akquant

Name: akquant
Author: lzwme

160stars33forks

How to install akquant?

lzwme/finance-quant-skills/akquant

$npx -y skills add lzwme/finance-quant-skills --skill akquant

Installs into the current project.

Summary

生成 akquant 框架的可执行量化策略代码，涵盖数据接口、事件驱动、风控与优化。当用户需要开发量化策略、配置回测环境、设置风控规则、进行参数优化、实现横截面轮动策略，或提及 akquant 时使用

Files · 1

View on GitHub

SKILL.md

1	# AKQuant 量化策略开发指南
2
3	## 任务目标
4
5	本 Skill 用于辅助 AI 编程智能体生成符合 akquant 框架规范的可执行量化策略代码。能力包括策略设计、回测配置、订单管理、风控规则、参数优化与横截面策略实现。
6
7	## 核心能力清单
8
9	- 策略类生成：继承 Strategy 基类，实现生命周期钩子
10	- 数据接口配置：准备 DataFrame 数据、设置预热期、访问历史数据
11	- 事件驱动机制：on_bar/on_tick/on_order/on_trade 等回调
12	- 订单管理：市价单/限价单/目标仓位/OCO/Bracket/Trailing Stop
13	- 风控规则：持仓限制/回撤熔断/止损阈值/行业集中度
14	- 参数优化：网格搜索与滚动优化（Walk-Forward）
15	- 多策略编排：slot 映射与策略级风控
16
17	## 触发条件
18
19	当用户表达以下意图时触发：
20	- 开发量化交易策略
21	- 配置回测环境与参数
22	- 设置风险控制规则
23	- 进行参数优化与调优
24	- 实现横截面或轮动策略
25	- 排查策略运行错误
26
27	## 策略开发工作流
28
29	### 阶段一：理解需求
30
31	1. 识别策略类型：趋势跟踪、均值回归、横截面轮动、套利等
32	2. 确定数据需求：时间周期、标的范围、字段要求
33	3. 明确风控约束：持仓上限、止损止盈、回撤限制
34
35	### 阶段二：设计策略结构
36
37	参考 [strategy-patterns.md](references/strategy-patterns.md) 选择范式：
38	- 类风格（推荐）：继承 Strategy，封装状态与逻辑
39	- 函数风格：initialize + on_bar，快速原型
40
41	关键决策点：
42	- 预热期设置：根据指标窗口长度计算
43	- 历史数据访问：get_history (numpy) 或 get_history_df (DataFrame)
44	- 执行模式：NextOpen（下一 Bar 开盘）或 CurrentClose（当前 Bar 收盘）
45
46	### 阶段三：编写策略代码
47
48	使用 [assets/strategy-template.py](assets/strategy-template.py) 作为起点：
49
50	```python
51	from akquant import Strategy, Bar
52
53	class MyStrategy(Strategy):
54	warmup_period = 20 # 预热数据长度
55
56	def __init__(self, param1=10):
57	self.param1 = param1
58
59	def on_start(self):
60	self.subscribe("600000")
61
62	def on_bar(self, bar: Bar):
63	# 核心交易逻辑
64	history = self.get_history(self.param1, bar.symbol, "close")
65	if len(history) < self.param1:
66	return
67
68	import numpy as np
69	ma = np.mean(history)
70	pos = self.get_position(bar.symbol)
71
72	if bar.close > ma and pos == 0:
73	self.buy(bar.symbol, 100)
74	elif bar.close < ma and pos > 0:
75	self.sell(bar.symbol, 100)
76	```
77
78	### 阶段四：配置回测环境
79
80	参考 [api-reference.md](references/api-reference.md) 设置参数：
81
82	```python
83	from akquant import run_backtest
84
85	result = run_backtest(
86	strategy=MyStrategy,
87	data=df,
88	symbol="600000",
89	initial_cash=500_000.0,
90	commission_rate=0.0003,
91	stamp_tax_rate=0.001,
92	t_plus_one=True, # A 股 T+1 规则
93	warmup_period=20,
94	execution_mode="NextOpen",
95	)
96	```
97
98	### 阶段五：设置风控规则
99
100	参考 [risk-management.md](references/risk-management.md) 配置：
101
102	```python
103	from akquant.config import RiskConfig
104
105	result = run_backtest(
106	...,
107	risk_config=RiskConfig(
108	max_position_pct=0.10, # 单标的持仓不超过 10%
109	max_account_drawdown=0.20, # 最大回撤 20%
110	max_daily_loss=0.05, # 单日亏损 5%
111	),
112	)
113	```
114
115	### 阶段六：参数优化
116
117	参考 [optimization.md](references/optimization.md) 执行：
118
119	```python
120	from akquant import run_grid_search, run_walk_forward
121
122	# 网格搜索
123	results = run_grid_search(
124	strategy=MyStrategy,
125	param_grid={"param1": [10, 20, 30]},
126	data=df,
127	sort_by="sharpe_ratio",
128	)
129
130	# 滚动优化（推荐）
131	wfo_results = run_walk_forward(
132	strategy=MyStrategy,
133	param_grid={"param1": [10, 20, 30]},
134	data=df,
135	train_period=250,
136	test_period=60,
137	metric="sharpe_ratio",
138	)
139	```
140
141	## 横截面策略开发
142
143	参考 [cross-section-guide.md](references/cross-section-guide.md) 实现多标的轮动：
144
145	推荐范式：使用 on_timer 统一触发调仓
146
147	```python
148	class CrossSectionStrategy(Strategy):
149	def __init__(self):
150	self.universe = ["sh600519", "sz000858", "sh601318"]
151
152	def on_start(self):
153	self.add_daily_timer("14:55:00", "rebalance")
154
155	def on_timer(self, payload):
156	if payload != "rebalance":
157	return
158
159	# 计算所有标分数
160	scores = {}
161	for symbol in self.universe:
162	history = self.get_history(20, symbol, "close")
163	scores[symbol] = (history[-1] - history[0]) / history[0]
164
165	# 选出最佳标的并调仓
166	best = max(scores, key=scores.get)
167	self.order_target_percent(0.95, symbol=best)
168	```
169
170	## 资源索引
171
172	\| 资源 \| 用途 \| 何时读取 \|
173	\|------\|------\|----------\|
174	\| [api-reference.md](references/api-reference.md) \| API 速查 \| 查询函数签名与参数 \|
175	\| [strategy-patterns.md](references/strategy-patterns.md) \| 策略范式 \| 设计策略结构 \|
176	\| [risk-management.md](references/risk-management.md) \| 风控配置 \| 设置风控规则 \|
177	\| [optimization.md](references/optimization.md) \| 参数优化 \| 调优策略参数 \|
178	\| [cross-section-guide.md](references/cross-section-guide.md) \| 横截面策略 \| 实现多标的轮动 \|
179	\| [strategy-template.py](assets/strategy-template.py) \| 策略模板 \| 快速生成代码骨架 \|
180	## 环境准备与依赖管理
181
182	### 使用 uv 管理项目环境（推荐）
183
184	由于 akquant 依赖 `pandas>=3.0.0`，全局安装可能与现有项目存在版本冲突。推荐使用 uv 创建隔离环境：
185
186	#### 1. 安装 uv：若已安装则跳过
187
188	```bash
189	# macOS
190	brew install uv
191
192	# Linux
193	curl -LsSf https://astral.sh/uv/install.sh \| sh
194
195	# Windows (PowerShell)
196	powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 \| iex"
197	```
198
199	#### 2. 创建项目并初始化环境
200
201	```bash
202	# 创建项目目录
203	mkdir my-quant-strategy
204	cd my-quant-strategy
205
206	# 初始化项目（创建 pyproject.toml）
207	uv init
208
209	# 创建虚拟环境并安装依赖
210	uv venv
211	uv add akquant pandas numpy
212	```
213
214	#### 3. 运行策略脚本
215
216	```bash
217	# 方式一：使用 uv run（推荐）
218	uv run python my_strategy.py
219
220	# 方式二：激活虚拟环境后运行
221	source .venv/bin/activate # macOS/Linux
222	# .venv\Scripts\activate # Windows
223	python my_strategy.py
224	```
225
226	#### 4. 依赖版本锁定
227
228	uv 会自动生成 `uv.lock` 文件，确保团队

People who liked this also viewed

6 picks

Type

akquant

160stars33forks

View on GitHub

How to install akquant?

lzwme/finance-quant-skills/akquant

$npx -y skills add lzwme/finance-quant-skills --skill akquant

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	# AKQuant 量化策略开发指南
2
3	## 任务目标
4
5	本 Skill 用于辅助 AI 编程智能体生成符合 akquant 框架规范的可执行量化策略代码。能力包括策略设计、回测配置、订单管理、风控规则、参数优化与横截面策略实现。
6
7	## 核心能力清单
8
9	- 策略类生成：继承 Strategy 基类，实现生命周期钩子
10	- 数据接口配置：准备 DataFrame 数据、设置预热期、访问历史数据
11	- 事件驱动机制：on_bar/on_tick/on_order/on_trade 等回调
12	- 订单管理：市价单/限价单/目标仓位/OCO/Bracket/Trailing Stop
13	- 风控规则：持仓限制/回撤熔断/止损阈值/行业集中度
14	- 参数优化：网格搜索与滚动优化（Walk-Forward）
15	- 多策略编排：slot 映射与策略级风控
16
17	## 触发条件
18
19	当用户表达以下意图时触发：
20	- 开发量化交易策略
21	- 配置回测环境与参数
22	- 设置风险控制规则
23	- 进行参数优化与调优
24	- 实现横截面或轮动策略
25	- 排查策略运行错误
26
27	## 策略开发工作流
28
29	### 阶段一：理解需求
30
31	1. 识别策略类型：趋势跟踪、均值回归、横截面轮动、套利等
32	2. 确定数据需求：时间周期、标的范围、字段要求
33	3. 明确风控约束：持仓上限、止损止盈、回撤限制
34
35	### 阶段二：设计策略结构
36
37	参考 [strategy-patterns.md](references/strategy-patterns.md) 选择范式：
38	- 类风格（推荐）：继承 Strategy，封装状态与逻辑
39	- 函数风格：initialize + on_bar，快速原型
40
41	关键决策点：
42	- 预热期设置：根据指标窗口长度计算
43	- 历史数据访问：get_history (numpy) 或 get_history_df (DataFrame)
44	- 执行模式：NextOpen（下一 Bar 开盘）或 CurrentClose（当前 Bar 收盘）
45
46	### 阶段三：编写策略代码
47
48	使用 [assets/strategy-template.py](assets/strategy-template.py) 作为起点：
49
50	```python
51	from akquant import Strategy, Bar
52
53	class MyStrategy(Strategy):
54	warmup_period = 20 # 预热数据长度
55
56	def __init__(self, param1=10):
57	self.param1 = param1
58
59	def on_start(self):
60	self.subscribe("600000")
61
62	def on_bar(self, bar: Bar):
63	# 核心交易逻辑
64	history = self.get_history(self.param1, bar.symbol, "close")
65	if len(history) < self.param1:
66	return
67
68	import numpy as np
69	ma = np.mean(history)
70	pos = self.get_position(bar.symbol)
71
72	if bar.close > ma and pos == 0:
73	self.buy(bar.symbol, 100)
74	elif bar.close < ma and pos > 0:
75	self.sell(bar.symbol, 100)
76	```
77
78	### 阶段四：配置回测环境
79
80	参考 [api-reference.md](references/api-reference.md) 设置参数：
81
82	```python
83	from akquant import run_backtest
84
85	result = run_backtest(
86	strategy=MyStrategy,
87	data=df,
88	symbol="600000",
89	initial_cash=500_000.0,
90	commission_rate=0.0003,
91	stamp_tax_rate=0.001,
92	t_plus_one=True, # A 股 T+1 规则
93	warmup_period=20,
94	execution_mode="NextOpen",
95	)
96	```
97
98	### 阶段五：设置风控规则
99
100	参考 [risk-management.md](references/risk-management.md) 配置：
101
102	```python
103	from akquant.config import RiskConfig
104
105	result = run_backtest(
106	...,
107	risk_config=RiskConfig(
108	max_position_pct=0.10, # 单标的持仓不超过 10%
109	max_account_drawdown=0.20, # 最大回撤 20%
110	max_daily_loss=0.05, # 单日亏损 5%
111	),
112	)
113	```
114
115	### 阶段六：参数优化
116
117	参考 [optimization.md](references/optimization.md) 执行：
118
119	```python
120	from akquant import run_grid_search, run_walk_forward
121
122	# 网格搜索
123	results = run_grid_search(
124	strategy=MyStrategy,
125	param_grid={"param1": [10, 20, 30]},
126	data=df,
127	sort_by="sharpe_ratio",
128	)
129
130	# 滚动优化（推荐）
131	wfo_results = run_walk_forward(
132	strategy=MyStrategy,
133	param_grid={"param1": [10, 20, 30]},
134	data=df,
135	train_period=250,
136	test_period=60,
137	metric="sharpe_ratio",
138	)
139	```
140
141	## 横截面策略开发
142
143	参考 [cross-section-guide.md](references/cross-section-guide.md) 实现多标的轮动：
144
145	推荐范式：使用 on_timer 统一触发调仓
146
147	```python
148	class CrossSectionStrategy(Strategy):
149	def __init__(self):
150	self.universe = ["sh600519", "sz000858", "sh601318"]
151
152	def on_start(self):
153	self.add_daily_timer("14:55:00", "rebalance")
154
155	def on_timer(self, payload):
156	if payload != "rebalance":
157	return
158
159	# 计算所有标分数
160	scores = {}
161	for symbol in self.universe:
162	history = self.get_history(20, symbol, "close")
163	scores[symbol] = (history[-1] - history[0]) / history[0]
164
165	# 选出最佳标的并调仓
166	best = max(scores, key=scores.get)
167	self.order_target_percent(0.95, symbol=best)
168	```
169
170	## 资源索引
171
172	\| 资源 \| 用途 \| 何时读取 \|
173	\|------\|------\|----------\|
174	\| [api-reference.md](references/api-reference.md) \| API 速查 \| 查询函数签名与参数 \|
175	\| [strategy-patterns.md](references/strategy-patterns.md) \| 策略范式 \| 设计策略结构 \|
176	\| [risk-management.md](references/risk-management.md) \| 风控配置 \| 设置风控规则 \|
177	\| [optimization.md](references/optimization.md) \| 参数优化 \| 调优策略参数 \|
178	\| [cross-section-guide.md](references/cross-section-guide.md) \| 横截面策略 \| 实现多标的轮动 \|
179	\| [strategy-template.py](assets/strategy-template.py) \| 策略模板 \| 快速生成代码骨架 \|
180	## 环境准备与依赖管理
181
182	### 使用 uv 管理项目环境（推荐）
183
184	由于 akquant 依赖 `pandas>=3.0.0`，全局安装可能与现有项目存在版本冲突。推荐使用 uv 创建隔离环境：
185
186	#### 1. 安装 uv：若已安装则跳过
187
188	```bash
189	# macOS
190	brew install uv
191
192	# Linux
193	curl -LsSf https://astral.sh/uv/install.sh \| sh
194
195	# Windows (PowerShell)
196	powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 \| iex"
197	```
198
199	#### 2. 创建项目并初始化环境
200
201	```bash
202	# 创建项目目录
203	mkdir my-quant-strategy
204	cd my-quant-strategy
205
206	# 初始化项目（创建 pyproject.toml）
207	uv init
208
209	# 创建虚拟环境并安装依赖
210	uv venv
211	uv add akquant pandas numpy
212	```
213
214	#### 3. 运行策略脚本
215
216	```bash
217	# 方式一：使用 uv run（推荐）
218	uv run python my_strategy.py
219
220	# 方式二：激活虚拟环境后运行
221	source .venv/bin/activate # macOS/Linux
222	# .venv\Scripts\activate # Windows
223	python my_strategy.py
224	```
225
226	#### 4. 依赖版本锁定
227
228	uv 会自动生成 `uv.lock` 文件，确保团队

People who liked this also viewed

6 picks

Type