quantA

📌 核心价值：开源A股AI量化交易系统，用多Agent + 强化学习 + Rust执行引擎，从回测到模拟盘的端到端技术栈

涵盖A股规则、5个LLM Agent、5种RL算法、Python+Rust混合架构、262/262测试通过

---

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。

---

🚀 什么是 quantA？

quantA 是一个面向 A 股市场的开源 AI 量化交易系统，把"大模型多 Agent 决策 + 强化学习策略 + Rust 高性能执行"三层架构完整拼装，覆盖回测、训练、监控、模拟交易全流程。仓库地址：oklaM/quantA（MIT 协议）。项目按"决策层 → 策略层 → 执行层 → 数据层"分层组织，使用 GLM-4 作为多 Agent 的"大脑"，Stable-Baselines3 训练强化学习策略，用 Rust + PyO3 实现订单管理和组合管理。

核心定位：把量化研究、机器学习策略、Rust 执行引擎、A 股特殊规则四件最难的事，集成到一个可以 pip install 即跑的本地系统里。

---

✨ 核心功能一览

---

🛠️ 5 分钟上手：跑通一次回测

安装与配置

# 克隆仓库
git clone https://github.com/oklaM/quantA.git
cd quantA

# 创建虚拟环境（Python ≥3.10）
python -m venv venv
source venv/bin/activate   # Linux/macOS
# venv\Scripts\activate    # Windows

# 安装依赖
pip install -r requirements.txt

# 复制环境变量模板，填入智谱AI + Tushare 密钥
cp .env.example .env
vim .env   # ZHIPUAI_API_KEY=... ; TUSHARE_TOKEN=...

一段代码跑通 Buy-and-Hold 回测

from backtest.engine.backtest import BacktestEngine
from backtest.engine.strategies import BuyAndHoldStrategy
import pandas as pd

# 1. 准备数据
data = pd.read_csv('your_data.csv')

# 2. 创建策略：以 1000 股持有贵州茅台（600519.SH）
strategy = BuyAndHoldStrategy(symbol="600519.SH", quantity=1000)

# 3. 运行回测（100 万初始资金）
engine = BacktestEngine(
    data={"600519.SH": data},
    strategy=strategy,
    initial_cash=1_000_000,
)
results = engine.run()

# 4. 看结果
print(f"回报: {results['total_return_pct']:.2f}%")
print(f"夏普比率: {results['sharpe_ratio']:.2f}")

注意：Buy-and-HoldStrategy 只是入门示例；真实策略要走 PPO/DQN 训练（见 rl/ 模块）。

---

🏗️ 系统架构：四层分工的"AI 量化流水线"

quantA 采用经典的"决策 → 策略 → 执行 → 数据"四层架构。决策层由 5 个 LLM Agent 协同，策略层用 Stable-Baselines3 训练 5 种 RL 算法，执行层用 Rust 写订单/组合管理，数据层支持 DuckDB/ClickHouse 时序存储。

决策层：5 个 GLM-4 Agent 协同

Agent	职责	工具集
market_data_agent	行情数据采集与清洗	K 线、tick、复权
technical_agent	技术指标计算与解读	MA/EMA/MACD/RSI/KDJ/布林带/ATR
sentiment_agent	舆情情绪分析	新闻、社交媒体、研报
strategy_agent	策略生成与评估	LLM 推理 + 工具调用
risk_agent	风控与合规检查	仓位、回撤、停牌、停复牌

5 个 Agent 通过 LangGraph 协调器串起来——market_data → technical → sentiment → strategy → risk，最后输出可执行的交易信号。

策略层：5 种 RL 算法 + 8 种奖励函数

from rl.models import ModelManager

# 创建模型管理器
manager = ModelManager(models_dir="models")

# 保存训练好的 PPO 模型
version = manager.save_model(
    model=trained_model,
    algorithm="ppo",
    metadata={"total_timesteps": 50000}
)

# 加载模型
model = manager.load_model(version.version_id)

# 列出所有版本
versions = manager.list_versions(algorithm="ppo")

支持算法：PPO / DQN / A2C / SAC / TD3（5 种主流 RL 算法）。 内置奖励函数：8+ 种（PnL、夏普、最大回撤、Sortino、Calmar、波动率惩罚等）。

执行层：Rust + PyO3 高性能订单管理

rust_engine/
├── src/
│   ├── execution.rs     # 订单执行（含停复牌/最小申报单位检查）
│   ├── portfolio.rs     # 持仓/资金/盈亏计算
│   └── error.rs         # 错误处理
└── Cargo.toml

通过 PyO3 把 Rust 模块编译为 Python 扩展，Python 策略研发 + Rust 高性能执行，避开纯 Python 的 GIL 瓶颈。

数据层：DuckDB / ClickHouse 时序存储

• data/market/：行情数据采集
• data/storage/：DuckDB（单兵）/ ClickHouse（团队）
• data/fundamental/：基本面数据

---

📊 与同类项目对比

quantA 的定位是"A 股 + 多 Agent + RL + Rust 执行 + 本地化"五件齐全的开源系统。下表对比同量级的几款 A 股量化开源项目：

---

💡 适用场景

场景 1：研究员做 A 股因子策略回测

功能说明：quantA 的 backtest/engine/ 提供事件驱动回测引擎，内置 20+ 技术指标（MA/EMA/MACD/RSI/KDJ/布林带/ATR）、20+ 绩效指标（夏普、最大回撤、胜率等）、HTML 报告自动生成。

输入要求：CSV/Parquet 格式的历史 OHLCV + 财务数据；推荐接入 Tushare。

输出效果：HTML 回测报告（含净值曲线、回撤、交易明细）+ 关键指标 JSON。

适用场景：

• ✅ 个人研究 A 股技术指标策略
• ✅ 团队做因子有效性验证
• ✅ 教学场景：把回测当作业模板

---

场景 2：RL 算法工程师做 A 股策略训练

功能说明：rl/envs/ 提供 Gymnasium 接口的 A 股交易环境，内置 T+1 / 停复牌 / 最小申报单位 / 交易时段约束；支持 PPO/DQN/A2C/SAC/TD3 五种算法训练，模型版本化管理。

输入要求：环境配置 + 训练参数（学习率、批量、奖励函数）。

输出效果：训练日志（TnesorBoard）+ 最佳模型文件 + 评估报告。

适用场景：

• ✅ 强化学习课程作业
• ✅ 中频/日内 RL 策略研究
• ✅ 对比多种 RL 算法在 A 股的表现

---

场景 3：LLM 应用工程师做多 Agent 投研

功能说明：agents/ 模块实现 5 个专业 Agent，通过 LangGraph 串成多 Agent 流水线。决策层可独立调用，也可以和 RL 策略层组合使用。

输入要求：GLM-4 API Key（智谱 AI）+ 行情数据源。

输出效果：结构化交易信号 JSON（含买卖方向、置信度、止损位、风险提示）。

适用场景：

• ✅ LLM 投研工作流原型
• ✅ 多 Agent 辩论决策框架
• ✅ 把 LLM 接到 A 股场景的端到端测试

---

用户群体总结

• ✅ 量化研究员：回测框架 + A 股规则 + 绩效分析开箱即用
• ✅ RL 算法工程师：A股 Gym 环境 + 5 种算法 + 模型版本管理
• ✅ LLM 应用工程师：多 Agent 协调 + LangGraph + GLM-4 集成
• ✅ 学生 / 教学：262 测试通过 + 文档完整，作为量化课程实战素材
• ❌ 不适合：纯美股/港股/加密用户（系统当前仅深度适配 A 股规则）；完全不想写代码的纯交易用户（需要 Python ≥3.10）

---

💰 定价方案

quantA 是 MIT 开源协议，完全免费。

• ✅ 个人研究：MIT 协议，可商用、可修改、可闭源衍生
• ✅ 机构研究：免费用于内部研究；商用部署需保留版权声明

开源协议： MIT

💡 新用户福利：所有模块（回测 / Agent / RL / 监控）开箱即用，跑通 Buy-and-Hold 只需 5 行 Python

---

🎯 总结

quantA 是少数同时覆盖回测、LLM 多 Agent、RL 训练、Rust 执行、A 股规则的开源项目。对于想从零搭一套"AI 决策 + 强化学习策略 + 本地执行"的量化系统，又不想被云服务绑架的开发者，quantA 是一份少见的"五件齐全"的本地化技术栈。

推荐指数： ⭐⭐⭐⭐（满分5星；扣一星因 Star 数仍较少，生态处于早期）

适合人群： A 股量化研究员、RL/LLM 应用工程师、高校量化课程师生

立即体验：

git clone https://github.com/oklaM/quantA.git
cd quantA
pip install -r requirements.txt
python examples/backtest_example.py

GitHub 仓库： oklaM/quantA

---

数据截至 2026-08-19，最新信息请以官网为准。