quant-dashboard

A股缠论量化回测看板 — 从信号生成到组合分析的完整闭环

---

痛点

缠论（Chan Theory）是中文量化圈最流行的技术分析框架之一，但大多数实现要么只有信号生成没有回测，要么依赖第三方平台无法自定义。想要完整跑通「分型 → 笔 → 中枢 → 背驰 → 买卖点 → 组合回测 → 绩效报告」的全流程，往往需要拼凑多个工具。

解决方案

quant-dashboard 是一个本地运行的 Streamlit 看板，内置完整的缠论策略引擎和组合回测系统。一键启动即可对 ~1,940 只 A 股进行缠论信号扫描、多股组合回测，并生成专业级 QuantStats 绩效报告。中英文双语界面，支持交互式 Bokeh K 线图分析单个股票的买卖点。

架构

┌──────────────┐ ┌──────────────┐ ┌───────────────┐
│ AKShare │────▶│ market.db │────▶│ MarketReader │
│ (数据采集) │ │ (SQLite) │ │ (只读访问) │
└──────────────┘ └──────────────┘ └───────┬───────┘
│
▼
┌──────────────┐ ┌──────────────┐ ┌───────────────┐
│ 策略引擎 │────▶│ 回测引擎 │────▶│ backtest.db │
│ (缠论信号) │ │ (组合管理) │ │ (结果持久化) │
└──────────────┘ └──────────────┘ └───────────────┘
│
▼
┌──────────────┐
│ Streamlit │
│ 看板 (8020) │
└──────────────┘
┌─────┴─────┐
▼ ▼
Portfolio Stock Analysis
Overview (Bokeh 交互图)
(QuantStats)

快速开始

# 1. 克隆仓库
git clone https://github.com/zinan92/quant-dashboard.git
cd quant-dashboard/quant-dashboard
# 2. 安装依赖 (Python ≥ 3.13)
pip install -r requirements.txt
# 3. 准备市场数据（需要 ashare 项目的 market.db）# 默认路径: ~/work/trading-co/ashare/data/market.db# 或设置 DB_PATH 环境变量指向你的 market.db# 4. 启动看板
streamlit run streamlit_app.py --server.port 8020

功能一览

功能	说明	状态
缠论信号引擎	分型→笔→中枢→MACD背驰→一/二/三买卖点	✅ 已完成
组合回测	多股并行回测，最大5仓位，30%仓位约束，100股整手	✅ 已完成
QuantStats 绩效报告	收益曲线、回撤分析、月度热力图，基准对标沪深300	✅ 已完成
单股 Bokeh 交互图	选股后展示 K 线 + 买卖信号 + 绩效指标	✅ 已完成
中英文双语	侧栏切换语言，全界面 i18n	✅ 已完成
A股佣金模型	0.03% 佣金 + 0.1% 印花税（卖出） + ¥5 最低佣金	✅ 已完成
回测结果持久化	SQLite 存储历史回测记录	✅ 已完成
策略插件化	YAML 配置 + 注册机制，可扩展新策略	✅ 已完成

技术栈

层级	技术	用途
运行时	Python 3.13+	核心语言
看板	Streamlit	Web UI 框架
图表	backtesting.py (Bokeh)	单股交互式 K 线图
绩效	QuantStats, Plotly	组合绩效报告
策略	缠论自研引擎	分型/笔/中枢/背驰/买卖点
数据	pandas, SQLite, AKShare	市场数据存储与读取
质量	pytest (177 tests), mypy, Ruff	代码质量保障

项目结构

quant-dashboard/
├── streamlit_app.py # 主看板入口 (双 Tab 布局)
├── src/
│ ├── strategy/
│ │ ├── base.py # 策略基类 + 注册机制
│ │ └── chan_theory.py # 缠论实现 (分型→笔→中枢→背驰→信号)
│ ├── backtest/
│ │ ├── engine.py # 回测引擎 (日线遍历 + 信号执行)
│ │ ├── portfolio.py # 组合管理 (仓位/佣金/交易记录)
│ │ ├── metrics.py # 绩效指标计算
│ │ └── store.py # 回测结果 SQLite 持久化
│ ├── data_layer/
│ │ ├── market_reader.py # market.db 只读访问
│ │ └── index_fetcher.py # 沪深300 基准数据获取
│ ├── adapters/
│ │ ├── backtesting_adapter.py # backtesting.py 数据适配
│ │ └── chan_theory_bt.py # 缠论 → backtesting.py 桥接
│ ├── reporting/
│ │ └── tearsheet.py # QuantStats HTML 报告生成
│ └── i18n.py # 中英文翻译
├── strategies/
│ └── chan_theory.yaml # 缠论策略配置
├── tests/ # 177 个测试
├── seed_csi300.py # 沪深300数据初始化脚本
├── requirements.txt
└── pyproject.toml

配置

变量	说明	必填	默认值
数据库路径	market.db 位置	是	~/work/trading-co/ashare/data/market.db
端口	Streamlit 服务端口	否	8020

测试

# 运行全部测试
pytest tests/ -v
# 类型检查
mypy src/ --ignore-missing-imports
# 代码风格
ruff check src/

For AI Agents

本节面向需要将此项目作为工具或依赖集成的 AI Agent。

结构化元数据

name: quant-dashboarddescription: A-share Chan Theory backtesting dashboard with portfolio analyticsversion: 0.1.0runtime: python>=3.13ui_url: http://localhost:8020health_check: GET http://localhost:8020/_stcore/healthinstall_command: pip install -r requirements.txtstart_command: streamlit run streamlit_app.py --server.port 8020 --server.headless truedependencies:
- market.db (from quant-data-pipeline / ashare)
- AKShare (for CSI 300 benchmark data)capabilities:
- run Chan Theory backtest on ~1940 A-share stocks
- generate QuantStats portfolio tearsheet with CSI 300 benchmark
- produce per-stock interactive Bokeh charts with buy/sell signals
- persist backtest results to SQLite for historical comparison
- bilingual UI (English / Chinese)input_format: Streamlit UI (sidebar parameters)output_format: HTML dashboard with embedded Bokeh/Plotly/QuantStats charts

Agent 调用示例

importsubprocess# 启动看板服务proc=subprocess.Popen(
["streamlit", "run", "streamlit_app.py",
"--server.port", "8020", "--server.headless", "true"],
cwd="quant-dashboard"
)
# 健康检查importhttpxresp=httpx.get("http://localhost:8020/_stcore/health")
assertresp.status_code==200

# 直接调用回测引擎（无需 UI）fromsrc.data_layer.market_readerimportMarketReaderfromsrc.backtest.engineimportBacktestEnginereader=MarketReader()
symbols=reader.get_available_pairs()
engine=BacktestEngine(
strategy="chan_theory",
symbols=symbols,
start_date="2025-01-01",
end_date="2026-03-25",
initial_capital=1_000_000,
market_reader=reader,
)
result=engine.run(persist=True)
print(f"Total Return: {result.metrics['profit_total']:.2%}")
print(f"Sharpe: {result.metrics['sharpe']:.3f}")
print(f"Trades: {result.metrics['trade_count']}")

相关项目

项目	说明	链接
quant-data-pipeline	量化数据管道（提供 market.db）	GitHub
qualitative-data-pipeline	定性数据管道（新闻/事件情报）	GitHub
trading-copilot	交易方法论 Chat 终端	GitHub

License

Private — internal use only.