SolidRockQuant · 磐石智擎

简体中文 | English

Agent 原生的量化研究与回测框架 —— 让 AI Agent 像研究员一样工作，让人类像审稿人一样把关。

The agent-native quant research & backtest framework for China A-shares & futures.

为什么做这个项目

vnpy、qlib、backtrader、rqalpha 等优秀框架都是「给人用」的，AI Agent 接入时处处碰壁：

• 报错信息人类能猜懂，Agent 只会反复重试；

• 回测结果埋在日志里，Agent 无法可靠地读取和对比；

• 数据没有版本概念，同一策略两次回测结果不同，Agent 无法判断是策略问题还是数据漂移；

• 没有统一的工具协议，每个 Agent 平台都要单独写胶水代码。

SolidRockQuant 从第一天起就为 LLM Agent 设计：MCP Server 是一等公民接口，实验自动留痕，数据可版本化，报错自带修复建议。目标是让 Agent 在最少人工干预下完成「拉数据 → 写策略/因子 → 回测/分析 → 读结果 → 迭代」的完整研究闭环，而人负责设定目标与审阅结论。

覆盖市场：中国 A 股（股票 / ETF / 指数 / 可转债）与国内期货，境外股票经官方 yfinance 插件接入。

Related MCP server: Quant Research Platform MCP Server

核心特性

🤖 Agent 原生

• MCP Server（srq mcp serve）：23 个工具覆盖数据、回测、因子、ML、实验、模拟盘与实盘，Claude 等 MCP 客户端即插即用；

• 结构化输出：统一 JSON 信封（status / data / artifacts / error / next_suggested_tools）+ Markdown 报告；错误码稳定，必带可执行的修复 hint；

• 前视偏差检测：回测前对策略做 AST 静态检查，拦截 shift(-n)、bfill、幻觉 API 等 LLM 高频错误；

• 确定性可复现：引擎无随机性 + 数据版本快照，同一配置永远得到同一结果；

• Agent 操作手册：src/solidrock/agent/skills/ 内置回测、数据更新、实验对比三份 playbook。

📊 数据层

• 可插拔数据源：通达信（pytdx 直连，白盒 xdxr 复权）、AKShare（东财主通道 + 新浪自动回退）、Tushare Pro、Baostock；境外经官方 yfinance 插件；商业接口（Wind 等）可自行扩展；

• 频率与品种：日线 + 分钟线（1m/5m）；股票、ETF/LOF、指数、可转债、期货合约与主连；

• 统一数据规范：原始价 + 后复权因子（前复权价随除权漂移、破坏复现性，故不落库）、交易日历、统一符号（000001.SZ / RB2505.SHFE）；

• 本地缓存：Parquet 原子写入 + DuckDB 参数化读取，增量更新幂等；

• 数据体检（srq data doctor）：缺失、异常值、因子缺失、大幅波动检测。

⚙️ 回测引擎（自研轻量）

• 事件驱动 bar 级引擎，默认 next_open 防前视执行（收盘出信号、次日开盘成交）；

• A 股规则内置：T+1（含 T+0 品种自动识别）、分板块涨跌停（主板 10% / 创业板科创 20% / 北交 30%，ST 可覆盖）、整手校验、停牌处理；

• 费用模型：佣金（最低 5 元）/ 印花税（卖出）/ 过户费 / 滑点，全部可配置；拒单携带原因码（LIMIT_UP / T_PLUS_ONE / WEIGHT_CAP / SUSPENDED / NO_MORE_BARS…）；

• 期货支持：17 个品种的合约规格（乘数 / 保证金率 / 开平仓与平今费率 / 涨跌停）、双向持仓、保证金约束、到期强平、主连换月比例复权；

• 策略钩子：setup → on_market_open → on_signal → on_market_close → on_stop；分钟频可用 trigger_times 定时触发；

• 风控：单标的权重上限（计入已有持仓）、回撤熔断自动清仓。

🔬 因子研究

• Factor 基类 + 面板容器（宽表）；MAD / 分位数去极值、zscore、行业市值中性化（OLS 残差）；

• RankIC / ICIR / t 值、分位数分层回测、多空价差、因子自相关（换手代理）；

• 内置因子导入即注册：Mom / Reversal / Volatility / Illiq（Amihud）/ VWAPDev / AtrRatio；

• 向量化快速筛选通道（srq factor screen）：因子 → 多空权重 → 净值，秒级完成数百标的扫描；内置 lag=1 杜绝前视。

🧮 指标库 / ML / 组合

• 向量化技术指标（solidrock.indicators）：sma / ema / ref / diff / hhv / llv / cross / roc / bias / macd / rsi / boll / atr / kdj，对齐通达信口径，兼容 Series 与多标的宽表；

• ML 管道（srq ml walk-forward）：数据集构建 → 滚动训练 → 严格样本外预测，可选 LightGBM / scikit-learn；

• 组合优化（solidrock.portfolio）。

📈 报告与绩效

• 指标：累计/年化收益、年化波动、夏普、索提诺、卡玛、最大回撤、Alpha/Beta、日胜率、交易胜率、盈亏比、最大连盈/连亏、单笔最大盈亏、成交笔数、总费用、年化换手、基准对比、月度收益；

• 产物：Markdown + JSON + 单文件 HTML 交互报告（plotly，净值/回撤、月度热力图、收益分布、滚动夏普）。

🧪 实验追踪（Agent 的记忆）

• 每次回测 / 因子分析自动记录：参数、配置、数据快照、指标、产物路径（SQLite，零部署）；

• srq experiment list / show / compare —— Agent 可回答「上次跑的动量策略和这次比哪个好」。

🖥️ 模拟盘与实盘

• 模拟盘（srq paper run）：状态持久化的日频跟踪，复用同一套策略代码与引擎规则，跨日续跑携带持仓/挂单/复权游标/熔断状态；

• 实盘（srq live ...）：QMT / cfquant 桥接，策略驱动会话（open/signal/close 三阶段），持仓对账；

• 实盘安全闸门（详见下节）：默认只读、下单守卫、显式确认、审计留痕。

实盘安全（重要）

实盘是唯一会动用真实资金的模块，因此安全约束在代码层强制执行，调用方无法通过传参跳过。 live_submit_order 必须同时通过以下检查，任一不满足即拒绝，委托不会发出：

补充设计：

• 本地校验先于连接：只读 / 参数 / 守卫检查全部先于连接 QMT，被拒的订单不会触碰券商，也不要求桥接在线；

• 撤单不受时段限制：撤单是降低风险的动作，任何时段放行（仍受只读约束）；

• 对账口径正确：用总持仓（volume）对比、可卖量（can_use_volume）约束卖出，避免 A 股 T+1 下把「已持有」误判为「缺仓」而重复买入；目标未包含的实盘持仓默认不自动清仓；

• 审计与告警：下单 / 撤单 / 被拦截 / 对账差异均写入 {data_dir}/live/audit.jsonl 并推送通知；通知失败原因落盘 {data_dir}/live/notify_errors.log，避免告警静默失效。

⚠️ 实盘涉及重大资金风险。请先在模拟盘验证策略，并从小额、白名单、低金额上限开始。

安装

# 从源码安装（PyPI 发布后可直接 pip install solidrock-quant）
pip install "solidrock-quant[mcp,sources] @ git+https://github.com/samchuit/SolidRockQuant.git"

可选 extras：

快速开始

srq init                                                    # 初始化数据目录
srq data calendar --update                                  # 拉取交易日历
srq data update --symbols 510300.SH --start 2024-01-01      # 更新行情

Python API

from solidrock import BacktestConfig, BacktestEngine, Context, DataStore, Strategy


class DualMA(Strategy):
    """双均线策略：快线上穿慢线满仓，反之清仓。"""

    params = {"fast": 5, "slow": 20}

    def setup(self, ctx: Context):
        ctx.universe = ["510300.SH"]

    def on_signal(self, ctx: Context):
        close = ctx.history("510300.SH", self.params["slow"] + 1, fields="close")["510300.SH"]
        window = close.iloc[-self.params["slow"]:]
        if window.isna().any() or len(window) < self.params["slow"]:
            return
        target = 1.0 if window.iloc[-self.params["fast"]:].mean() > window.mean() else 0.0
        ctx.order_target_percent("510300.SH", target)


store = DataStore(".solidrock")
result = BacktestEngine(DualMA, BacktestConfig(start="2025-01-01", end="2026-09-08"), store).run()
print(result.metrics["sharpe"], result.metrics["max_drawdown"])

CLI

# 回测（自动静态校验 + 实验留痕 + 报告落盘）
srq backtest run examples/dual_ma.py --start 2025-01-01 --end 2026-09-08 --param fast=5

# 因子研究
srq factor analyze examples/momentum_factor.py -u 000001.SZ,600519.SH --start 2025-01-01 --end 2026-09-08
srq factor screen  examples/momentum_factor.py -u ... --top 0.2 --bottom 0.2   # 向量化快筛

# ML 因子合成（滚动训练，严格样本外）
srq ml walk-forward --universe ... --start 2019-01-01 --end 2026-09-08

# 模拟盘（状态持久化，建议每日收盘后跑一次）
srq paper run examples/dual_ma.py --name my-paper
srq paper status --name my-paper

# 实验与数据版本
srq experiment list
srq experiment compare <id1> <id2>
srq data snapshot create snap-20260908

# 数据诊断
srq data doctor
srq data sources

MCP Server（Agent 接入）

{
  "mcpServers": {
    "solidrock": { "command": "srq", "args": ["mcp", "serve"] }
  }
}

接入后 Agent 即获得 23 个工具（数据 / 回测 / 因子 / ML / 实验 / 模拟盘 / 实盘）， 完整清单与实盘安全配置见 docs/mcp-setup.md。

数据规范（全库唯一口径）

• 存储：原始价 + 后复权因子（hfq = close × adj_factor），不做前复权落库——前复权价会随每次除权漂移，破坏历史复现性；

• 单位：volume 为手，amount 为元；pre_close 为除权后口径；

• 日线标准列：symbol, date, open, high, low, close, pre_close, volume, amount, turnover_rate, adj_factor, suspended；期货另含 settle, open_interest；

• 符号规范：000001.SZ / 600519.SH / RB2505.SHFE / 主连 RB.SHFE。

项目结构

src/solidrock/
├── data/          # 数据层：可插拔数据源、本地仓库（Parquet+DuckDB）、交易日历、符号规范、数据体检
├── backtest/      # 回测：事件驱动引擎、撮合（A股/期货规则）、组合核算、费用模型、模拟盘、向量化回测
├── strategy/      # Strategy 基类与加载器
├── factors/       # 因子：基类、截面处理、RankIC/分层分析、内置因子、报告
├── indicators.py  # 向量化技术指标库
├── ml/            # ML 管道：数据集、walk-forward、模型封装
├── portfolio/     # 组合优化
├── report/        # 绩效指标 + Markdown / JSON / HTML 报告
├── experiments/   # SQLite 实验追踪
├── risk/          # 仓位上限、回撤熔断
├── live/          # 实盘：QMT/cfquant 桥接、下单守卫、对账、策略驱动会话
├── agent/         # MCP Server、错误规范、策略静态校验、SKILL.md
├── cli/           # srq 命令行
└── utils/         # 通用工具

质量保障

提交前请运行：

ruff check src tests && ruff format --check src tests
mypy src/solidrock
pytest -m "not network"

文档

路线图

已发布版本的详细变更见 CHANGELOG.md。

参与贡献

项目处于早期快速迭代阶段，欢迎通过 Issue 讨论设计与提交 PR：

1. Fork → 创建特性分支 → 提交前运行 ruff check / mypy src/solidrock / pytest -m "not network"；

2. 新功能请附带测试（CI 会在 Python 3.10–3.12 上执行全量检查）；

3. 面向 Agent 的改动请同步更新 src/solidrock/agent/skills/ 与 docstring——它们就是 LLM 面向的文档；

4. 改动实盘相关代码时，请为新增的每条放行路径补充与安全闸门相对应的测试。

详见 CONTRIBUTING.md。

免责声明

本项目仅供量化研究与技术学习使用。回测结果基于历史数据与简化假设，不构成任何投资建议；期货实盘与自动交易涉及重大资金风险，请遵守所在司法辖区的法律法规并自担风险。数据来源为第三方公开接口，准确性不作保证。

许可

Apache-2.0