A股回测用Rust重写｜akquant全栈实战

核心价值：Rust 内核 + Python 生态，把 A 股回测速度从 Backtrader 的基线拉到 10× 量级

把事件驱动、机器学习、生产级风控塞进同一个量化研究框架。

⚠️ 本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。

akquant 是一款专为 量化投研 (Quantitative Research) 打造的高性能混合架构引擎，核心用 Rust 编写，通过 PyO3 暴露给 Python。截至 2026-07-26，已累计 887 commits，GitHub 1,886 Stars、248 Forks，MIT 开源，PyPI 一行安装（pip install akquant）。

它的核心定位是：用 Rust 铸造极速撮合内核，用 Python 链接数据与 AI 生态，让"事件驱动 + 机器学习 + 生产级风控"在同一个框架下完成。

核心定位：把"研究想法 → 回测验证 → 风控拦截 → 绩效分析"塞进一条 Pipeline，全部用 Python 写策略，底层 Rust 跑。

️ 三层架构：Python 调用 → PyO3 接口 → Rust 核心

akquant 采用 Rust + Python 混合架构，三层层层分明：

第 1 层：Python 用户层

• Strategy API：Strategy 基类提供 on_bar、on_tick、on_order、on_trade、on_timer 回调
• ML Framework：akquant.ml 模块提供 QuantModel 抽象基类 + SklearnAdapter / PyTorchAdapter
• Data API：兼容 Pandas，从 CSV、Parquet、内存 DataFrame 直接加载
• Analysis：plot 模块基于 Plotly，交互式可视化

第 2 层：PyO3 接口层

• 利用 PyO3 把 Rust 的核心结构体（Engine、StrategyContext、Bar、Order、RiskManager）暴露为 Python 类
• 数据导入（add_arrays）借用 NumPy 缓冲、零拷贝进入引擎
• 历史读取（get_history）返回安全快照拷贝（窗口小、开销可忽略）

第 3 层：Rust 核心层（akquant_core）

• Engine：事件驱动核心，采用 BinaryHeap 管理定时器
• RiskManager：独立拦截层，在 Rust 引擎层直接拦截违规订单
• MarketManager：支持 SimpleMarket / ChinaMarket 切换，内置 A 股 T+1 规则、涨跌停、中国单一腿保证金
• Portfolio：独立投资组合管理，实时维护持仓与账户资金
• ExecutionClient：抽象执行层，支持模拟 + 实盘切换

关键设计：RiskManager 在 Rust 层做拦截，而不是 Python 层。这意味着即便 Python 策略代码存在漏洞，违规订单也根本不会进到撮合引擎。

✨ 五大核心模块

模块 1：Polars Alpha101 因子表达式引擎

• 内置 akquant.polars_factor 模块，Polars 驱动的高性能因子计算
• 支持 Alpha101 风格公式：Rank(Ts_Mean(Close, 5)) 一行回测
• 自动处理并行计算与数据对齐，对比传统 pandas 写法提速明显

模块 2：Walk-forward 机器学习训练

• 内置完整的 ML Pipeline：fit、predict、save、load 标准接口
• 策略中通过 set_rolling_window 配置滚动参数，引擎自动触发 on_train_signal 事件
• 内置 PyTorchAdapter，支持增量训练 (incremental) 和 GPU 加速

模块 3：A 股专属风控（ChinaMarket）

• T+1 严格风控：严格检查 available_positions，杜绝日内回转交易
• 涨跌停限制：内置 ±10% 价格笼子检查
• 可用持仓管理：自动维护 available_positions，扣减冻结数量
• 资金/持仓限制：RiskConfig 支持最大单笔金额、最大持仓比例、限制名单 (RestrictedListRule)

模块 4：流式 CSV + Pandas 集成

• DataFeed.from_csv 支持流式加载超大 CSV 文件，最小化内存占用
• 支持直接 pd.read_csv → add_arrays 零拷贝导入
• 智能缓存：支持本地 Pickle 缓存，避免重复下载

模块 5：Plotly 交互式可视化

• result.viz.report() 一键生成交互式 HTML 报告
• 自动渲染：资金曲线、回撤分析、月度热力图、年度收益、归因分解
• 配套 QuantStats 集成，支持 result.metrics_df / result.trades_df / result.positions_df

️ 快速上手：5 分钟跑通示例

Step 1 — 安装

# PyPI 一键安装（无需 Rust 环境）
pip install akquant

# 或从源码编译（推荐，启用所有扩展）
git clone https://github.com/akfamily/akquant.git
cd akquant
uv sync
uv run maturin develop

Step 2 — 准备数据

akquant 推荐两种数据源：

import akshare as ak

# 方式 A：使用 akshare 获取 A 股数据
df = ak.stock_zh_a_daily(
    symbol="sh600000",  # 浦发银行
    start_date="20250101",
    end_date="20260701",
)


# 方式 B：自定义因子（任何数值列都会被识别为因子）
df["momentum"] = df["close"] / df["open"]       # 动量因子
df["volatility"] = df["high"] - df["low"]       # 波动率因子
df["sentiment_score"] = compute_sentiment(df)   # 情绪因子

Step 3 — 写策略

from akquant import Strategy, run_backtest

class MyStrategy(Strategy):
    def on_bar(self, bar):
        # 通过 bar.extra 访问所有自定义因子
        mom = bar.extra.get("momentum", 0.0)
        vol = bar.extra.get("volatility", 0.0)
        score = bar.extra.get("sentiment_score", 0.0)

        position = self.get_position(bar.symbol)

        # 综合三因子决策
        if position == 0 and mom > 1.02 and score > 0.8:
            self.buy(bar.symbol, 100)
        elif position > 0 and (vol > 0.05 or score < 0.3):
            self.sell(bar.symbol, 100)

注意：bar.extra 是一个 dict，可以传任意数量的数值字段，akquant 会自动识别并在 Rust 侧打包。

Step 4 — 运行回测

result = run_backtest(
    strategy=MyStrategy,
    data=df,
    symbols="sh600000",
    initial_cash=500_000.0,
    commission_rate=0.0003,  # 万三佣金
)

# 查看绩效
print(f"Total Return: {result.metrics.total_return_pct:.2f}%")
print(f"Sharpe Ratio: {result.metrics.sharpe_ratio:.2f}")
print(f"Max Drawdown: {result.metrics.max_drawdown_pct:.2f}%")

Step 5 — 可视化

# 一行生成交互式 HTML 报告
result.viz.report(
    show=True,                 # 自动在浏览器中打开
    compact_currency=True,     # 金额按 K/M/B 紧凑显示
)

这就是 akquant 真实仪表盘：资金曲线、回撤分析、月度热力图、归因分解、年度收益，一张图全说清楚。

与主流回测框架对比

关键差异

对比 1：核心架构

• Backtrader：纯 Python 事件循环，IO 与计算都受 GIL 制约
• VectorBT：NumPy 向量化，需要把整个时间序列装入内存
• akquant：Rust 事件队列 + Python 策略回调，规避 GIL，性能 + 灵活兼得

对比 2：原生 ML 支持

• Backtrader：需手写 scikit-learn 集成，无滚动训练框架
• VectorBT：NumPy 主导，深度学习集成需绕道
• akquant：内置 WalkForwardTrainer，策略中直接 set_rolling_window，引擎自动触发 on_train_signal

对比 3：A 股适配

• Backtrader：需自己实现 T+1、涨跌停
• VectorBT：完全无中国市场概念
• akquant：内置 ChinaMarket + RiskManager 拦截层，A 股规则开箱即用

对比 4：文档质量

• Backtrader：英文为主
• VectorBT：英文为主
• akquant：完整 16 章中文教材（https://akquant.akfamily.xyz ），含安装、快速开始、API 参考、策略开发、自定义指标、参数优化、时区、多策略、热启动等专题

三个典型使用场景

场景 1：多因子选股策略回测

akquant 的 Polars Alpha101 因子引擎是核心卖点。你可以直接写表达式：

from akquant import polars_factor as pf

# Alpha101 风格因子（一行搞定）
alpha_001 = pf.rank(pf.ts_mean(pf.close, 5))  # 5 日均价的横截面排名
alpha_005 = pf.ts_rank(pf.volume, 10)          # 10 日成交量的时间序列排名

# 组合成综合选股信号
score = alpha_001 * 0.6 + alpha_005 * 0.4

整个流程走 5 步：数据准备 → 因子表达式 → 回测引擎 → 风控拦截 → 绩效分析，全部在同一个 Python 脚本里完成。

场景 2：ML 滚动训练

akquant 把"训练-预测"完全嵌入事件循环。无需手写 scheduler：

class MLStrategy(Strategy):
    def on_init(self):
        # 配置滚动窗口：每 60 个 bar 重新训练一次
        self.set_rolling_window(
            train_window=240,    # 用 240 根 bar 训练
            retrain_every=60,    # 每 60 根 bar 重训
        )
        self.model = None

    def on_train_signal(self, history):
        # 引擎会在合适时机回调这里
        X = history[["momentum", "volatility", "sentiment_score"]]
        y = history["future_return"]
        self.model = SklearnAdapter(RandomForestRegressor())
        self.model.fit(X, y)

    def on_bar(self, bar):
        if self.model is None:
            return
        pred = self.model.predict(bar.extra)
        if pred > 0.02:
            self.buy(bar.symbol, 100)

优势：训练和回测是同一个事件循环，避免了"线下训练 → 线上部署"的一致性问题。

场景 3：参数优化（网格搜索）

akquant 内置多进程网格搜索框架，支持策略参数的高效并行优化：

from akquant.optim import GridSearch

gs = GridSearch(
    strategy=MyStrategy,
    data=df,
    param_grid={
        "fast_window": [5, 10, 20],
        "slow_window": [30, 60, 120],
        "threshold": [0.01, 0.02, 0.05],
    },
    metric="sharpe_ratio",
    n_jobs=-1,  # 用满所有 CPU
)
results = gs.run()
print(results.best_params_)

数据来源：akquant 官方 benchmark（基于 50 标的 × 5000 根 bar 回测，CPU i7-12700H）

用户群体总结

• ✅ 量化研究员：Alpha101 因子表达式 + Walk-forward ML 是日常工具
• ✅ 量化团队负责人：ChinaMarket + RiskManager 提供 A 股合规底座
• ✅ 量化教学/培训机构：16 章中文教材可直接作为教学大纲
• ✅ 私募/资管 IT：Rust 性能 + Python 灵活，适合中频策略的实盘化
• ❌ 不适合：纯 K 线看图交易者、加密货币高频做市（akquant 主打 A 股中低频）

安装与生态

PyPI 一键安装（无需 Rust 环境）：

pip install akquant

可选依赖：

• akquant[train] — 包含 PyTorch、scikit-learn
• akquant[plot] — 包含 Plotly、QuantStats
• akquant[akshare] — 包含 akshare 自动数据加载

版本历史：

• v0.1.0：初始发布（PyO3 基础框架）
• v0.1.27：文档更新与示例扩充
• v0.1.84：环境管理从 conda 迁移至 uv
• v0.2.19：新增 Plotly 交互式报告、Walk-forward ML 框架
• 当前 main：持续迭代中

开源协议： MIT

总结

akquant 不是又一个"Backtrader 替代品"，它的差异化在于：

1. Rust 内核：真正的事件驱动 + 零拷贝数据通路，比纯 Python 框架快一个数量级
2. A 股原生：ChinaMarket + RiskManager 拦截层，T+1 / 涨跌停 / 保证金开箱即用
3. ML First：内置 WalkForwardTrainer + PyTorchAdapter，把滚动训练和回测放进同一个事件循环
4. Polars Alpha101 引擎：Rank(Ts_Mean(Close, 5)) 这种表达式一行搞定，无需手写 vectorize
5. 完整文档：16 章中文教材 + Plotly 交互报告，对个人研究者友好

对量化研究员的实际价值：把"研究想法 → 代码 → 回测 → 风控 → 分析"五个环节合并到同一个 Python 脚本里，不需要再拼装 Backtrader + 自写 T+1 + jupyter 写报告。

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群： A 股量化研究员、私募/资管 IT、量化教学、AI 量化 PhD 学生

立即体验： akquant 官方文档

GitHub 仓库： akfamily/akquant

数据截至 2026-07-29，最新信息请以官网为准。

文章来源：https://www.toutiao.com/article/7667861942515253766/

posted @ 2026-07-30 23:15 Leone- 阅读(28) 评论(0) 收藏举报

刷新页面返回顶部