pengpengyi92/dsh-quant

🌐 官网：https://dsh-quant-site.pages.dev

给 dsh 模型的一组量化工具：行情数据获取（Binance 公共 API）+ 技术指标计算（SMA / EMA / RSI / MACD / 布林带 / ATR / KDJ / W%R / CCI / OBV / ADX / ROC）+ 三大策略回测（双均线交叉 / 布林带突破 / RSI 均值回归）+ 资金管理（止损/止盈）。

定位：dsh 好用的 quant 研究工程（research & engineering 助手）——R&D 是 dsh-quant 的核心： 量化场景的 agent 需要"取数据 → 算指标 → 回测"的完整链路，A 股数据走渠道导航（本插件提供 渠道知识，不提供数据 API、不为数据付费）。

欢迎 PR，定期 merge！ 特别是数据检测与标注维度——缺值/异常/跳变/OHLCV 合法性/时间戳/冻结等常见维度已实现，欢迎贡献更多检测与标注规则（见 GitHub Issue 关于数据检测与标注的征集帖）。 只要符合 CONTRIBUTING.md 的契约清单即可提交； fork/pull 下来 → npm ci → npm test 即可通过、直接使用（详见 docs/ENVIRONMENT.md）。官方工具集（bash/fs/web/terminal/subagent…）目前没有技术指标——本插件填补这个空白。指标与回测为纯函数实现，零外部依赖，可离线验证；行情获取走免费公共 API，无需凭据。

43 个 quant_* 工具 · 6 大域模块 · 156 单元测试 · 零外部依赖。定位全景见置顶 Issue #9。

快速安装（dsh 用户）

npm i dsh-quant

在 dsh 的 cordis.yml 里加一行：

- name: 'dsh-quant'

43 个工具自动注册，指标 / 回测 / 因子 / 风控 / 基金模拟 / 生态影响力开箱即用。一条 quant_research_pipeline 跑通 PDAT→PET 全链路。ML/DL 架构知识见 docs/ML_GUIDE.md，可执行 demo：npx tsx demos/ml-workflow.ts。

🖥️ UI 工作台（dsh-quant-ui）

dsh-quant-ui：K 线 + 均线叠加 + 交易标记、资金曲线、基金净值 / 管理费 / 提成卡片、指标选择器——还有一只会游泳的 Q 版鲸鱼 🐋（点标题 3 下试试）。

在线演示：https://dsh-quant-ui.pages.dev

工具

工具	参数	canonical 输出	首个有效位置
quant_data_compare	dataType（如 "财务"/"日线行情"）	{ dataType, channels: [{ name, cost, covers, bestFor }] }（覆盖者排前）	—
quant_data_advice	dataType + budget（free/low/institutional）+ purpose（research/backtest/official）	{ recommendations: [{ rank, name, reason }] }（决策树排序）	—
quant_series_stats	values: number[]	{ count, mean, std, min, max, median, skew, kurtosis, autocorr1, annualizedVol, totalReturnPct }	—（取数后第一步）
quant_var_backtest	returns + varSeries + confidence=0.95	{ failures, expected, lrStat, pValue, passed, periods }（Kupiec POF 检验）	—（VaR 模型准不准的标准答案）
quant_drawdown	equity: number[]	{ underwater(对齐), maxDrawdownPct, currentDrawdownPct, periods(峰/谷/恢复/深度/时长), ongoing }	—（回撤段分析）
quant_resample	candles + period（week=7根/month=30根）	{ candles }（OHLCV 周期聚合，7×24 市场）	—
quant_report	strategy/metrics/risk/factor/fund（各模块输出）	{ report }（Markdown 研究报告）	—（R&D 结论生成）
quant_repo_stats	owner + repo	{ stars, forks, watchers, openIssues, openPullRequests, topics, latestRelease, … }（GitHub 公共 API，无需凭据）	—（生态数据）
quant_npm_stats	pkg	{ latest, weeklyDownloads, monthlyDownloads, description, … }（npm registry + downloads API）	—（生态数据）
quant_oss_pulse	stars + downloadsWeekly? + starsPrevious? + openIssues? + openPullRequests? + daysSinceRelease?	{ score(0-100), grade(A-D), components, suggestions, summary }	—（开源影响力评分，缺省项中性 50）
quant_risk	returns（小数收益序列）+ benchmarkReturns? + confidence=0.95	{ var95, cvar95, downsideDeviation, maxDrawdownPct, beta, alpha, informationRatio, trackingError, periods }	—（风险分析核心模块）
quant_fund	equityCurve + initialCapital=1e8 + managementFeeRate=0.02 + performanceFeeRate=0.2	{ initialCapital, finalNavNet, finalAum, peakNav, peakAum, gross/netReturnPct, fees, navNet }	—（模拟量化私募：净值 1.00 起步，管理费按日，提成高水位 20%）
quant_metrics	equityCurve + trades?	{ totalReturnPct, maxDrawdownPct, sharpe, annualizedVol, calmar, sortino, winRate, profitFactor, avgPeriodReturnPct, tradeMetrics }（必有：收益/回撤/夏普）	—（指标目录 METRIC_CATALOG 供 UI 勾选）
quant_chart	kind（candles/series/annotations）+ 对应数据	结构化图表数据（dsh-chart 协议：K线+叠加+标记 / 多序列 / 标注可视化）	—（UI 路线数据面）
quant_execute_sim	close + orders[{index, side, quantity?/valueFraction?}] + initialCash? + feeRate? + slippageBps? + latencyBars?	{ fills, equityCurve, finalEquity, totalReturnPct, totalFee, totalSlippageCost, tradeCount, unfilledCount, cash, position }	—（交易执行框架，无实盘）
quant_research_pipeline	symbol? + interval? + limit? + provider? + candles? + 策略/基金参数	{ candles, quality, stats, metrics, risk, drawdown, fund, factor, report, charts }	—（PDAT→PET 全链路一键研究）
quant_factor_evaluate	factorValues + forwardReturns（factor[i] 预测 ret[i+1]）+ quantiles=5 + window=20 + decayHorizons=5	{ ic, rankIc, icDecay, icir, icSeries, quantileReturns, longShort, turnover, autocorr1, n }（alphalens 指标集 + RankIC/IC衰减）	—
quant_factor_neutralize	factorValues + groups? + styleFactors? + method?	{ values(标准化后), method, groupCount, styleCount, rSquared }	—（分组 z-score / OLS 残差中性化）
quant_walk_forward	returns + features[][] + trainWindow + testWindow + step?	{ predictions(null 对齐), oosIc, oosRankIc, oosCount, windows, trainR2Mean }	—（滚动训练/样本外，无未来函数）
quant_linear_model	X(样本×特征) + y + lambda? + predictX? + yTest?	{ intercept, weights, lambda, trainR2, n, predictions?, testR2?, testIc? }	—（OLS/Ridge 独立拟合预测）
quant_factor_combine	factors: number[][]（等长）+ weights?	{ signal(rank 0..1), effectiveWeights, factorCount }	—（z-score 加权 + 截面排序）
quant_series_quality	values: number[], jumpThreshold=0.2	{ count, missingCount, zOutliers, jumps, longestConstantRun, healthy }	—（序列级质量）
quant_data_annotate	values: number[], jumpThreshold=0.2	{ count, annotations: [{index, label, severity, detail}], summary }	—（点级标注，致敬 Scale AI）
quant_data_quality	candles（quant_market_fetch 输出）	{ count, highBelowLow, nonPositive, timeNotIncreasing, timeGaps, extremeMoves, healthy }	—（分析前健康检查）
quant_data_guide	query（渠道名/数据类型，如 "tushare"/"财务"）或 channel（精确渠道名）	{ query, results: [{ name, url, cost, dataTypes, setup, tutorialUrls, bestFor, … }] }	—（内置 13 大数据渠道知识库：A股/美股 + dsh 生态数据插件）
quant_market_fetch	symbol: string（如 BTCUSDT / sh600000 / AAPL）, interval: 1m…1M, limit: 1-1000, provider: binance/okx/bybit/sina/tencent/yahoo	{ symbol, interval, provider, candles: [{openTime, open, high, low, close, volume}] }	—
quant_sma	values: number[], window: integer	{ values: (number|null)[], window }	index window-1
quant_ema	values: number[], window: integer	{ values: (number|null)[], window }	index window-1（seed = 前 window 均值，alpha = 2/(w+1)）
quant_rsi	values: number[], window: integer = 14	{ values: (number|null)[], window }	index window（Wilder 平滑）
quant_macd	values: number[], fast=12, slow=26, signal=9	{ macd, signal, histogram }（等长）	macd: slow-1；signal/histogram: slow+signal-2
quant_bollinger	values: number[], window=20, multiplier=2	{ upper, middle, lower, window, multiplier }	index window-1（总体标准差）
quant_atr	high/low/close: number[], window=14	{ values: (number|null)[], window }	index window（Wilder 平滑）
quant_kdj	high/low/close: number[], window=9	{ k, d, j }（等长）	index window-1（RSV 法，K/D 初始 50）
quant_williams_r	high/low/close: number[], window=14	{ values: (number|null)[], window }	index window-1（区间 -100..0）
quant_cci	high/low/close: number[], window=20	{ values: (number|null)[], window }	index window-1（±100 超买超卖）
quant_obv	close/volume: number[]	{ values: number[] }	全程（首值 0，无 null）
quant_adx	high/low/close: number[], window=14	{ adx, plusDi, minusDi, window }	±DI: index window；ADX: index 2*window-1
quant_roc	values: number[], window=12	{ values: (number|null)[], window }	index window
quant_backtest	close: number[], fast=10, slow=30, feeRate=0.001, stopLoss?, takeProfit?	{ totalReturnPct, maxDrawdownPct, sharpe, position, equityCurve, trades(含 exitReason) }	首笔交易在首次交叉确认后一根
quant_backtest_bollinger	close: number[], window=20, multiplier=2, feeRate=0.001, stopLoss?, takeProfit?	同上（突破上轨买入、下穿中轨卖出）	首次突破确认后一根
quant_backtest_rsi	close: number[], rsiWindow=14, buyBelow=30, sellAbove=70, feeRate=0.001, stopLoss?, takeProfit?	同上（RSI 上穿 buyBelow 买入、下穿 sellAbove 卖出）	首次信号确认后一根
quant_backtest_portfolio	assets: [{name, close}], weights?, rebalanceEvery?, feeRate=0.001	{ totalReturnPct, maxDrawdownPct, sharpe, equityCurve, assetNames, finalWeights, rebalances }	—（多资产组合）
quant_backtest_grid	close: number[], fastMin=3, fastMax=10, slowMin=10, slowMax=30, feeRate=0.001	{ results(按收益降序), best, fastRange, slowRange, feeRate }	—（网格搜索，跳过 fast >= slow）

典型链路（模型视角）

quant_market_fetch(symbol: BTCUSDT, interval: 1d, limit: 100)
  → 取 close 数组 → quant_sma / quant_ema / quant_rsi / quant_macd / … → quant_backtest

已实测：真实 Binance 日线 → 指标 → 回测（fast 5 / slow 20）端到端跑通。

回测契约

• 双均线交叉：fast SMA 上穿 slow SMA 全仓买入，下穿清仓；信号在 bar i 确认、i+1 收盘价成交（无未来函数）。
• 手续费按成交金额双边收取（feeRate 每边）。
• 尾部未平仓：最后一笔交易 exitIndex/exitPrice/returnPct 为 null。
• position 与 equityCurve 与输入等长；资金曲线归一化（初始 1）；夏普年化假设日频（√365）。

对齐约定

• 所有输出与输入等长，头部无法计算的窗口位置为 null——模型可以按索引直接对齐，无需自己补 padding。
• 空序列或 window > 序列长度 是合法结果（全 null），不是错误。
• 非有限数（NaN/Infinity）在 registry 的 lossless-JSON 参数快照层即被拒绝（模型 JSON 边界），不会到达 execute。
• 约束（window ≥ 1 整数、macd 要求 fast < slow、atr 三数组等长、multiplier > 0）在 execute 手检，抛错经 registry 转为 isError 结果。

契约（defineTool）

• 参数用统一 schema DSL，由 defineTool 在 execute 前校验（类型/必填/整数）。
• execute 只返回 canonical JSON 值；output.render 给模型渲染。
• 所有工具 isConcurrencySafe: true——纯函数、无共享状态、无副作用，可并行调度。
• 注册是可逆 effect：ctx.tools.register 返回 disposer，fiber 释放即注销。

Model Experience

模型看到什么

每个工具的 name/description/JSON schema 自动进入系统提示词装配（ctx.systemPrompt.tools()）。description 说明了对齐约定（哪些头部位置是 null），模型无需猜测。

Token 影响

每个工具固定一份 schema 成本；调用结果按渲染内容计。null 对齐设计避免了模型为了对齐而重复请求 padding 计算。

KV Cache 影响

schema 前缀稳定（工具集与顺序不变则复用）；结果追加在可复用前缀之后。

迭代记录（NEWS）

版本	日期	更新
0.20.0	2026-08-16	数据整合：yahoo 美股/全球行情 + 渠道库扩到 13（含 dsh 生态数据插件）+ researchMultiAsset 多标的并行研究
0.19.0	2026-08-16	PCPT 补完：quant_linear_model（OLS/Ridge）+ docs/ML_GUIDE.md（ML/DL 架构知识地图）+ demos/ml-workflow.ts（42→43 工具）
0.18.0	2026-08-16	链路补全：A股免费行情（新浪/腾讯前复权）+ RankIC/IC衰减 + 因子中性化 + Walk-forward + 回撤分析 + 执行模拟 + 端到端管线（37→42 工具）
0.17.0	2026-08-16	开源生态域 dsh-community：quant_repo_stats / quant_npm_stats / quant_oss_pulse（0-100 影响力评分）
0.16.0	2026-08-16	域驱动重构：dsh-data/alpha/ml/risk/execution ↔ PDAT/PAAT/PCPT/PRT/PET + 交易所容错链（Binance→OKX→Bybit）
0.15.0	2026-08-16	Kupiec VaR 回测 + 周期聚合 + 研究报告生成；100 单元测试里程碑
0.14.0	2026-08-16	风控模块 quant_risk（VaR/CVaR/Beta/Alpha/IR/TE）
0.13.0	2026-08-16	基金模拟 quant_fund（1 亿起、净值 1.00、高水位 20% 提成）+ UI Fund 卡片
0.12.0	2026-08-16	指标目录 quant_metrics（9+ 指标）+ Jane Street 风格 UI demo
0.11.0	2026-08-16	图表协议 quant_chart（dsh-chart 数据面）
0.10.0	2026-08-16	因子评估 quant_factor_evaluate / combine（alphalens 方法论）
0.9.0	2026-08-16	统计 quant_series_stats + 数据质量 quant_data_quality + 标注（致敬 Scale AI）
0.8.0	2026-08-16	渠道对比 quant_data_compare + 决策树建议 quant_data_advice
0.7.0	2026-08-16	mcp/tools.json + 纯函数 re-export + 文档体系
0.6.0	2026-08-16	数据渠道指南 quant_data_guide（A 股 8 大渠道）+ 更名 dsh-quant
0.5.0	2026-08-16	多交易所数据源（OKX / Bybit）
0.4.0	2026-08-16	多资产组合回测（定期再平衡）
0.3.0	2026-08-16	策略族（布林带突破 / RSI 反转）+ 止损止盈 + exitReason
0.2.0	2026-08-16	+6 指标（KDJ / W%R / CCI / OBV / ADX / ROC）
0.1.0	2026-08-16	首发：行情 + 6 指标 + 双均线回测/网格 + CI/自动发布

完整更新记录见 NEWS.md 与 CHANGELOG.md。

已知限制与后续路线

• 行情覆盖加密市场：Binance / OKX / Bybit 三所公共 API（自动容错切换），无需凭据；A 股走渠道知识库导航（akshare 等作为后续 provider）。
• 回测为内置策略族：双均线 / 布林带突破 / RSI 反转 / 组合再平衡 / 网格搜索；自定义策略回调是后续路线。
• presentCall/presentResult 未定制：指标结果无文件/终端/diff 语义，UI 走 generic 卡片兜底。
• 行情工具依赖网络：在线用例在 verify.ts 中，网络不可达时该用例失败（离线指标/回测用例不受影响）。

域结构（PDAT→PET pipeline 映射）

src/dsh-data/      数据域（PDAT）：行情 3 所、A 股 8 渠道、质量/标注、周期聚合
src/dsh-alpha/     因子域（PAAT）：12 指标 + 因子评估/合成（alphalens 方法论）
src/dsh-ml/        组合域（PCPT）：策略回测 + 组合 + 指标库
src/dsh-risk/      风控域（PRT）：VaR/CVaR/Beta/Alpha/IR + Kupiec 检验
src/dsh-execution/ 交付域（PET）：chart 数据面、基金模拟、研究报告（不接实盘）
src/dsh-community/ 开源生态域（dsh-quant 独有）：GitHub/npm 生态数据 + 影响力评分 pulse

内外边界：数据与结论留在内部，工具与方法进入 dsh-quant——外部不提供 alpha / 生产策略 / 实盘工程，但提供框架、指标、因子评价、UI 与 demo。详见置顶 Issue #9。

快速开始（fork/pull 后）

npm ci && npm run build && npm test    # 离线全测试（100 单元 + 4 Loader）
npm run test:verify                    # 真实行情集成（需网络）
npm run gen:tools                      # 重新生成 mcp/tools.json

构建与使用

# 构建 lib/（tsc, NodeNext ESM；产物含 .js + .d.ts）
cd quant-indicators && tsc -p tsconfig.json

# 在 dsh 中使用：cordis.yml 里加一行
# - name: 'dsh-quant'
# （Loader 从 node_modules 解析包的 exports → lib/index.js）

验证

# 纯函数数值正确性 + 行情解析 + 回测（100 用例，node:test，零依赖）
cd deepseek-harness && pnpm exec tsx --test ../quant-indicators/tests/indicators.spec.ts ../quant-indicators/tests/market.spec.ts ../quant-indicators/tests/backtest.spec.ts

# REAL-composition：cordis.yml 经真实 Loader boot（4 用例：注册可见/管线/isError/HMR-safety）
cd deepseek-harness && pnpm exec tsx --test ../quant-indicators/tests/loader-composition.spec.ts

# harness 集成（schemas → 执行管线 → isError → 真实行情 fetch→指标→回测 端到端）
cd deepseek-harness && pnpm exec tsx ../quant-indicators/verify.ts

# 消费者模拟：真实 node_modules 解析加载构建产物 lib（模拟 npm 安装后）
cd deepseek-harness && pnpm exec tsx ../quant-indicators/consumer-test/boot.ts

⭐ 支持

如果 dsh-quant 帮到了你的研究，欢迎点个 ⭐——每一颗星都会让更多 dsh 用户看到这个项目。

欢迎 issue / PR / discussion，也欢迎把你的域视角发到 Discussion #10 一起交流。🐋