
Calmar = 0.5989
Sharpe = 0.9273
MaxDD = -0.1550
AnnRet = 0.0928
AnnVol = 0.1001
Sortino = 1.5064
Turnover = 5.0400
📁 详见: /tmp/ws/strategies/test_strat/runs/run_0002
工作区结构
/path/to/workspace/
├── README.md # Agent 入口
├── config.yaml # 工作区配置（数据源/回测参数/成本/风控）
├── data.duckdb # 共享数据库（9 张表）
├── .git/
├── .prompts/ # 11 个 Subagent 提示词
│ ├── orchestrator.md
│ ├── researcher.md
│ ├── factor_analyst.md
│ ├── strategist.md
│ ├── critic.md
│ ├── data_quality.md
│ ├── portfolio_construction.md
│ ├── risk_controller.md
│ ├── attribution_analyst.md
│ ├── anti_overfit_analyst.md
│ ├── backtest_diagnostics.md
│ └── critic.md
└── .skills/ # 27 份方法论
├── data-routing.md
├── factor-research.md
├── backtest-diagnose.md
├── correlation-analysis.md
├── ml-strategy.md
├── performance-attribution.md
├── quant-statistics.md
├── risk-analysis.md
├── sector-rotation.md
└── research-discipline.md
└── strategies/
└── {strategy_name}/
├── program.md # 策略 playbook（必读）
├── prepare.py # 目标函数（Agent 不改）
├── strategy.py # Agent 唯一可改（PARAMS/FACTOR_EXPRS/FACTOR_WEIGHT_METHOD）
└── runs/
├── results.tsv
└── run_XXXX/
├── strategy.py # 快照
├── run.log # stdout
├── metrics.json # 8 项指标
├── run_card.json # Trust Layer (SHA-256)
└── run_card.md # 人读版
数据源（5+ 个 loader）
通过 data.source 字段配置：
| Loader | 市场 | 鉴权 | 自动 fallback |
|---|---|---|---|
tencent |
A 股 | ❌ | 是 |
eastmoney |
A 股 + 港股 | ❌ | 是 |
akshare |
全市场 | ❌ | 是 |
tushare |
A 股 + 期货 + 基金 | ✓ | 是 |
yfinance |
美股 + 港股 + 加密 | ❌ | 是 |
local |
自定义 CSV/Parquet | ❌ | 否（避免静默降级） |
fred |
美国宏观 | ✓ | 否 |
ifind |
宏观 + 港美股 | ✓ | 否 |
FALLBACK_CHAINS（自动 fallback 链）：
"a_share": ["tencent", "eastmoney", "akshare", "tushare", "local"]
"hk": ["eastmoney", "yfinance", "akshare", "ifind", "local"]
"us": ["yfinance", "akshare", "ifind", "local"]
"macro": ["fred", "ifind", "akshare", "tushare", "local"]
"crypto": ["yfinance", "akshare", "local"]
因子体系（460+ 因子）
5 个 Zoo 库（注册式 API，无需手写算子）：
| Zoo | 数量 | 来源 |
|---|---|---|
alpha101 |
101 | Kakushadze (2015) "101 Formulaic Alphas", arXiv:1601.00991 |
gtja191 |
191 | 国泰君安证券 2014 短周期 alpha 因子 |
qlib158 |
154 | Microsoft Qlib Alpha158 (Apache-2.0, pin commit d5379c52) |
academic |
10 | Fama-French / Carhart / Jegadeesh / Amihud 等 |
fundamental |
4 | ROE / earnings yield / gross profitability / asset growth |
from strategy_research.core.alpha_zoo_adapter import AlphaZooAdapter
adapter = AlphaZooAdapter()
alphas = adapter.list_alphas(zoo="gtja191", theme="momentum")
df = adapter.compute_as_wide("gtja191_001", prices_panel)
YAML 配置示例：
factors:
# 表达式因子
- name: momentum_20d
code: ts_return(close, 20)
weight: 0.5
# Alpha Zoo 因子（需 yaml-driven 回测）
- name: gtja_mom
alpha_id: gtja191_005
weight: 0.3
# Alpha Zoo 因子组合
- name: composite
alpha_ids: [alpha101_001, gtja191_010]
combination: equal
Swarm Presets (31 个)
quantnodes-research swarm run --preset <name> 启动内置多 agent 团队。每个 preset 是 YAML DAG（节点 + 依赖 + 工具白名单），由 SwarmRuntime 按拓扑层并行执行。
| 类别 | 数量 | 示例 |
|---|---|---|
| Equity 研究 | 5 | equity_research_team、value_investing_committee、fundamental_research_team |
| Quant 策略 | 4 | quant_research_team、ml_quant_lab、pairs_research_lab、statistical_arbitrage_desk |
| 衍生品/加密 | 3 | crypto_trading_desk、derivatives_strategy_desk、convertible_bond_team |
| 宏观/全球 | 5 | macro_strategy_forum、global_allocation_committee、commodity_research_team |
| 情绪/资金流 | 3 | sentiment_intelligence_team、flow_analysis_team、social_alpha_team |
| 投资委员会 | 4 | investment_committee、risk_committee、portfolio_review_board、asset_allocation_committee |
| 技术分析 | 2 | technical_analysis_panel、market_microstructure_team |
| Pipeline | 3 | full_pipeline、crypto_lab、sector_rotation |
| Event/ETF | 2 | event_driven_task_force、etf_allocation_desk |
完整列表与 DAG 见 src/strategy_research/core/swarm/presets/。Phase D (2026-07) 与 vibe-trading 30 preset 持平（+1 bonus convertible_bond_team）。
MCP 集成 (13 个工具)
quantnodes-research mcp serve 通过 Model Context Protocol 暴露 13 个研究工具，支持 stdio + SSE 传输。所有工具均研究只读（无下单/撮合/交易）— 安全语义借鉴 vibe-trading。
| 工具 | 真接实现 | 用途 |
|---|---|---|
list_skills / load_skill |
SkillRegistry |
浏览/加载 27 个 Skill |
list_hypotheses |
HypothesisRegistry |
列出研究假说 |
start_research_goal / get_research_goal |
GoalStore (SQLite) |
启动/查询研究目标 |
run_backtest |
core.backtest.run_backtest_script |
执行回测 |
validate_run |
core.validation.runner |
Monte Carlo + Bootstrap + Walk-Forward |
compute_factor |
core.compute_factor + DuckDB |
计算因子值 |
search_memory / add_memory |
PersistentMemory |
跨会话记忆 |
list_sessions / search_messages |
SessionDB (SQLite + FTS5) |
会话搜索 |
list_swarm_presets |
swarm.preset_loader |
浏览 31 个 swarm preset |
Phase B (2026-07) 把 7 个原 stub 工具接入真实现，告别"假数据"。
系统架构
三层架构
┌─────────────────────────────────────────────────────────────┐
│ Workflow 层（P1.5） │
│ - WorkflowController（DAG 调度） │
│ - AgentExecutor Protocol（接口） │
│ - Agent Validators（验证） │
│ - Grounding Provider（市场数据预取） │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ Agent 层（P1） │
│ - AgentLoop（ReAct 循环 + 3 层压缩） │
│ - BaseTool + ToolRegistry（6 个工具） │
│ - Sandbox（AST guard + 路径白名单） │
│ - ContextBuilder（system + user prompt） │
└─────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ Hook + Memory + Session 层（P2） │
│ - Hook 系统（llmwikify 模式，13 事件点） │
│ - Memory（FTS5 + Recency boost + Dedup） │
│ - Session（SQLite + FTS5 + 触发器同步 + 限流） │
└─────────────────────────────────────────────────────────────┘
Hook 系统（P2）
借鉴 llmwikify 的 13 事件点 Hook 系统：
from strategy_research.core.hooks import AgentHook, CompositeHook, AgentHookContext
class MyHook(AgentHook):
name = "my_hook"
def after_iteration(self, ctx: AgentHookContext):
print(f"Iteration {ctx.iteration} done")
composite = CompositeHook([MyHook()])
ctx = AgentHookContext(iteration=1)
asyncio.run(composite.after_iteration(ctx))
13 个事件点：
wants_streaming / before_iteration / after_iteration / on_stream / on_stream_end / emit_reasoning / emit_reasoning_end / before_execute_tools / after_tool_executed / on_tool_error / on_confirmation / finalize_content / on_error
Memory 系统（P2）
- FTS5 全文搜索（全局索引）
- Recency boost（时间衰减）
- Write dedup（SHA-256）
- Context injection（
<recalled-memories>块）
from strategy_research.core.memory import PersistentMemory
memory = PersistentMemory()
memory.add("factor", "Momentum works in large caps", "feedback", "Momentum")
results = memory.find_relevant("momentum")
context = memory.format_context_for_prompt("momentum")
Session 管理（P2）
- SQLite + FTS5（跨 workspace 搜索）
- 触发器自动同步（INSERT/UPDATE/DELETE）
- 限流器（可配置，默认 80,000 条/秒）
- JSONL 监控（写入指标）
# 查看写入统计
$ quantnodes-research session stats
# 列出会话
$ quantnodes-research session list
性能基准：
- 1,000 条插入：1.15s
- 100,000 条插入：4.42s（22,625 条/秒）
- 搜索：35,000~55,000 次/秒
- 触发器自动同步：✅ 无应用层代码
更新状况
路线图进度
| 阶段 | 范围 | 状态 | 详细说明 |
|---|---|---|---|
| P0 | 修通 init（.format()/DuckDB/OHLCV/默认因子/CLI/preflight/eastmoney） |
✅ 完成 | 详见 enhancement.md §2 |
| P1 | Agent 真跑（替换 stub 接通 LLM，6 个工具，沙箱，3 层压缩） | ✅ 完成 | PR #4-#6 + AgentLoop 改造 |
| P1.5 | Workflow 层（DAG 调度 + Controller + 4 种 Executor + Grounding） | ✅ 完成 | 88 测试 |
| P2 | Hook + Memory + Session（llmwikify 模式 + FTS5 + 触发器同步） | ✅ 完成 | 116 测试 |
| P3 | Goal + Hypothesis + Validation（MC + Bootstrap + WF） | ✅ 完成 | 283 新测试（162 Goal + 58 Hypothesis + 40 Validation + 23 Integration） |
| backtest-overhaul | Phase 1+2+3（dataclass + 17-key metrics + market_detection + run_card + AST guard） | ✅ 完成 | 233 测试 |
| P4-b | Portfolio 多策略组合回测（combiner + correlation + VaR/CVaR） | ✅ 完成 | 27 测试 |
| P4-d | HTTP API server mode（FastAPI + 6 routers + Swagger） | ✅ 完成 | 15 测试 |
| P4-c | Web UI dashboard（FastAPI + Jinja + HTMX, 7 页面） | ✅ 完成 | 9 测试 |
| Backtest Engine | bar-by-bar 执行引擎 + 9 市场引擎 + AST guard + artifacts | ✅ 完成 | 104 测试 |
测试统计
- 6,212+ 测试通过
- 0 回归
- 测试覆盖：P0 + P1 + P1.5 + P2 + P3 + backtest-overhaul + P4 + Backtest Engine + TUI + ASCII fallback 全覆盖
- CLI 子命令：13 → 32（+7 goal + 6 hypothesis + 1 validate-run + 4 portfolio + 1 api + 1 webui）
版本发布
| 版本 | 日期 | 说明 |
|---|---|---|
| v0.2.0 | 2026-07-22 | 已发布到 PyPI（自动发布 workflow） |
| v0.3.0 | 2026-07-22 | 本地 marker，未推送 PyPI；包含 P3 + backtest-overhaul + P4（Portfolio / API / WebUI） |
| v0.4.0 | 2026-07-24 | Textual TUI + Unicode/ASCII fallback + vibe-trading parity + CI capture tests（6212 tests） |
下一步计划
- 发布 v0.4.0 到 PyPI：tag + build + upload
- 合回主仓库 sn0wfree/quantnodes：v0.4.0 稳定后启动
- 持续优化：性能 + 用户体验 + 更多 validation 市场（CRYPTO/FUTURES/FOREX）
开发
安装开发依赖
pip install -e ".[dev]"
运行测试
# 全部测试
pytest # 5,536 passed
# 单跑特定模块
pytest tests/test_preflight.py -v # preflight 测试
pytest tests/test_cli_init.py -v # init 测试
pytest tests/test_workflow_e2e.py -v # Workflow e2e 测试
pytest tests/test_session.py -v # Session 测试
# 性能测试
pytest tests/test_session_triggers.py -v # 触发器同步性能
代码检查
# Lint
ruff check .
# 类型检查（可选）
mypy src/strategy_research/
测试覆盖（5,536+ 个测试）
| 模块 | 测试数 | 状态 |
|---|---|---|
test_workflow_*.py |
88 | ✅ |
test_hooks.py |
23 | ✅ |
test_memory_fts5.py |
12 | ✅ |
test_memory_enhance.py |
11 | ✅ |
test_session.py |
34 | ✅ |
test_session_triggers.py |
6 | ✅ |
test_session_rate_limiter.py |
12 | ✅ |
test_session_metrics.py |
9 | ✅ |
test_integration.py |
9 | ✅ |
| P0 + P1 测试 | 3,608 | ✅ |
文档结构
docs/
├── enhancement.md # 借鉴路线图（P0-P3）
├── workflow-design.md # P1.5 Workflow 设计
├── vibe-trading-survey.md # vibe-trading 调研（1805 行）
├── vibe-trading-credits.md # 借鉴致谢
├── autoresearch-design.md # autoresearch 设计
├── llm-config-template.yaml # LLM 配置模板
└── backtest-overhaul/ # 回测重构
examples/
├── demo_workflow.py # 工作流演示
└── session_example.py # Session 使用示例
借鉴致谢
本项目借鉴了以下开源项目：
- vibe-trading-ai 0.1.11（HKUDS，MIT License）
- Agent 工具、Trace、Progress、Memory 等
- 详见
docs/vibe-trading-credits.md
- llmwikify（MIT License）
- Hook 系统（13 事件点）
- AgentLoop 设计模式
设计理念
- Karpathy 极简: 框架提供工具和循环指引，Agent 自主决策
- Skill/Harness 模式: 外部 Agent 读 prompt 后自主决策
- 通用性: 通过
prepare.evaluate()目标函数接口适配不同策略 - 实验可复现: 每次实验保存 SHA-256 快照到
run_card.json，可随时复现 - 磁盘优先: 所有指令写在文件里 — Agent 中途崩溃可从同套文件恢复 context
- Hook 解耦: 通过 Hook 系统实现横切关注点（日志、监控、归档）的解耦
许可证
MIT
相关链接
1 maintainer
Metadata
1 maintainer
Release files for quantnodes-strategy-research 0.5.0
For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.
Source distribution (sdist)
| File | Size | Uploaded | |
|---|---|---|---|
| quantnodes_strategy_research-0.5.0.tar.gz | 810.4 kB | Details |
Built distribution (wheel)
| File | Interpreter | ABI | Platform | Reset |
|---|---|---|---|---|
| quantnodes_strategy_research-0.5.0-py3-none-any.whl | Python 3 | none | any | Details |
Total release size: 1.9 MB
Release files / quantnodes_strategy_research-0.5.0.tar.gz
| Download URL | quantnodes_strategy_research-0.5.0.tar.gz |
|---|---|
| Size | 810.4 kB |
| Tags | Source |
|
SHA-256 checksum How to use checksums |
a0bb1c1d55f84593d1b051f82653fbe81153ba8f1c0e3ec7fd86441504fdc786
|
|
BLAKE2b-256 checksum How to use checksums |
2da8e0c4cfb517ea4577b20ead27c506c543f888179e598492ac3b14787a1d7f
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
twine/6.2.0 CPython/3.11.15
|
Release files / quantnodes_strategy_research-0.5.0-py3-none-any.whl
| Download URL | quantnodes_strategy_research-0.5.0-py3-none-any.whl |
|---|---|
| Size | 1.1 MB |
| Tags | Python 3 |
|
SHA-256 checksum How to use checksums |
41c8751f33567ac58c6752193bf962d3afdfd8eb5a1e6e745fdc79430772bca0
|
|
BLAKE2b-256 checksum How to use checksums |
6ee1f5327a6339bdb2abe72f68175be899ba710f161654d3352a8529bf3cb178
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
twine/6.2.0 CPython/3.11.15
|
