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: 事件驱动的核心引擎，采用二进制堆 (BinaryHeap) 管理定时器，基于 Pipeline 模式处理事件流。支持 Event::Bar, Event::Tick, Event::Timer 等事件。
• DataFeed: 高性能数据引擎，支持模拟数据 (Memory/CSV) 和实时数据流 (Channel)。支持零拷贝数组导入 (add_arrays)。
• EventManager: 基于 Rust Channel (mpsc) 实现的事件总线，负责事件的分发与流转。
• RiskManager: 独立拦截层，在 Rust 引擎层直接拦截违规订单。支持多层级风控规则 (Common, Asset-Specific) 和自动调仓逻辑 (Check and Adjust)。
• Portfolio: 独立的投资组合管理，实时维护持仓 (Position) 和 账户资金 (Account)，自动处理盈亏计算和权益更新。
• MarketManager: 市场规则管理器，支持多种市场模型 (SimpleMarket, ChinaMarket) 的切换和组合。
• ExecutionClient: 执行客户端抽象，支持模拟执行 (SimulatedExecutionClient) 和实盘执行 (RealtimeExecutionClient)。

接口层 (PyO3)

• 利用 PyO3 将 Rust 的核心结构体 (Engine, StrategyContext, Bar, Order, RiskManager) 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。
• PyExecutionMatcher: 支持在 Python 端实现自定义撮合逻辑，并注册到 Rust 引擎中。

Python 用户层

• Strategy API: 提供简洁的 Strategy 基类，支持 on_bar, on_tick, on_order, on_trade, on_timer 等回调。内置自动指标发现 (_discover_indicators)。
• ML Framework: 内置 akquant.ml 模块，提供 QuantModel 抽象基类和 SklearnAdapter / PyTorchAdapter，支持 Walk-forward Validation (滚动训练) 框架。
• Data API: 兼容 Pandas 生态，支持从 CSV、Parquet 或内存 DataFrame 加载数据。
• Analysis: 提供 plot 模块，基于 Plotly 实现交互式可视化，包括资金曲线、盈亏分布、年度收益等图表。

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。
• Pipeline 架构: 采用流水线模式 (DataProcessor -> ExecutionProcessor -> StrategyProcessor) 处理事件，逻辑清晰且高效。
• 增量计算: 内部状态和指标计算采用增量更新算法，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。支持每日定时任务 (add_daily_timer)。
• 三轴执行语义: 通过 fill_policy 的 price_basis、bar_offset、temporal 统一表达成交价格与撮合时序。
• 滑点模型 (Slippage): 支持 Fixed (固定金额) 和 Percent (百分比) 滑点模型。
• 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。

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。
• 资金/持仓限制: 支持最大单笔金额、最大持仓比例、限制名单 (RestrictedListRule) 等检查。
• 自动调整: 支持在资金不足时自动调整订单数量 (check_and_adjust)。

2.4 机器学习 (Machine Learning First)

• 内置训练框架: 内置完整的 ML Pipeline，支持 fit, predict, save, load 标准接口。
• 滚动训练: 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。
• 深度学习支持: 内置 PyTorchAdapter，支持增量训练 (incremental) 和 GPU 加速。

2.5 数据生态

• Streaming CSV: 支持流式加载超大 CSV 文件，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。
• 实时数据: DataFeed 支持 Channel 模式，可对接实时行情源。

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
│   ├── engine/         # 引擎核心 (Core, State, Python Bindings)
│   ├── data/           # 数据层 (Feed, Client, Aggregator)
│   ├── event.rs        # 事件定义
│   ├── event_manager.rs # 事件管理器
│   ├── execution/      # 执行层 (Matcher, Simulated, Realtime, Slippage)
│   ├── market/         # 市场层 (Manager, China, Simple, Stock, Futures)
│   ├── risk/           # 风控层 (Manager, Rule, Config, Common, Asset-Specific)
│   ├── portfolio.rs    # 资金与持仓管理
│   ├── context.rs      # 策略交互上下文
│   ├── history.rs      # 历史数据管理 (Zero-Copy View)
│   ├── analysis/       # 绩效分析
│   ├── pipeline/       # 流水线处理架构
│   ├── settlement/     # 结算逻辑
│   ├── statistics/     # 统计模块
│   └── model/          # 数据模型 (Order, Trade, Instrument, Bar 等)
├── python/             # Python 源代码
│   └── akquant/
│       ├── ml/         # 机器学习框架 (Model, Adapters)
│       ├── plot/       # 绘图分析模块
│       ├── backtest/   # 回测引擎封装
│       ├── __init__.py
│       ├── akquant.pyi # 类型提示文件
│       ├── strategy.py # 策略基类
│       ├── config.py   # 配置定义
│       └── ...         # 其他辅助模块
└── examples/           # 使用示例

4. 技术栈选型

• Rust:
  • pyo3: 生成 Python 绑定。
  • chrono: 时间处理。
  • rust_decimal: 高精度金额计算。
  • indicatif: 进度条显示。
  • 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。
  • scikit-learn / torch: 机器学习支持。