AKQuant - 高性能 Rust/Python 量化投研框架¶

1. 项目概览¶

AKQuant 是一个专为高性能回测设计的混合语言量化投研框架。它利用 Rust 处理繁重的计算任务（如事件循环、数值计算、内存管理），并使用 Python 进行策略定义、数据分析和可视化。

2. 架构设计¶

2.1 系统分层¶

Rust 核心层 (akquant_core):
- 数据引擎: 使用 polars (Arrow 格式) 管理 OHLCV 数据，尽可能实现零拷贝内存映射。
- 回测引擎: 事件驱动的执行引擎。
- 事件总线 (Event Bus):
  - 参考成熟的事件驱动消息总线概念，基于 Rust Channel (mpsc) 实现。
  - 解耦了策略、风控、执行和数据组件。
  - 支持 OrderRequest (请求), OrderValidated (风控通过), ExecutionReport (执行报告) 等事件的异步流转。
  - 高优先级处理控制事件，支持未来扩展为多策略并行或异步风控检查。
- 订单撮合: 模拟限价单/市价单、滑点和手续费。
- 风控模块: 内置 RiskManager，支持预交易风控（T+1 可用持仓、资金限制等）。
- 指标计算: 快速计算夏普比率、最大回撤等指标。
接口层 (PyO3):
- 将 Rust 结构体 (Engine, DataFeed, StrategyContext) 暴露为 Python 类。
- 处理类型转换（例如：Rust DataFrame <-> Python pandas/polars）。
Python 用户层:
- 策略 API: 用户继承的抽象基类。
- 数据 API: 连接 Tushare, AKShare, Parquet 文件的数据连接器。
- 可视化: 集成 Plotly/Matplotlib。

2.2 目录结构¶

akquant/
├── Cargo.toml          # Rust 依赖管理
├── pyproject.toml      # Python 构建系统 (maturin)
├── src/                # Rust 源代码
│   ├── lib.rs          # PyO3 入口点
│   ├── model/          # 数据模型 (Order, Trade, Instrument, Bar 等)
│   ├── data.rs         # 数据源 (DataFeed)
│   ├── engine.rs       # 回测核心引擎
│   ├── event.rs        # 事件定义与总线消息
│   ├── clock.rs        # 交易时钟
│   ├── execution.rs    # 交易所模拟与订单撮合
│   ├── market.rs       # 市场规则 (费率、T+1/T+0)
│   ├── portfolio.rs    # 资金与持仓管理
│   ├── risk.rs         # 风控管理 (RiskManager)
│   ├── context.rs      # 策略交互上下文
│   ├── history.rs      # 历史数据管理 (Zero-Copy View)
│   ├── analysis.rs     # 绩效指标计算
│   └── indicators.rs   # 高性能指标实现
├── python/             # Python 源代码
│   └── akquant/
│       ├── ml/         # 机器学习适配器
│       ├── __init__.py
│       ├── akquant.pyi # 类型提示文件
│       ├── backtest.py # 回测入口
│       ├── strategy.py # 策略基类
│       ├── indicator.py# 指标包装
│       ├── optimize.py # 参数优化
│       └── ...         # 其他辅助模块
└── examples/           # 使用示例

2.3 核心交互流程 (事件总线)¶

策略层: 策略调用 self.buy()，在 Rust 层生成 OrderRequest 事件并发送到 event_tx 通道。
引擎层:
- 主循环优先检查 event_rx 通道。
- 接收到 OrderRequest 后，调用 风控模块 (RiskManager) 进行检查。
- 若风控通过，生成 OrderValidated 事件并重新发送到通道。
- 若风控拒绝，生成拒绝状态的 ExecutionReport 并发送到通道。
执行层:
- 接收 OrderValidated 事件。
- 模拟模式: 立即撮合或加入挂单列表，生成 ExecutionReport。
- 实盘模式: 将订单发送到外部网关，并在收到回报时生成 ExecutionReport。
策略层: 策略通过回调更新订单状态 (pending_orders) 和持仓。

3. 技术栈选型¶

Rust:
- pyo3: 生成 Python 绑定。
- polars / arrow: 高性能列式数据存储。
- rayon: 多资产回测的并行处理。
- serde: 序列化支持。
Python:
- maturin: 构建后端。
- pandas / numpy: 面向用户的数据处理。
- plotly: 交互式可视化。

4. 开发路线图¶

第一阶段：原型验证（当前）¶

配置项目构建系统 (Maturin)。
在 Rust 中定义 Candle (K线) 和 Feed (数据流) 结构体。
向 Python 暴露基础的数据加载功能。
从 Rust 返回 Pandas DataFrame。

第二阶段：核心引擎¶

在 Rust 中实现事件循环。
在 Rust 中创建 Strategy trait 并将其封装以供 Python 继承。
基础订单撮合（市价单/限价单）。

第三阶段：分析与可视化¶

实现绩效指标计算（Rust 端）。
创建可视化模块（Python 端）。

第四阶段：生产就绪¶

对接外部数据源 (Tushare/SQL)。
支持并行回测。
完善文档。