通达信+AKQuant量化回测:要Python的爽,要Rust的快

量化回测的新选择：既要Python的灵活，又要Rust的性能

做量化研究的朋友都清楚，回测框架这东西，选起来挺纠结的。

用Backtrader、Zipline这些Python框架吧，上手快，生态好，但数据量一上去就慢得让人抓狂。跑个十年八年的分钟线回测，再调几次参数，半天就过去了。

自己用C++或Rust撸一个高性能引擎？理论上是爽，但光是把Python那套数据处理、可视化、机器学习的生态接过来就够喝一壶的。写策略还得学门新语言，对大多数研究者来说，成本太高。

AKQuant想解决的，就是这个"既要又要"的问题——把Rust的性能和Python的生态拧在一起。

这个项目是AKShare团队做的。对，就是做数据接口的那群人。

这些年没少被用户吐槽：你们家数据给得挺快，可我回测跑不动啊。

于是他们干脆自己动手，做了个回测引擎出来。

怎么实现的？

其实就是把计算密集的脏活累活扔给Rust，策略逻辑这种需要频繁改动的脑力活留给Python。

Rust这边负责事件循环、订单撮合、资金计算这些重复劳动；Python这边写策略、分析结果、画图，该怎么玩还怎么玩。中间用PyO3这个工具打通，两边传数据的时候尽量少折腾。

实测下来，有些场景能比Backtrader快20倍。尤其跑高频数据或者同时测几百只股票的时候，差距特别明显。

用起来啥感觉？

对普通用户来说，完全不用碰Rust。

策略还是用Python写，数据还是用Pandas喂，结果还是用Matplotlib画。装起来也简单，pip install akquant就完事，跟装其他Python包没区别。唯一的变化是回测跑得更快了——快到你可能会不习惯，以前泡杯咖啡等结果，现在刚起身咖啡还没冲好就出数了。

当然也有短板

毕竟是新项目，社区和文档肯定没法跟Backtrader比。遇到问题Google一圈可能找不到答案，得去GitHub提issue。

另外如果真出bug了，尤其是怀疑底层引擎有问题的时候，调试起来会麻烦点——毕竟涉及Python和Rust两层。

适合谁用？

• 被回测速度憋得难受，又不想换语言重写一套的人
• 想做大规模参数优化，但现用框架扛不住的人
• 对Python生态有依赖，不想割舍NumPy、TA-Lib这些库的人
• 纯粹就是好奇，想看看Rust+Python能玩出什么花的人

AKQuant算不上革命性的产品，但确实是个挺务实的尝试。它没想颠覆谁，就是给那些被性能卡住脖子的人，多一个选择。

随着项目慢慢完善，说不定真能把Python量化生态和高性能计算之间的那道墙，凿开一道门。

快速上手

AKQuant 已发布至 PyPI，目前支持 Windows、macOS 和 Linux 三个平台，一行命令即可完成安装：

pip install akquant

下面演示如何基于通达信TDXQuant获取数据，再接入AKQuant进行策略分析。

先用TDXQuant获取历史的K线数据（前复权的日线数据，包含开盘价、最高价、最低价、收盘价、成交量和成交额），转成Pandas DataFrame格式，就可以喂给AKQuant了。

示例一：最简单的策略

这个策略其实没有策略——不停地买与卖。

这里演示最简单的函数式风格，如果你更习惯 Zipline 或 Backtrader 的函数式写法，你应该会感到很熟悉：

运行输出示例：

运行后会输出各项绩效指标。

当然，这个策略收益很低，只是个用法演示。

示例二：简单的阳线买入策略

下面是一个最简单的策略示例：当收盘价大于开盘价（阳线）时买入，反之卖出。

这里同样采用最简单的函数式风格：

运行输出示例：

从结果看，这个策略微微亏本，没什么实战价值，但已经演示了AKQuant交易策略的基本编写规则。

示例三：使用简单均线交易：

这个策略演示，用简单移动平均线，金叉买入，死叉卖出：

交易结果类似下面这样：

示例四：使用自定义因子

AKQuant支持在DataFrame中传入任意数量的自定义数值字段，在策略中通过bar.extra访问，非常适合多因子策略。

下面用类风格来写（与函数式风格完全等价，看个人喜好）：

交易结果类似下面这样：

上面几个例子演示了AKQuant的两种编程风格：

类风格适合复杂策略的组织管理，函数式更加简洁直观。

功能上二者完全等价，挑顺手的用就行。

以上程序我放到了网盘，可关注公众号tonyBalckWhite，私信tq，免费获取。

写在最后

AKQuant不是什么颠覆性的产品，它只是回答了一个很实在的问题：

能不能让做量化的人，不用在“快”和“爽”之间二选一？

这些年，Python坐稳了量化研究的主力语言，不是因为它最快，而是因为它最顺——数据有Pandas，画图有Matplotlib，机器学习有sklearn，回测有Backtrader。一套组合拳下来，从想法到验证的路径最短。

但这套组合拳打到大规模数据身上，就开始露怯了。于是不少人被迫做出选择：要么忍受速度，要么离开生态。

AKQuant想撕掉这个选择题。

它把Rust顶在前面扛活，把Python留在手里写策略。你要做的只是在pip install之后，继续用你习惯的方式写代码——然后看着以前要等半天的回测，几十秒跑完。

这不是炫技，是把刀用在刀刃上。

说到这儿，必须提一嘴通达信TDXQuant。

这次演示的所有例子，数据都来自它。做量化的人都知道，回测框架再快，数据喂不进来也是白搭。

TDXQuant把历史K线、前复权、各种因子干干净净地吐出来，转成DataFrame就能直接塞给AKQuant——没有中间商赚差价，没有格式转换的折腾。

这种“数据源+回测引擎”的无缝配合，才是真正顺手的工具链。

AKShare团队做数据接口做了这么多年，最清楚用户要什么——不是最酷的框架，而是最趁手的工具。TDXQuant负责把数据管好，AKQuant负责把回测跑快，各司其职，又严丝合缝。

以后这两个项目一起往前走，一个深挖数据质量，一个死磕回测性能，慢慢就能搭出一套完整的高效工作流。对用户来说，这意味着什么？意味着从数据获取到策略验证的整条路，都有人替你铺好了。

AKQuant还在路上，社区不大，文档不全，跟成熟框架比还有差距。但它开了一个头：证明Python和Rust可以这样捏在一起，证明高性能和易用性不一定是对头，也证明数据和回测本就不该分家。

那道横在Python量化生态和高性能计算之间的墙，也许真能被凿开一道门。

而推开这道门的人，可能就是下一个受够了等待的你。