Akquant
AKQuant is a high-performance quantitative research and trading framework built on Rust and Python! 开源量化回测框架
Install / Use
/learn @akfamily/AkquantREADME
<p align="center">
<img src="assets/logo.svg" alt="AKQuant" width="400">
</p>
<p align="center">
<a href="https://pypi.org/project/akquant/">
<img src="https://img.shields.io/pypi/v/akquant?style=flat-square&color=007ec6" alt="PyPI Version">
</a>
<a href="https://pypi.org/project/akquant/">
<img src="https://img.shields.io/pypi/pyversions/akquant?style=flat-square" alt="Python Versions">
</a>
<a href="LICENSE">
<img src="https://img.shields.io/badge/license-MIT-green?style=flat-square" alt="License">
</a>
<a href="https://github.com/akfamily/akshare">
<img src="https://img.shields.io/badge/Data%20Science-AKShare-green?style=flat-square" alt="AKShare">
</a>
<a href="https://pepy.tech/projects/akquant">
<img src="https://static.pepy.tech/personalized-badge/akquant?period=total&units=INTERNATIONAL_SYSTEM&left_color=BLACK&right_color=GREEN&left_text=downloads" alt="Downloads">
</a>
</p>
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。
- TA-Lib 指标生态：内置
akquant.talib双后端（python/rust）兼容能力，支持 103 个指标。 - 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,
symbols="sh600000"
)
# 打印回测结果
print("\n=== Backtest Result ===")
print(result)
# 生成最小基准对比报告
benchmark_returns = (
df.set_index("date")["close"].pct_change().fillna(0.0).rename("SIMPLE_BENCH")
)
result.report(
filename="quickstart_report.html",
show=False,
benchmark=benchmark_returns,
)
调用 result.report(..., benchmark=...) 后，报告会新增“基准对比 (Benchmark Comparison)”区块，展示策略/基准/超额累计收益曲线，以及累计超额收益、年化超额收益、跟踪误差、信息比率、Beta、Alpha 等相对指标。
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,
symbols="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",
)
on_event 为可选参数：不传时保持传统阻塞语义，传入时可实时消费事件。
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"
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
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. 使用 uv 环境运行命令
uv sync
# 2. 构建并绑定 Rust 扩展
uv run maturin develop
# 3. 运行所有测试
uv run pytest
# 4. 运行 Rust 核心测试（自动处理 macOS + uv 环境动态库路径）
./scripts/cargo-test.sh -q
# 5. 仅运行黄金测试
uv run pytest tests/golden/test_golden.py
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 =
Related Skills
valuecell
10.2kValueCell is a community-driven, multi-agent platform for financial applications.
beanquery-mcp
43Beancount MCP Server is an experimental implementation that utilizes the Model Context Protocol (MCP) to enable AI assistants to query and analyze Beancount ledger files using Beancount Query Language (BQL) and the beanquery tool.
Payment Integration
Implement Stripe payment processing for robust, PCI-compliant payment flows including checkout, subscriptions, and webhooks.
REFERENCE
An intelligent middleware layer between crypto wallets and traditional payment systems.
