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
AKQuant 已发布至 PyPI，无需安装 Rust 环境即可直接使用。
pip install akquant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
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)
👉 点击查看交互式报表示例 (Interactive Demo)
- 📖 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。
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. 仅运行黄金测试
pytest tests/golden/test_golden.pyPlease use this bibtex if you want to cite this repository in your publications:
@misc{akquant,
author = {Albert King and Yaojie Zhang},
title = {AKQuant},
year = {2026},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/akfamily/akquant}},
}MIT License
![@github-actions[bot]](https://avatars.githubusercontent.com/in/15368?s=64&v=4){kind=small}