跳转至

基础概念

了解 QKA 的核心概念和架构设计，帮助你更好地使用这个量化交易框架。

核心架构

QKA 采用模块化设计，主要包含以下几个核心模块：

qka/
├── core/           # 核心功能模块
│   ├── data.py     # 数据管理
│   ├── backtest.py # 回测引擎
│   ├── strategy.py # 策略基类
│   └── broker.py   # 虚拟经纪商
├── brokers/        # 交易接口
│   ├── client.py   # 交易客户端
│   ├── server.py   # 交易服务器
│   └── trade.py    # 交易执行
├── mcp/           # MCP 协议支持
│   ├── api.py     # MCP API
│   └── server.py  # MCP 服务器
└── utils/         # 工具模块
    ├── logger.py  # 日志系统
    └── util.py    # 通用工具

数据流

QKA 的数据处理流程如下：

  1. 数据获取: 通过 qka.Data 类从数据源获取股票数据
  2. 策略处理: 在 on_bar 方法中处理每个时间点的数据
  3. 交易执行: 通过 broker 执行买卖操作
  4. 状态记录: 自动记录资金、持仓和交易历史
  5. 结果分析: 通过回测结果进行策略评估

核心概念详解

1. 数据维度

QKA 的数据模型基于四个维度：

  • 标的维度: 股票代码列表，如 ['000001.SZ', '600000.SH']
  • 周期维度: 数据频率，如 '1d'（日线）、'1m'（分钟线）
  • 因子维度: 技术指标和特征，如移动平均、RSI 等
  • 数据源维度: 数据来源，如 'akshare'、'qmt'

2. 策略开发

所有策略都必须继承 qka.Strategy 基类：

class MyStrategy(qka.Strategy):
    def __init__(self):
        super().__init__()
        # 初始化策略参数

    def on_bar(self, date, get):
        """
        date: 当前时间戳
        get: 获取因子数据的函数，格式为 get(factor_name) -> pd.Series
        """
        # 策略逻辑
        pass

3. 回测引擎

回测引擎负责：

  • 按时间顺序遍历数据
  • 在每个时间点调用策略的 on_bar 方法
  • 记录交易状态和资金变化
  • 提供可视化分析

4. 经纪商接口

qka.Broker 类提供虚拟交易功能：

  • 资金管理
  • 持仓跟踪
  • 交易执行
  • 交易记录

关键特性

并发数据下载

QKA 使用多线程并发下载数据，显著提高数据获取效率：

data = qka.Data(
    symbols=['000001.SZ', '600000.SH', ...],  # 多只股票
    pool_size=10  # 并发线程数
)

数据缓存

自动缓存下载的数据到本地，避免重复下载：

# 数据会自动缓存到 datadir/ 目录
# 下次使用时直接从缓存读取

统一数据格式

无论数据来源如何，都统一为标准的 DataFrame 格式：

# 列名格式: {symbol}_{column}
# 例如: 000001.SZ_close, 600000.SH_volume

设计原则

1. 简洁性

提供简单直观的 API，降低量化交易的学习门槛：

# 三行代码完成基本回测
data = qka.Data(symbols=['000001.SZ'])
strategy = MyStrategy()
backtest = qka.Backtest(data, strategy)
backtest.run()

2. 扩展性

模块化设计，易于扩展新功能：

  • 可以轻松添加新的数据源
  • 支持自定义因子计算
  • 可以扩展新的交易接口

3. 实用性

专注于 A 股市场的实际需求：

  • 支持 A 股特有的交易规则
  • 集成常用的 A 股数据源
  • 提供实盘交易接口

使用模式

回测模式

用于策略开发和验证：

# 1. 准备数据
data = qka.Data(symbols=stock_list)

# 2. 开发策略
class MyStrategy(qka.Strategy):
    def on_bar(self, date, get):
        # 策略逻辑
        pass

# 3. 运行回测
backtest = qka.Backtest(data, MyStrategy())
backtest.run()

# 4. 分析结果
backtest.plot()

实盘模式

用于实盘交易：

# 1. 启动交易服务器
from qka.brokers.server import QMTServer
server = QMTServer(account_id, qmt_path)
server.start()

# 2. 使用交易客户端
from qka.brokers.client import QMTClient
client = QMTClient(token=token)
client.api("order_stock", ...)

最佳实践

  1. 数据预处理: 在策略开发前确保数据质量
  2. 参数优化: 使用网格搜索等方法优化策略参数
  3. 风险控制: 在策略中加入止损和仓位控制
  4. 回测验证: 使用不同时间段的数据验证策略稳定性
  5. 实盘测试: 从小资金开始实盘测试

下一步