Quanti - A股量化交易系统

Quanti 是一个面向中国 A 股市场的开源量化交易系统，提供从数据采集、因子计算、策略编写、回测验证到 Web 可视化的完整工作流。

特性

模块	功能
数据采集	可切换数据源（默认 Tushare 含退市股，支持 AkShare/xtdata），按显式>DB配置>env>默认解析；无 token 时报错提示配置 token 或显式切到 AkShare（不静默换源）；自动同步全A股行情，SQLite 本地存储
后台同步守护	常驻增量同步：收盘后自动全市场扫一轮，盘中安静；停牌股/死数据源指数退避
股票池管理	创建/删除股票池，批量添加/移除股票，一键同步K线数据
技术因子	内置 MA/EMA/RSI/MACD/布林带/ATR/ADX 等技术指标；横截面因子覆盖全维度 —— 动量/反转/波动/流动性(量价) + 估值/股息/规模/质量/成长(PIT 基本面),支持自定义
因子 DSL（防前视）	声明式因子表达式（`Ref/Mean/Std/Sum/Max/Min/Log` + OHLCV/换手率，及按公告日 PIT 合并的基本面字段 pe/pe_ttm/pb/ps/ps_ttm/total_mv/circ_mv/dv_ratio/roe/netprofit_yoy/revenue_yoy）；结构上禁止引用未来数据，安全白名单解析（无 `eval`）
策略框架	继承 `BaseStrategy` 即可编写策略，动态加载无需配置
回测引擎	事件驱动，模拟A股T+1规则、涨跌停、佣金印花税
走查式调参	网格搜参 + 多折样本外（OOS）夏普验证，跑赢默认才采纳，自动防过拟合
AI Agent	目标驱动自治循环：同步→选股→策略评估→风控→模拟下单→决策日志；支持每日定时运行
LLM 因子挖掘	LLM 提因子表达式 → 安全解析 → 训练/OOS rank-IC 闸门去冗余 → 采纳入自演化因子库，可选注入实盘排序
LLM 增强层	新闻情绪 / 多空辩论 / 风控三角 / 反思记忆（DeepSeek 或 Anthropic，默认关闭，只做加法）
行情状态检测	趋势/震荡/高波动分类（observe-only），写入决策日志供 LLM 与人参考
可组合风控	硬限（单票/行业/止损/组合熔断）之上叠加 StoplossGuard / MaxDrawdown 软锁：连续止损或回撤超阈则临时锁新仓
模拟盘	PaperBroker：挂单 T+1 次日开盘成交、涨跌停/一字板不可成交闸门、TTL 过期、止损、A股费用模型
Web 仪表盘	FastAPI + Vue 3，K线图表、回测曲线、选股结果、Agent 决策可视化
选股器	可扩展的选股插件框架，支持自定义选股逻辑
MCP server	stdio JSON-RPC，Claude Desktop / OpenClaw / Cursor 即插即用

快速开始

环境要求

Python 3.11+
Node.js 18+（开发前端可选）

安装

git clone https://github.com/coo-moon/quanti.git
cd quanti
python3 -m venv .venv
source .venv/bin/activate
pip install -e ".[dev,data]"   # data extra 含 tushare(默认历史源)

Windows:pip install 后若提示 quanti 不是命令(quanti.exe 所在 ...\PythonXXX\Scripts 不在 PATH),两种解决:
直接用模块跑(免配 PATH):python -m quanti.cli sync --stocks
或把那个 Scripts 目录加进用户 PATH(PowerShell,改完重开终端):
[Environment]::SetEnvironmentVariable("Path", $env:Path + ";<上面提示的 Scripts 路径>", "User")
前端构建在 web/ 目录:先 npm install(装 npm-run-all2 等,提供 run-p)再 npm run build。

一键同步全A股数据

# 同步股票列表（含名称、交易所、所属行业）
quanti sync --stocks

# 启动服务，Web界面下载K线
quanti serve
# 访问 http://127.0.0.1:8000

运行回测

quanti backtest \
  --strategy ma_cross \
  --codes 000001,600519 \
  --start 2024-01-01 \
  --end 2024-12-31 \
  --cash 1000000

Web 界面

启动 quanti serve 后访问 http://127.0.0.1:8000：

页面	功能
Dashboard	全局股票池统计、真实数据最新日期、后台同步状态、一键下载K线（含进度条+ETA）、数据源切换面板（选源 tushare/akshare/xtdata + 填 Token + 测试连接 + 保存校验）
AI Agent	目标设定（含每日定时运行）、启停/手动 tick、参数优化（走查调参）与因子挖掘 (LLM) 面板、LLM 增强层开关、持仓与决策日志、手动下单
股票池	创建/管理股票池，池内股票同步K线，实时进度
选股器	选择选股策略，设定参数，运行选股得到评分排名
回测	选择策略与股票，设置参数，一键回测并查看绩效曲线
关于	项目介绍与依赖版本

系统架构

quanti/
├── models.py                 # 核心模型 (BarData, Signal, Order, Portfolio)
│
├── data/                     # 数据层
│   ├── database.py           #   SQLite 存储（线程安全）+ sync_jobs 任务追踪
│   ├── provider.py           #   统一数据接口
│   ├── source.py             #   数据源解析（显式>DB>env>默认tushare）+ 适配器工厂 + 连通性探测
│   ├── akshare_adapter.py    #   AkShare 适配器（多源回退 + 增量同步）
│   ├── tushare_adapter.py    #   Tushare 适配器（含退市股名册 + 原始价+adj_factor + 按日期回填 + daily_basic/财务）
│   ├── xtdata_adapter.py     #   xtdata（QMT）适配器（经 qmt-bridge）
│   ├── backfill.py           #   5 年逐日全市场回填（断点续 backfill_progress + 限速）
│   └── background_sync.py    #   后台同步守护（交易时段感知 + 指数退避）
│
├── agent/                    # AI Agent
│   ├── runtime.py            #   自治循环（tick 调度、universe、模式分发）
│   ├── goal.py               #   目标模型（年化/回撤/风险偏好/params）
│   ├── selector.py           #   StrategySelector：按目标回测挑最佳策略
│   ├── walk_forward.py       #   走查验证（多折 OOS 切分）
│   ├── hyperopt.py           #   走查式调参（网格搜参 + OOS 采纳闸门）
│   ├── factor_miner.py       #   LLM 因子挖掘（提因子→IC 闸门→落库）
│   ├── universe.py           #   可交易宇宙（元数据/流动性/ADV20，时点正确）
│   ├── signal_pipeline.py    #   策略集成 + 因子 + 情绪三方融合
│   ├── llm_runtime.py        #   LLM 判断层（交易员/多空辩论/风控三角）
│   ├── sentiment.py          #   ①新闻情绪 overlay（批量打分+缓存）
│   ├── reflection.py         #   ④反思记忆（已实现盈亏 FIFO 配对）
│   │                         #   （行情状态检测见 quanti/regime/）
│   └── openai_compat.py      #   DeepSeek 等 OpenAI 兼容供应商适配
│
├── factors/                  # 因子引擎
│   ├── registry.py           #   因子注册表
│   ├── technical.py          #   技术指标实现（含 ADX）
│   ├── expr.py               #   防前视因子 DSL（Ref/Mean/Std/... 节点）
│   ├── parser.py             #   安全白名单解析器（字符串→Expr，无 eval）
│   ├── library.py            #   内置因子表达式 + FactorFn 适配
│   ├── evaluation.py         #   rank-IC（训练/OOS 信息系数）
│   └── cross_sectional.py    #   横截面因子与复合排名（可并入生成因子）
│
├── strategy/                 # 策略框架
│   ├── base.py               #   策略基类
│   └── loader.py             #   动态策略加载器
│
├── backtest/                 # 回测引擎
│   ├── engine.py             #   事件驱动核心
│   ├── commission.py         #   A股费用模型
│   └── metrics.py            #   夏普/最大回撤/年化收益
│
├── execution/                # 执行层
│   └── paper_broker.py       #   模拟盘（挂单 T+1 生命周期 + 止损 + 快照）
│
├── screener/                 # 选股器框架
│   ├── base.py               #   选股器基类
│   └── loader.py             #   动态加载器
│
├── risk/                     # 风控模块
│   ├── manager.py            #   硬限制：单票/行业/止损/组合熔断（LLM 不可逾越）
│   └── protections.py        #   可组合软锁：StoplossGuard + MaxDrawdown（仅锁新仓）
│
├── api/                      # Web API
│   ├── app.py                #   FastAPI 应用
│   └── routes.py             #   路由定义
│
├── mcp_server.py             # MCP server（stdio JSON-RPC）
└── cli.py                    # 命令行入口

web/src/views/                 # Vue 3 前端
├── Dashboard.vue             #   主页仪表盘（含后台同步状态）
├── Agent.vue                 #   AI Agent：目标、LLM 增强层开关、决策日志
├── Pool.vue                  #   股票池管理
├── Screener.vue              #   选股器
├── Backtest.vue              #   回测页面
└── AboutView.vue             #   关于页面

编写自定义策略

在 strategies/ 目录下创建文件，继承 BaseStrategy：

from quanti.strategy.base import BaseStrategy
from quanti.models import BarData, Direction, Signal


class MyStrategy(BaseStrategy):
    name = "my_strategy"
    params = {"fast_period": 5, "slow_period": 20}

    def init(self, params: dict) -> None:
        self.fast = params["fast_period"]
        self.slow = params["slow_period"]
        self.position = None

    def on_bar(self, bar: BarData) -> list[Signal]:
        # 示例：简单均线交叉策略
        if self.position is None and bar.close > bar.ma(self.fast):
            return [Signal(stock_code=bar.code, direction=Direction.BUY, strength=0.8)]
        elif self.position == Direction.BUY and bar.close < bar.ma(self.slow):
            return [Signal(stock_code=bar.code, direction=Direction.SELL, strength=1.0)]
        return []

策略文件自动被发现，无需任何配置。

编写自定义选股器

在 screeners/ 目录下创建文件：

from quanti.screener.base import BaseScreener
import pandas as pd


class MyScreener(BaseScreener):
    name = "my_screener"
    description = "我的选股器"

    def screen(self, code: str, bars: list) -> float:
        """返回评分（越高越好），返回 0 表示不入选"""
        if len(bars) < 20:
            return 0
        recent = pd.DataFrame([{"close": b.close, "volume": b.volume} for b in bars[-20:]])
        # 示例：成交量放大且股价上涨
        vol_ratio = recent["volume"].iloc[-1] / recent["volume"].mean()
        price_change = (recent["close"].iloc[-1] - recent["close"].iloc[0]) / recent["close"].iloc[0]
        if vol_ratio > 1.5 and price_change > 0.05:
            return vol_ratio * price_change * 100
        return 0

编写自定义因子（Factor DSL）

因子用一套防前视 DSL 声明——所有算子只能向后看，结构上无法引用未来数据；字符串形式经白名单解析（绝不 eval），是 LLM 生成因子的安全边界。

数据字段：close / open / high / low / volume / turnover；以及按公告日 (ann_date) point-in-time 合并的基本面字段 pe / pe_ttm / pb / ps / ps_ttm / total_mv / circ_mv / dv_ratio / roe / netprofit_yoy / revenue_yoy（无对应数据的股票求值为 NaN，安全降级，不会引发前视）
函数：Ref(x, n)（滞后 n 根，n≥0）、Mean/Std/Sum/Max/Min(x, n)（n 根滚动窗口）、Log(x)；算子 + - * / 与一元负号（除零→NaN）
防前视：Ref 禁止负 shift、滚动窗口止于当前行 → 日期 t 的因子值只依赖 ≤t 的数据
基本面（防前视合并）：基本面字段在截面面板生成时按 point-in-time 合并——估值类（daily_basic：pe/pb/总市值等）按同日 date 对齐；财报类（roe/netprofit_yoy/revenue_yoy）用 merge_asof(direction="backward") 仅匹配公告日 ann_date ≤ 当前 bar 日期 的最新一期，因子在 t 日只看见 ≤t 已公告的财报，结构上无前视。无基本面数据时整段合并自动跳过，引用基本面的因子降级为 NaN。

from quanti.factors.expr import Close, Ref, Mean, Std, Log
from quanti.factors.parser import parse_expr

# 1) Python 对象写法
reversal_1w = -(Close() / Ref(Close(), 5) - 1)            # 一周反转
realized_vol = -Std(Log(Close() / Ref(Close(), 1)), 20)   # 已实现波动（取负）

# 2) 字符串写法（白名单安全解析，LLM 因子走这条）
expr = parse_expr("-Mean(turnover, 20)")                  # 低换手异象

内置因子见 quanti/factors/library.py；这套 DSL 同时支撑下文的 LLM 因子挖掘。

数据同步命令

命令	说明
`quanti sync --stocks`	同步全A股列表（名称/行业/交易所）
`quanti sync --calendar`	同步交易日历
`quanti sync --quotes --codes 000001,600519`	同步指定股票K线
`quanti sync --quotes --refetch`	全量重拉历史(覆盖旧数据)——从 qfq 切到「原始价+复权因子」后须跑一次
`quanti sync --tushare-stocks`	同步含退市股的全量名册（需 `TUSHARE_TOKEN`，可选依赖 `.[data]`）
`quanti sync --tushare-quotes --delisted-only`	补拉退市股历史行情（用于无幸存者偏差回测）
`quanti sync --backfill --years 5`	逐交易日全市场批量回填（含退市股，高效/可断点续）；需 `TUSHARE_TOKEN`
`quanti sync --financials`	拉财务指标（ROE/同比，按公告日 PIT）。默认 tushare `fina_indicator`（真实 ann_date，需 2000 积分）；`--source akshare` 用免费 `业绩报表`（额外含净利/营收绝对值）
`quanti sync --source {tushare,akshare,xtdata}`	指定历史源；默认按 DB app_config > env `QUANTI_DATA_SOURCE` > tushare，无 token 时报错（不静默回退，须显式 `--source akshare`）
`quanti sync --clear {quotes,daily_basic,financials,all}`	删除已同步数据，默认预演(dry-run 只报行数)，加 `--yes` 才真删；可配 `--codes` 限定股票、`--source` 限定行情源；全量清 quotes 时同步重置回填断点
`quanti serve`	启动 API 服务（端口 8000）

复权口径(Qlib 式):daily_quotes 存原始价(不复权)+ 每日复权因子 adj_factor(=后复权/原始);akshare/tushare/xtdata 三源同一口径。研究/回测/因子/策略由 DataProvider 读时后复权(hfq,连续、跨除权无假跳变、可复现),实盘下单与图表展示用原始价。因子锚定上市首日 → 增量同步安全。旧库是 qfq,升级后跑一次 quanti sync --quotes --refetch 重置口径。

数据源配置:数据源可经三处切换(优先级显式 CLI --source > DB app_config(Web/UI 设置) > env QUANTI_DATA_SOURCE > 默认 tushare);Tushare token 经 DB app_config.data_source_token > env TUSHARE_TOKEN 解析;tushare 未装或无 token 时不静默回退,统一报错(DataSourceUnavailable / UI 错误提示),要用 akshare 须显式切源——避免不同口径/纵深的源污染 DB、破坏「一票一源」。Web 端在 Dashboard → 数据源 面板可选源 / 填 token / 测试连接 / 保存校验。

一票一源守卫:daily_quotes 每行带 source,save_daily_quotes 默认拒绝把不同源的 bar 拼到已有序列上(跳过+告警,不静默混源——不同源单位/复权约定不同,拼接会污染价序),除非显式 allow_source_mix=True。换源是迁移而非混用:quanti sync --backfill 开跑前会一次性 purge_other_source_quotes 清除异源历史,之后整库单源一致。日更/增量遇到异源股票会跳过并提示先跑 --backfill 迁移。

无幸存者偏差回测 (survivorship-free)

# 1) 含退市股的全量名册 + 5 年历史(需 TUSHARE_TOKEN;PowerShell: $env:TUSHARE_TOKEN="...")
export TUSHARE_TOKEN=...
quanti sync --stocks                   # 名册(tushare stock_basic,含退市股,需 2000 积分)
quanti sync --backfill --years 5       # 逐交易日全市场回填(含退市股,可断点续)
#   ↑ 积分不足?名册可免费走 akshare: quanti sync --stocks --source akshare

# 2) 在"按日期时点正确、含退市股"的宇宙上回测
quanti backtest --strategy my_strat --start 2021-01-01 --end 2022-12-31 --survivorship-free

退市股历史行情只能靠 tushare 逐日 daily(每天返回全市场,含当天在市后退市的票);akshare 的免费源(东财/新浪)退市即下架,只提供退市股名册,不提供其历史行情。

批量回填与财务同步:quanti sync --backfill [--years N](默认 5 年)按交易日逐日全市场回填(quanti/data/backfill.py run_backfill),每个交易日约 2 次调用(pro.daily + pro.daily_basic)。复权因子不再调 adj_factor 接口(低积分档限 1 次/分钟,是回填瓶颈),改由 pro.daily 自带的 pre_close 重建(tushare_adapter.reconstruct_adj_factor:f[t]=f[t-1]·close[t-1]/pre_close[t],增量同步用上一根已存 bar 续接、接缝无跳变),只用限额宽松的 daily(500 次/分钟)。断点续传(backfill_progress 表记录已完成交易日,重跑自动跳过)、按 calls_per_min 限速、含退市股、需 Tushare token 且不静默回退 akshare——比 per-stock 串行的 --tushare-quotes --delisted-only 明显更快。后台同步守护对 tushare 改走逐日 top-up(整市场一天 ≈2 次调用,而非逐股两次×数千只),避免触发频率限制。另有 quanti sync --financials(默认 5 年报告期)从 akshare 业绩报表(免费、无需 token,按报告期全市场一次拉取)灌入 financials 表:ROE、净利润/营收绝对值及同比增速。ann_date 取该报告期的法定披露截止日(Q1→04-30、中报→08-31、Q3→10-31、年报→次年 04-30),而非 akshare 不可靠的「最新公告日期」字段——这样 merge_asof(ann_date) 严格防前视(财报必在截止日前公开,保守不漏未来)。财报与行情源正交(financials 独立表,不受「一票一源」约束),故 tushare 行情 + akshare 财报可干净共用。

手动同步通常不需要：服务启动后后台同步守护（BackgroundQuoteSyncer）会持续维护数据新鲜度——

交易时段感知：交易日 15:30（收盘宽限）后期待当天的 bar，自动触发一轮全市场增量同步（每只通常 1-2 根）；盘中与周末保持安静，不做无意义重拉；
增量拉取：已有数据的股票从最新 bar 续拉，只有空白股票付一次约一年的冷启动成本；
退避机制：硬失败（数据源不覆盖、网络异常）按 30 分钟 → 1h → 2h → 4h 封顶指数退避；同步成功但无新数据（停牌股）平退避 30 分钟，不会无限循环；
优先级：挂单股 > 持仓股 > 无数据 > 数据过期；状态可在 Dashboard 实时查看（含退避中数量）。

配置

数据按账户分库：

交易库 data/<账户>.db（默认 data/paper.db）—— 组合/持仓/订单/成交/目标/决策/调优参数/生成因子，每个账户独立。
共享行情库 data/market.db —— 股票列表/K线/交易日历/股票池/情绪，全账户共用，同步一次即可。

账户名由环境变量 QUANTI_ACCOUNT 决定（默认 paper）；设 QUANTI_ACCOUNT=live 即切到 data/live.db。旧的单文件 data/quanti.db 可用 python scripts/migrate_split_db.py 一键拆分（自动备份为 .bak）。

技术栈

组件	技术
数据源	Tushare（默认，可选依赖 `.[data]`）/ AkShare（需显式切换，不静默回退）/ xtdata（QMT 实时/历史）
存储	SQLite + WAL 模式
后端	FastAPI + Uvicorn + Pydantic
前端	Vue 3 + TypeScript + ECharts + Axios
策略/因子	Python 3.11+
LLM（可选）	DeepSeek（OpenAI 兼容，httpx 直连零依赖）/ Anthropic SDK
测试	pytest + pytest-asyncio

运行测试

pytest tests/ -v

AI Agent 模式 — 开箱即用

一行命令：设定目标，剩下交给 Agent。

quanti up --target 0.20 --max-drawdown -0.20 --risk medium

首次运行后台异步拉取股票列表，Web 立即可用 → http://127.0.0.1:8000
Agent 自治循环：每个 tick 完成 同步数据 → 选股 → 策略评估 → 信号生成 → 风控 → 模拟下单 → 写决策日志
没指定 --strategy 时，Agent 用 StrategySelector 把所有策略按目标做近 1 年回测，挑得分最高的
运行模式可选：纯规则 / ensemble（Top-K 策略融合 + 横截面因子）/ llm（在 ensemble 产出上叠加 LLM 判断层，见下节）
全部持久化在按账户分库的 data/paper.db（交易状态）+ 共享 data/market.db（行情）：组合、持仓、订单、成交、目标、决策

在 Web → AI Agent 页面可以：编辑目标、启停 Agent、立即跑一轮、查看持仓与决策日志、手动下单覆盖。

LLM 多智能体增强层（可选，默认关闭）

设计哲学：规则优先，LLM 只做加法。回测、因子打分、风控全部保持确定性可审计；LLM 的职责限定为对系统产出的候选做"判断"——倾斜排序、收缩仓位、补充上下文。硬风控（单票 10% / 行业 30% / 止损线 / 组合 -15% 熔断）LLM 永远无法绕过；全部开关默认关闭，关闭时行为与纯规则路径完全一致。

层	goal params 开关	作用
① 新闻情绪	`sentiment_enabled` + `sentiment_blend`(0~1)	抓取个股近 7 天新闻标题，LLM 批量打分 [-1,1]，按权重融入买入信号；按（股票, 日期）缓存，不重复计费
② 多空辩论	`llm_debate` + `llm_debate_rounds`	多头/空头研究员就候选清单辩论 N 轮，辩论稿进入交易员上下文，由其作为"研究主管"裁决
③ 风控三角	`llm_risk_debate`	激进/中性/保守三视角对每笔提议投"保留比例"，按风险偏好聚合（low→最小 / medium→均值 / high→最大），只能缩仓或否决，不能加仓
④ 反思记忆	`llm_reflection` + `llm_max_reflections`	已实现盈亏 FIFO 配对成历史回合，按相关度（同股 > 同行业）注入上下文，让 LLM 带着"上次的教训"决策
行情状态（观测）	`regime_detect`，默认开	tick 第一步读当日/上一交易日的全市场宽度快照（`quanti/regime`，后台 17:30 生成），写决策日志。只读不现算——盘中止损/熔断的守护链路刻意不接 regime（它与 tick 抢 broker 锁，任何快照读取都是给止损空窗加时间；有回归测试盯着）
行情状态（入 prompt）	`regime_in_prompt`，默认开	把上一交易日收盘的客观指标（MA20/50/200 上方占比、涨跌家数、大盘 vs 等权、成交额 5v20、规则层标签）拼进裁判 LLM 的 user 上下文。剔除快照里 LLM 写的 `action`/`headline`/板块推荐（板块 20 日动量对未来 20 日 rank IC −0.0725，t=−9.27，且与 `industry_neutral` 对冲），并附「不得据此调仓」的显式禁令。`immediate` 成交模式与陈旧快照自动不注入

两个 regime 开关的口径同 wf_enabled：键缺失即开，只有 Web UI 里取消勾选（显式写 false）才关。已落库的老 goal 不需要重新保存就会生效；决策日志的 regime_injected / regime_skip_reason 字段可事后逐 tick 审计到底注没注。

供应商：llm_provider 支持 deepseek（默认模型 deepseek-v4-pro，OpenAI 兼容接口，零额外依赖，export DEEPSEEK_API_KEY=... 即可）和 anthropic（pip install -e ".[llm]" + ANTHROPIC_API_KEY）。claude-* 模型名在 DeepSeek 路径下自动重映射；v4 思考模式与强制工具调用的兼容性已在客户端处理（结构化输出自动关思考，辩论等自由文本保留思考）。

开关入口三选一：Web AI Agent → LLM 增强层面板 / MCP set_goal 的 params / quanti agent set-goal。每轮 LLM 决策的完整细节（真实模型名、推理、辩论稿、风控保留比例、token 用量）都落在 llm_cycle 决策日志里。

走查式调参（walk-forward hyperopt）

对声明了 param_space 的策略做网格搜参，并在样本外验证，跑赢默认才采纳——自动防过拟合。

在策略类里声明 param_space（如 ma_cross：{"short_period": [3,5,8,10], "long_period": [20,30,60]}），留空则不调参。
触发：Web AI Agent → 参数优化 面板「运行优化」，或 CLI quanti optimize（--universe / --end / --cash）。
OOS 指标 = 多折走查的池化夏普（合并各折 OOS 日收益后整体估一次，池化观测不足则记 0，避免短折夏普噪声）。hyperopt 采纳门（全满足才 ✓）：有效折数 ≥2、OOS 成交 ≥5、调优 OOS 夏普 > 默认 + 0.1、且 > 0；selector 侧另设最小 OOS 成交置信门（OOS 成交 <10 的夏普视为噪声，不计分也不获资金权重）。默认 train_days=365, n_folds=3, test_days=21, max_combos=64。
采纳后参数经 resolve_params 自动叠加到下一轮策略初始化（get_active_params 仅在 accepted 时返回），未采纳则保持默认；结果存于各账户库的 strategy_params 表。

LLM 因子挖掘

让 LLM 用上文的因子 DSL 提出截面 alpha 表达式，经安全解析与 rank-IC 闸门筛选后入库，可选注入实盘选股排序（默认不参与）。可用字段除 OHLCV/换手率外，还包含 PIT 基本面 pe/pe_ttm/pb/ps/ps_ttm/total_mv/circ_mv/dv_ratio/roe/netprofit_yoy/revenue_yoy；函数限 Ref/Mean/Std/Sum/Max/Min/Log + + - * / 与一元负号，仅整数窗口，禁止 **。

触发：Web AI Agent → 因子挖掘 (LLM) 面板「运行挖掘」，或 CLI quanti mine-factors（--universe / --n（默认 10）/ --end）。复用 LLM 增强层的供应商配置（DeepSeek / Anthropic）。
IC 闸门（采纳条件，全满足）：|训练IC| ≥ 0.02、OOS IC ≥ 0.03、且与已采纳因子不冗余（秩相关 < 0.7）；训练/OOS 窗口留间隔防标签泄漏。
基本面参与打分：IC 评估时按 point-in-time 把 daily_basic/financials（估值 + ROE/同比）并入每只票的求值帧（financials 用 merge_asof(ann_date) 防前视），所以 LLM 提的估值/质量因子（pe/pb/roe/…）能算出真实 IC 并被采纳；DB 无基本面时自动跳过该合并（零额外开销，仅量价/换手维度）。
三态语义：采纳 = 挖掘时通过 IC 闸门（不可变）；启用 = 逐因子开关（默认开）；生效 = 采纳 ∧ 启用 ∧ 账户总开关 use_generated_factors（默认关）三者同时成立，才真正并入下单排序。
生成因子存于各账户库的 generated_factors 表；接口 GET /factors/generated、POST /factors/generated/{name}/enabled。

每日定时运行

Agent 默认按固定间隔跑（tick_interval_sec，默认 4 小时）。设 goal.params.daily_run_time = "HH:MM" 后改为每天定点跑一次：

daily_run_time："HH:MM"（24 小时制，如 "17:30"）；不设 = 间隔模式。
daily_trading_days_only：默认 true，仅交易日触发，周末/节假日自动跳过（节假日精度需先 quanti sync --calendar，否则按周一~周五）。
入口：Web AI Agent → 目标设定 → 运行计划 控件（开关 + 时间 + 仅交易日）。保存时若调度变化且 Agent 在运行，会自动重启使新调度即时生效。

可组合风控（protections）

在确定性硬限（单票 10% / 行业 30% / 单票止损 -8% / 组合 -15% 熔断）之上，再叠加一层从历史事实推导的软锁——只临时禁止新建仓、从不强制卖出，回测与实盘共用同一套纯逻辑：

保护	触发	效果
StoplossGuard	近 5 个交易日内 ≥3 次止损离场	锁定新买入 5 个交易日
MaxDrawdown	近 10 个交易日窗口回撤 ≤ -8%	锁定新买入 10 个交易日

锁定是无状态的「前向 K 日」模型（每日由事实重建，重启安全）。v1 为全局软锁，阈值目前为代码内默认（ProtectionConfig），随回测/实盘的 apply_risk 一同开关。

MCP 接入（OpenClaw / Claude Desktop / Cursor 等）

quanti mcp 以 stdio JSON-RPC 启动 MCP server，暴露 19 个工具：

工具	用途
`get_goal` / `set_goal`	读写目标
`agent_start` / `agent_stop` / `agent_status` / `agent_tick`	控制循环
`get_portfolio` / `list_orders` / `list_trades`	账户视图
`place_order`	手动覆盖买卖
`list_strategies` / `list_screeners` / `list_pools`	资源清单
`run_backtest` / `run_screener`	试跑（不影响实盘账户）
`list_decisions` / `prune_decisions`	决策日志（查看 / 清理 N 天前）
`sync_stocks` / `sync_quotes`	数据同步

策略调参不是独立 MCP 工具，而是通过 set_goal 的 params 传入（见 set_goal），故不计入上面 19 个工具。

OpenClaw 配置示例（MCP client config）：

{
  "mcpServers": {
    "quanti": {
      "command": "quanti",
      "args": ["mcp"]
    }
  }
}

数据源切换也通过 Web API 暴露（挂载于 /api）：GET /config/data-source（读当前源 + has_token，绝不回明文 token）、POST /config/data-source/test（只探活不落库）、POST /config/data-source（先校验源 + 探活，通过才落库）。

CLI 命令速查

完整命令与全部参数见 命令行使用大全 docs/CLI.md。

命令	说明
`quanti up [--target 0.20 --no-agent ...]`	一键启动数据 + 目标 + Web + Agent
`quanti serve`	只起 Web，不自动启 Agent
`quanti agent tick`	在本地强制跑一轮 Agent 周期（不需 server）
`quanti agent status` / `decisions` / `goal`	命令行观察 Agent
`quanti agent set-goal --target 0.25 --risk high`	命令行改目标
`quanti optimize [--universe POOL --end DATE]`	走查式调参：各策略 OOS 验证 + 采纳
`quanti mine-factors [--universe POOL --n 10 --end DATE]`	LLM 因子挖掘：提因子 → IC 闸门 → 落库
`quanti mcp`	起 MCP server 供 OpenClaw 接入
`quanti sync --stocks` / `quanti backtest ...`	原有命令

项目状态

许可证

MIT License

Name		Name	Last commit message	Last commit date
Latest commit History 218 Commits
.claude/workflows		.claude/workflows
bridge		bridge
data		data
docs		docs
quanti		quanti
screeners		screeners
scripts		scripts
strategies		strategies
tests		tests
web		web
.gitignore		.gitignore
CLAUDE.md		CLAUDE.md
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
README.md		README.md
pyproject.toml		pyproject.toml

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

Quanti - A股量化交易系统

特性

快速开始

环境要求

安装

一键同步全A股数据

运行回测

Web 界面

系统架构

编写自定义策略

编写自定义选股器

编写自定义因子（Factor DSL）

数据同步命令

无幸存者偏差回测 (survivorship-free)

配置

技术栈

运行测试

AI Agent 模式 — 开箱即用

LLM 多智能体增强层（可选，默认关闭）

走查式调参（walk-forward hyperopt）

LLM 因子挖掘

每日定时运行

可组合风控（protections）

MCP 接入（OpenClaw / Claude Desktop / Cursor 等）

CLI 命令速查

项目状态

许可证

About

Releases

Packages

Contributors

Languages

Folders and files

Latest commit

History

Repository files navigation

Quanti - A股量化交易系统

特性

快速开始

环境要求

安装

一键同步全A股数据

运行回测

Web 界面

系统架构

编写自定义策略

编写自定义选股器

编写自定义因子（Factor DSL）

数据同步命令

无幸存者偏差回测 (survivorship-free)

配置

技术栈

运行测试

AI Agent 模式 — 开箱即用

LLM 多智能体增强层（可选，默认关闭）

走查式调参（walk-forward hyperopt）

LLM 因子挖掘

每日定时运行

可组合风控（protections）

MCP 接入（OpenClaw / Claude Desktop / Cursor 等）

CLI 命令速查

项目状态

许可证

About

Resources

Contributing

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages