架构设计

AKQuant 采用高性能的 Rust + Python 混合架构。Rust 负责底层的密集计算、内存管理、事件调度和风控拦截，Python 负责上层的策略定义、数据交互和分析可视化。这种设计在保证极致执行效率的同时，维持了 Python 生态的灵活性。

1. 系统分层

Rust 核心层 (akquant_core)

• Engine: 事件驱动的核心撮合引擎，采用二进制堆 (BinaryHeap) 管理事件队列，确保时间精确性。
• DataFeed: 高性能数据引擎，支持流式加载 (Streaming CSV) 和 Pandas DataFrame 直接映射，尽可能实现零拷贝内存访问。
• Event Bus: 基于 Rust Channel (mpsc) 实现的事件总线，解耦策略、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。
• RiskManager: 独立拦截层，在 Rust 引擎层直接拦截违规订单，支持 T+1 可用持仓检查、资金限制等。
• Portfolio: 独立的投资组合管理，实时维护持仓 (Position) 和 账户资金 (Account)，自动处理盈亏计算。
• MarketModel: 可插拔的市场模型，内置 A 股 (T+1) 和 期货 (T+0) 规则，支持多资产混合回测。

接口层 (PyO3)

• 利用 PyO3 将 Rust 的核心结构体 (Engine, StrategyContext, Bar, Order) 暴露为 Python 类。
• Zero-Copy Access: 利用 Rust 的 arrow 和 numpy 视图技术，历史数据 (ctx.history) 通过 PyO3 Buffer Protocol 直接映射 Rust 内存，Python 端访问 OHLCV 和计算指标时无需内存复制，大幅提升性能。

Python 用户层

• Strategy API: 提供简洁的 Strategy 基类，支持 on_bar, on_order, on_trade 等回调。
• ML Framework: 内置 akquant.ml 模块，提供 Walk-forward Validation (滚动训练) 框架，统一 Scikit-learn 和 PyTorch 接口。
• Data API: 兼容 Pandas 生态，支持从 CSV、Parquet 或内存 DataFrame 加载数据。
• Analysis: 集成 Plotly/Matplotlib 进行交互式可视化，提供丰富的绩效指标 (PerformanceMetrics) 和交易分析 (TradeAnalyzer)。

2. 核心模块与特性

2.1 极致性能

• Rust 核心: 核心回测引擎采用 Rust 编写，避免了 Python GIL 的限制。
• 基准测试: 在 200k K线数据的 SMA 策略回测中，AKQuant 耗时仅 1.31s (吞吐量 ~152k bars/sec)，相比 Backtrader (26.55s) 快约 20倍。
• 增量计算: 内部状态和指标计算采用增量更新算法，而非全量重算，适合超长历史回测。

2.2 事件驱动与仿真

• Timer: 支持 schedule(timestamp, payload) 注册定时事件，触发 on_timer 回调，实现复杂的盘中定时逻辑（如：每日 14:50 平仓）。
• ExecutionMode: 支持 CurrentClose (信号当根K线收盘成交) 和 NextOpen (次日开盘成交) 模式。
• 滑点模型 (Slippage): 支持 Fixed (固定金额) 和 Percent (百分比) 滑点模型，模拟真实交易成本。
• 成交量限制 (Volume Limit): 支持按 K 线成交量比例限制单笔撮合数量，并实现分批成交 (Partial Fill)。

2.3 严密的风控系统

• T+1 严格风控: 针对股票/基金，严格执行 T+1 可用持仓检查，防止当日买入当日卖出（除非配置为 T+0 市场）。
• 可用持仓管理: 自动维护 available_positions，并扣除未成交的卖单冻结数量，防止超卖。
• 灵活配置: 通过 RiskConfig 可配置最大单笔金额、最大持仓比例、黑名单等。

2.4 机器学习 (Machine Learning First)

• 内置训练框架: 内置完整的 ML Pipeline，不同于传统框架仅支持简单的技术指标。
• Walk-forward Validation: 原生支持滚动窗口训练，有效防止未来函数和过拟合。
• Adapter Pattern: 提供了 QuantModel 适配器，解耦模型与策略逻辑，只需几行代码即可接入 AI 模型。

2.5 数据生态

• Streaming CSV: 支持流式加载超大 CSV 文件 (DataFeed.from_csv)，极大降低内存占用。
• Pandas 集成: 支持直接加载 Pandas DataFrame 数据，兼容各类数据源。
• 智能缓存: 支持数据本地缓存 (Pickle)，避免重复下载，加速策略迭代。

3. 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

4. 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。