akquant 0.2.44__tar.gz → 0.2.46__tar.gz

{akquant-0.2.44 → akquant-0.2.46}/.gitignore

@@ -32,3 +32,4 @@ build/
 .cargo/config.toml
 /data_catalog/
 plans/
+CLAUDE.md

{akquant-0.2.44 → akquant-0.2.46}/CONTRIBUTING.md

@@ -45,7 +45,9 @@
     uv pip install -e ".[dev,ml,plot]"
 
     # 编译 Rust 扩展 (开发模式)
-    uv run maturin develop
+    # 注意：不要使用 `uv run maturin develop`，它会先尝试安装当前项目，
+    # 对于以 maturin 作为 build backend 的仓库可能卡在 Preparing packages。
+    uvx maturin develop
     ```
 
 ### 3. 开始开发 (Coding)
@@ -161,7 +163,7 @@
 
 在提交 PR 之前，请检查：
 
-- [ ] 代码可以通过 `uv run maturin develop` 编译成功。
+- [ ] 代码可以通过 `uvx maturin develop` 编译成功。
 - [ ] 运行了 `uv run ruff check .` 和 `uv run mypy .` 没有报错。
 - [ ] 运行了 `uv run python scripts/check_docs_links.py` 且通过。
 - [ ] 运行了 `uv run python scripts/check_docs_api_examples.py` 且通过。

{akquant-0.2.44 → akquant-0.2.46}/Cargo.lock

@@ -30,7 +30,7 @@ dependencies = [
 
 [[package]]
 name = "akquant"
-version = "0.2.44"
+version = "0.2.46"
 dependencies = [
  "anyhow",
  "chrono",

{akquant-0.2.44 → akquant-0.2.46}/Cargo.toml

@@ -1,6 +1,6 @@
 [package]
 name = "akquant"
-version = "0.2.44"
+version = "0.2.46"
 edition = "2024"
 description = "High-performance quantitative trading framework based on Rust and Python"
 license = "MIT"

{akquant-0.2.44 → akquant-0.2.46}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: akquant
-Version: 0.2.44
+Version: 0.2.46
 Classifier: Programming Language :: Rust
 Classifier: Programming Language :: Python :: Implementation :: CPython
 Classifier: Programming Language :: Python :: Implementation :: PyPy
@@ -349,7 +349,9 @@ AKQuant 采用严格的测试流程以确保回测引擎的准确性：
 uv sync
 
 # 2. 构建并绑定 Rust 扩展
-uv run maturin develop
+# 注意：不要使用 `uv run maturin develop`，它会先尝试安装当前项目，
+# 对于以 maturin 作为 build backend 的仓库可能卡在 Preparing packages。
+uvx maturin develop
 
 # 3. 运行所有测试
 uv run pytest

{akquant-0.2.44 → akquant-0.2.46}/README.md

@@ -294,7 +294,9 @@ AKQuant 采用严格的测试流程以确保回测引擎的准确性：
 uv sync
 
 # 2. 构建并绑定 Rust 扩展
-uv run maturin develop
+# 注意：不要使用 `uv run maturin develop`，它会先尝试安装当前项目，
+# 对于以 maturin 作为 build backend 的仓库可能卡在 Preparing packages。
+uvx maturin develop
 
 # 3. 运行所有测试
 uv run pytest

{akquant-0.2.44 → akquant-0.2.46}/docs/en/guide/analysis.md

@@ -17,7 +17,7 @@ result.report(
     filename="report.html",
     show=True,  # Set to True to open in browser automatically (default is False)
     compact_currency=True,  # Format amount columns as K/M/B in report tables
-    curve_freq="raw",  # "raw" keeps all bars, "D" uses end-of-day points
+    curve_freq="D",  # Default uses end-of-day points; "raw" keeps all bars
 )
 ```
 

{akquant-0.2.44 → akquant-0.2.46}/docs/en/reference/api.md

@@ -1113,10 +1113,11 @@ Backtest result object.
 *   `capacity_df(freq="D")`: Capacity proxy metrics (order count, fill rates, turnover).
 *   `benchmark_analysis(benchmark=None, curve_freq="raw")`: Return a structured benchmark analysis payload for frontends and APIs.
 *   `export_benchmark_analysis(path, benchmark=None, format="json", curve_freq="raw")`: Persist benchmark analysis as JSON or parquet artifacts.
+*   `top_reject_reason_types(top_n=10)`: Aggregate reject counts by normalized reject type and include a sample detail row.
 *   `orders_by_strategy()`: Strategy-ownership order aggregation by `owner_strategy_id`.
 *   `executions_by_strategy()`: Strategy-ownership execution aggregation by `owner_strategy_id`.
 *   `get_event_stats()`: Unified stream summary stats (for example `processed_events`, `dropped_event_count`, `callback_error_count`, `backpressure_policy`, `stream_mode`).
-*   `report(..., curve_freq="raw" | "D")`: Generate HTML report with raw or daily curve frequency.
+*   `report(..., curve_freq="D" | "raw")`: Generate HTML report with daily end-of-day curves by default, or switch back to raw frequency.
 
 ```python
 orders_by_strategy = result.orders_by_strategy()

{akquant-0.2.44 → akquant-0.2.46}/docs/en/start/quickstart.md

@@ -285,7 +285,7 @@ result.report(
     show=True,
     filename="report.html",
     compact_currency=True,
-    curve_freq="raw",
+    curve_freq="D",
 )
 
 result.report(

{akquant-0.2.44 → akquant-0.2.46}/docs/zh/guide/analysis.md

@@ -177,7 +177,7 @@ result.report(
     filename="report.html",
     show=True,  # 设为 True 以自动在浏览器中打开 (默认为 False)
     compact_currency=True,  # 金额列使用 K/M/B 紧凑显示 (默认为 True)
-    curve_freq="raw",  # "raw" 保留原始频率，"D" 使用日频末值
+    curve_freq="D",  # 默认即为 "D"，"raw" 可保留原始频率
 )
 ```
 

{akquant-0.2.44 → akquant-0.2.46}/docs/zh/reference/api.md

@@ -1187,10 +1187,11 @@ class RiskConfig:
 *   `capacity_df(freq="D")`: 容量代理指标（订单数、成交率、换手）。
 *   `benchmark_analysis(benchmark=None, curve_freq="raw")`: 返回结构化 benchmark analysis，可直接供前端/API 使用。
 *   `export_benchmark_analysis(path, benchmark=None, format="json", curve_freq="raw")`: 将 benchmark analysis 导出为 JSON 或 parquet 产物。
+*   `top_reject_reason_types(top_n=10)`: 按拒单类型聚合拒单统计，并附带一条示例明细。
 *   `orders_by_strategy()`: 按 `owner_strategy_id` 聚合订单统计。
 *   `executions_by_strategy()`: 按 `owner_strategy_id` 聚合成交流水统计。
 *   `get_event_stats()`: 返回流式事件统计摘要（如 `processed_events`、`dropped_event_count`、`callback_error_count`、`backpressure_policy`、`stream_mode`）。
-*   `report(..., curve_freq="raw" | "D")`: 生成 HTML 报告时，可选原始频率或日频末值曲线。
+*   `report(..., curve_freq="D" | "raw")`: 生成 HTML 报告时，默认使用日频末值曲线，也可切回原始频率。
 
 ```python
 orders_by_strategy = result.orders_by_strategy()

{akquant-0.2.44 → akquant-0.2.46}/docs/zh/start/quickstart.md

@@ -319,7 +319,7 @@ result.report(
     show=True,
     filename="report.html",
     compact_currency=True,
-    curve_freq="raw",
+    curve_freq="D",
 )
 
 result.report(

akquant-0.2.46/docs/zh/textbook/00_glossary.md

@@ -0,0 +1,104 @@
+# 术语表与符号约定
+
+本页汇总全书反复出现的**数学符号**与**核心术语**，供随时查阅。术语后标注了首次系统讲解所在的章节，便于回溯。术语遵循全书统一写法：一般写作 **AKShare**、**AKQuant**（代码块 `import` 除外）。
+
+## 数学符号约定
+
+全书数学记号尽量保持一致，常见符号含义如下：
+
+| 符号 | 含义 | 主要出处 |
+| :--- | :--- | :--- |
+| $R_p,\ R_f,\ R_m$ | 组合收益率、无风险收益率、市场收益率 | 第 1、10 章 |
+| $E(\cdot)$ | 期望（均值） | 第 1、10 章 |
+| $\alpha,\ \beta$ | 超额收益（Alpha）、市场敏感度（Beta） | 第 1、10 章 |
+| $\sigma,\ \sigma_d$ | 波动率（标准差）、下行波动率 | 第 10 章 |
+| $\mu,\ \Sigma$ | 资产预期收益向量、收益率协方差矩阵 | 第 9 章 |
+| $w = [w_1,\dots,w_N]^T$ | 组合权重向量 | 第 9 章 |
+| $N(\cdot),\ \Phi^{-1}(\cdot)$ | 标准正态分布的累积分布函数、其反函数 | 第 8、11 章 |
+| $\gamma_3,\ \gamma_4$ | 偏度、峰度 | 第 10 章 |
+| $S_t,\ F_t$ | $t$ 时刻现货价格、期货价格 | 第 7 章 |
+| $K,\ T,\ r$ | 行权价、到期时间、无风险利率 | 第 8 章 |
+| $u,\ y$ | 仓储成本、便利收益 | 第 7 章 |
+| $\Delta,\ \Gamma,\ \Theta,\ \nu$ | 期权希腊字母：Delta、Gamma、Theta、Vega | 第 8 章 |
+| $\widehat{SR}$ | 样本估计的夏普比率 | 第 10、11 章 |
+| $\theta,\ \Theta$（优化语境） | 策略参数向量、参数搜索空间 | 第 11 章 |
+
+> 提示：$\Theta$ 在第 8 章表示期权 Theta，在第 11 章表示参数搜索空间，二者按上下文区分。
+
+## 一、基础与理论
+
+- **量化投资 (Quantitative Investment)** —— 借助统计与数学方法，从历史数据中寻找大概率策略并纪律化执行的投资方式。（第 1 章）
+- **Alpha / Beta** —— Beta 是被动承担市场风险获得的收益，Alpha 是剔除市场因素后的主动超额收益。（第 1、10 章）
+- **CAPM（资本资产定价模型）** —— 将组合预期收益分解为无风险收益、市场风险补偿与 Alpha 的定价模型。（第 1 章）
+- **有效市场假说 (EMH)** —— 认为价格已反映可得信息的假说，分弱式、半强式、强式三档。（第 1 章）
+- **前景理论 (Prospect Theory)** —— Kahneman 与 Tversky 提出，揭示损失厌恶等行为偏误。（第 1 章）
+- **市场微观结构 (Market Microstructure)** —— 研究交易机制、价格形成与流动性的学科。（第 1、6 章）
+
+## 二、数据
+
+- **OHLCV** —— K 线的开、高、低、收、量五个字段。（第 3 章）
+- **复权 (Adjustment)** —— 消除分红配股拆细造成的价格断层，分前复权、后复权、不复权。（第 3 章）
+- **幸存者偏差 (Survivorship Bias)** —— 只用当前存续标的回测导致结果虚高的偏差。（第 3 章）
+- **前视偏差 (Look-ahead Bias)** —— 在决策时点使用了尚不可得的未来信息。（第 3、12 章）
+- **Point-in-Time (PIT)** —— 严格按信息可得时点对齐的数据组织方式。（第 3 章）
+
+## 三、引擎与撮合
+
+- **事件驱动回测 (Event-Driven Backtesting)** —— 按时间逐事件推进、逐 Bar 撮合的回测范式，对应向量化回测。（第 4 章）
+- **撮合引擎 (Matching Engine)** —— 根据行情判断订单是否成交及成交价的模块。（第 4 章）
+- **三轴成交语义 (`fill_policy`)** —— 由 `price_basis`、`bar_offset`、`temporal` 三个维度共同决定成交价与成交时点。（第 4 章）
+- **滑点与冲击成本 (Slippage / Market Impact)** —— 成交价劣于预期价的部分；冲击成本常用平方根法则刻画。（第 4 章）
+- **风控引擎 (RiskManager)** —— 引擎层独立于策略的预交易硬性风控。（第 4 章）
+
+## 四、订单与交易
+
+- **订单状态机** —— New → Submitted → Accepted → (Partially)Filled / Cancelled / Rejected 的状态流转。（第 4、15 章）
+- **`order_target_percent` / `order_target_positions`** —— 目标权重调仓接口与目标持仓数量调仓接口。（第 5 章）
+- **开平语义 (`position_effect`)** —— 方向（Buy/Sell）之外的 open / close / close_today 等开平标记。（第 5 章）
+- **T+1 制度** —— A 股当日买入次日方可卖出的交收规则，引擎以"可用持仓"建模。（第 6 章）
+
+## 五、风险与评价
+
+- **最大回撤 (Max Drawdown, MDD)** —— 从历史最高点到后续低点的最大跌幅。（第 1、10 章）
+- **夏普比率 / 索提诺比率 / 卡玛比率** —— 分别以总波动、下行波动、最大回撤为分母的风险调整后收益。（第 10 章）
+- **VaR / CVaR** —— 在险价值与条件在险价值（期望损失），后者具次可加性。（第 10 章）
+- **PSR / DSR** —— 概率夏普比率与收缩夏普比率，分别校正非正态性与多重试验偏差。（第 10、11 章）
+- **MAE / MFE** —— 持仓期间最大浮亏与最大浮盈，用于优化止损止盈。（第 10、13 章）
+- **归因分析 (Attribution)** —— 将收益分解为配置、选股、因子暴露等来源。（第 10 章）
+
+## 六、衍生品与期权
+
+- **保证金与杠杆 (Margin / Leverage)** —— 期货按比例缴纳保证金形成杠杆。（第 7 章）
+- **期限结构 (Term Structure)** —— 不同到期月合约的价格结构，分升水（Contango）与贴水（Backwardation）。（第 7 章）
+- **持有成本模型 (Cost of Carry)** —— $F_t = S_t e^{(r+u-y)(T-t)}$ 的定价框架。（第 7 章）
+- **BSM 模型** —— Black-Scholes-Merton 欧式期权定价模型。（第 8 章）
+- **希腊字母 (Greeks)** —— 期权价格对各变量的敏感度：Delta、Gamma、Theta、Vega 等。（第 8 章）
+- **隐含波动率 (IV)** —— 由市场期权价格反推的波动率。（第 8 章）
+
+## 七、组合与配置
+
+- **现代投资组合理论 (MPT)** —— Markowitz 的均值-方差分散化框架。（第 9 章）
+- **有效前沿 (Efficient Frontier)** —— 风险-收益平面上的最优组合曲线。（第 9 章）
+- **风险平价 (Risk Parity)** —— 追求各资产风险贡献相等而非资金等权。（第 9 章）
+- **Black-Litterman 模型** —— 以贝叶斯框架融合市场均衡先验与投资者观点。（第 9 章）
+- **分层风险平价 (HRP)** —— López de Prado 提出，用层次聚类替代协方差矩阵求逆。（第 9 章）
+
+## 八、机器学习与因子
+
+- **三重屏障法 (Triple Barrier)** —— 以止盈、止损、时间三条屏障定义标签。（第 12 章）
+- **元标签 (Meta-Labeling)** —— 用次级模型判断是否采纳初级模型信号的二次模型思想。（第 12 章）
+- **净化交叉验证 (Purged K-Fold CV)** —— 在训练集与测试集间净化、隔离以防信息泄露。（第 12 章）
+- **滚动回测 (Walk-Forward)** —— 定期重新优化、逐段拼接样本外结果的验证方法。（第 11、12 章）
+- **因子表达式引擎** —— 以 `Rank(Ts_Mean(Close, 5))` 之类表达式描述因子，区分 TS / CS / EL 算子。（第 14 章）
+
+## 九、实盘与运维
+
+- **网关 (Gateway)** —— 对接 CTP / MiniQMT / PTrade 等柜台的适配器接口。（第 15 章）
+- **OMS / RMS** —— 订单管理系统与风险管理系统。（第 15 章）
+- **TWAP / VWAP** —— 时间加权、成交量加权的算法执行方式。（第 15 章）
+- **热启动 (Warm Start)** —— 保存并恢复引擎状态以实现"断点续传"。（第 4、15 章）
+- **warmup（预热）** —— 指标窗口未满时输出空值或不稳定值的区段，发单前须剔除。（第 16 章）
+
+---
+
+> 需要某个术语的完整推导或代码用法时，请前往其标注章节；指标的输入/输出/参数口径请以 [AKQuant 指标全量说明](../guide/rust_indicator_reference.md) 为准。

{akquant-0.2.44 → akquant-0.2.46}/docs/zh/textbook/01_foundations.md

@@ -1,5 +1,18 @@
 # 第 1 章：量化投资概述与环境搭建
 
+> ⏱️ 预计阅读 ~25 分钟 ｜ 🎯 难度 ★★☆☆☆（入门）
+
+## 学习目标
+
+- 建立量化研究的基本闭环，理解“数据、策略、交易、风控”的关系。
+- 完成基于 uv 的 AKQuant 开发环境搭建，并能独立运行首个示例。
+- 建立 UTC 与本地时区分层处理的正确时间心智模型。
+
+## 前置知识
+
+- 具备基础的 Python 命令行使用能力。
+- 了解股票、收益率、回撤等入门金融概念即可。
+
 ## 本章实践入口
 
 - 主示例：[examples/textbook/ch01_quickstart.py](https://github.com/akfamily/akquant/blob/main/examples/textbook/ch01_quickstart.py)
@@ -23,12 +36,7 @@ python examples/textbook/ch01_quickstart.py
 
 **量化投资 (Quantitative Investment)** 是指借助现代统计学和数学方法，利用计算机技术从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略进行投资决策的过程。
 
-与定性投资（Fundamental Investing）相比，量化投资具有以下显著特征：
-
-1.  **纪律性 (Discipline)**：严格执行模型给出的信号，克服人性的贪婪与恐惧。
-2.  **系统性 (Systematic)**：多层次（资产配置、行业选择、个股选择）、多角度（宏观、估值、成长、技术）地观察市场。
-3.  **套利思想 (Arbitrage)**：寻找市场定价偏差，通过买入低估资产、卖出高估资产获利。
-4.  **概率取胜 (Probability)**：不追求单笔交易的暴利，而是追求在大概率获利的策略下，通过长期重复交易积累财富。
+与依赖个人判断的定性投资（Fundamental Investing）相比，量化投资的特征可以概括为四个相互支撑的方面。首先是**纪律性 (Discipline)**：策略一旦确定，就严格执行模型给出的信号，借此克服人性中的贪婪与恐惧。其次是**系统性 (Systematic)**：它从资产配置、行业选择到个股选择多个层次，又从宏观、估值、成长、技术多个角度同时观察市场，而不押注于单一视角。第三是**套利思想 (Arbitrage)**：量化的获利逻辑建立在发现市场定价偏差之上，通过买入被低估的资产、卖出被高估的资产来获取收益。最后是**概率取胜 (Probability)**：它并不追求单笔交易的暴利，而是依靠一个胜率占优的策略，通过长期、大量、重复的交易，把微弱的统计优势积累成可观的财富。
 
 ### 1.1.1 核心流程 (Workflow)
 
@@ -66,29 +74,19 @@ $$ E(R_p) = R_f + \beta_p (E(R_m) - R_f) + \alpha_p $$
 
 ### 1.1.3 有效市场假说 (EMH)
 
-尤金·法玛 (Eugene Fama) 提出的 **有效市场假说 (Efficient Market Hypothesis)** 认为，如果在一个证券市场中，价格完全反映了所有可以获得的信息，那么就称这样的市场为有效市场。
+尤金·法玛 (Eugene Fama) 提出的**有效市场假说 (Efficient Market Hypothesis)** 认为，如果证券价格已经完全反映了所有可以获得的信息，这样的市场就称为有效市场。按照”信息被反映的程度”，假说又分为递进的三档：**弱式有效**意味着价格已反映全部历史信息，因此单纯依赖历史走势的技术分析将会失效；**半强式有效**进一步认为价格已反映所有公开信息，于是基于财报、公告的基本面分析也难以获得超额收益；**强式有效**则是最极端的假设——价格连内幕信息都已反映，任何分析都无济于事。
 
-*   **弱式有效**：价格已反映所有历史信息（技术分析无效）。
-*   **半强式有效**：价格已反映所有公开信息（基本面分析无效）。
-*   **强式有效**：价格已反映所有信息，包括内幕信息（所有分析均无效）。
-
-**量化投资的前提是市场并非“强式有效”**。我们通过挖掘市场微观结构中的**非理性行为**或**信息不对称**，寻找定价偏差（Mispricing）并从中获利。
+**量化投资的前提是市场并非”强式有效”**。我们通过挖掘市场微观结构中的**非理性行为**或**信息不对称**，寻找定价偏差（Mispricing）并从中获利。
 
 ## 1.2 行为金融学 (Behavioral Finance)
 
-传统金融学假设投资者是理性的 (Rational)，但现实中，人是情感驱动的。行为金融学揭示了导致市场无效的心理学根源。
+传统金融学假设投资者是完全理性的 (Rational)，但现实中的人往往被情绪驱动。行为金融学的价值，正在于揭示市场之所以无效的心理学根源，其中有三种偏误对量化策略尤为重要。
 
-1.  **前景理论 (Prospect Theory)**：
-    *   由 Kahneman 和 Tversky 提出。人对损失的厌恶程度是对收益喜好程度的 2-2.5 倍。
-    *   **现象**：投资者倾向于过早止盈（落袋为安），但死扛亏损（不愿意承认错误）。这解释了为什么动量策略（追涨杀跌）长期有效。
+最具解释力的是 Kahneman 与 Tversky 提出的**前景理论 (Prospect Theory)**。它的核心发现是一种不对称：人对损失的痛苦，约是对等量收益喜悦的 2 到 2.5 倍。这种"损失厌恶"直接塑造了投资者最典型的行为——盈利时急于落袋为安、过早止盈，亏损时却死扛不放、迟迟不愿承认错误。正是这种"截断利润、放任亏损"的群体倾向，为动量策略（追涨杀跌）的长期有效提供了行为层面的根据。
 
-2.  **过度自信 (Overconfidence)**：
-    *   投资者往往高估自己的信息优势和预测能力。
-    *   **现象**：导致过度交易 (Over-trading)，推高了成交量和波动率，却降低了净收益。
+第二种是**过度自信 (Overconfidence)**。投资者常常高估自己的信息优势与预测能力，总觉得"这一次我看得准"。其后果是过度交易 (Over-trading)：频繁买卖推高了成交量与波动率，却因不断付出手续费和买卖价差而侵蚀了净收益。
 
-3.  **羊群效应 (Herd Behavior)**：
-    *   投资者倾向于模仿他人的行为，通过随大流来获得安全感。
-    *   **现象**：导致资产价格泡沫的形成和破裂。
+第三种是**羊群效应 (Herd Behavior)**。出于对安全感的需要，投资者倾向于模仿他人、随大流行动。当这种相互模仿不断自我强化时，便会推动资产价格脱离基本面，吹起泡沫，并在情绪逆转时加速其破裂。
 
 ## 1.3 市场微观结构基础 (Market Microstructure)
 
@@ -112,15 +110,9 @@ $$ E(R_p) = R_f + \beta_p (E(R_m) - R_f) + \alpha_p $$
 
 ## 1.4 量化与主观的融合 (Quantamental)
 
-**Quantamental = Quant + Fundamental**。
-
-*   **量化 (Quant)**：擅长广度。能同时扫描 5000 只股票，处理海量数据，纪律性强，但对突发事件（如战争、政策突变）反应迟钝。
-*   **主观 (Fundamental)**：擅长深度。能深入调研一家公司，理解商业模式和管理层，但覆盖面窄，易受情绪影响。
+**Quantamental** 是 Quant 与 Fundamental 的合成词，指量化与主观投资的融合。二者的长处恰好互补：**量化 (Quant)** 擅长广度，能同时扫描 5000 只股票、处理海量数据，且纪律性强，但对战争、政策突变这类突发事件反应迟钝；**主观 (Fundamental)** 擅长深度，能深入调研一家公司、理解其商业模式与管理层，却受限于覆盖面窄、易被情绪左右。
 
-未来的趋势是二者的融合：
-
-1.  **量化赋能主观**：用量化模型筛选出初选池，再由研究员深入调研。
-2.  **主观赋能量化**：将研究员的逻辑（如供应链关系、行业景气度）转化为量化因子，增强模型的可解释性和适应性。
+正因如此，未来的趋势是二者的双向赋能。一方面是**量化赋能主观**：先用量化模型从全市场筛出初选池，再交由研究员深入调研，把人的精力集中用在最值得研究的标的上；另一方面是**主观赋能量化**：把研究员的逻辑（如供应链关系、行业景气度）翻译成量化因子，从而增强模型的可解释性与对市场变化的适应性。
 
 ## 1.5 开发环境搭建
 
@@ -340,15 +332,61 @@ calmar_ratio                            -0.250393
 
 ## 本章小结
 
-1. 量化投资的核心是“数据、策略、交易、风控”四段闭环。
-2. `AKQuant` 通过 Python + Rust 混合架构兼顾研发效率与执行性能。
-3. 首个回测示例的重点不在收益高低，而在建立可复现的研究流程。
+### 必须掌握
+
+- 量化投资的核心不是“预测涨跌”，而是构建可复现的研究与执行闭环。
+- AKQuant 通过 Python + Rust 架构兼顾研发效率与执行性能。
+
+### 理解即可
+
+- 行为金融、市场微观结构与 Quantamental 是后续策略建模的重要背景。
+
+### 实践提醒
+
+- 先确保环境、示例、时间显示三件事全部跑通，再继续后续章节。
+
+## 主线推进
+
+本章为贯穿全书的课程项目埋下了起点。我们用一个经典的双均线（MA5/MA20）策略跑通了“数据 → 信号 → 下单 → 评估”的完整回测闭环，并读懂了 `total_return_pct`、`max_drawdown_pct`、`sharpe_ratio` 等核心指标的含义。这条最小策略本身在示例区间里收益为负，并不适合直接实盘，但它的价值在于成为后续每一章不断升级的同一个对象：第 2、3 章为它备齐编程工具与可复现数据，第 4、5 章把它改造成事件驱动的标准策略类，再往后则为它补上多资产、评价、优化、机器学习与实盘能力。建议你从现在起，就把这个策略和它的回测记录保存为课程项目的第一个版本。
+
+## 延伸阅读
+
+**经典著作**
+
+- Bodie, Z., Kane, A., & Marcus, A. J. *Investments*（《投资学》），McGraw-Hill —— 系统讲解 CAPM、有效市场假说与现代组合理论，可与本章 1.1 对照精读。
+- Kahneman, D. *Thinking, Fast and Slow*（《思考，快与慢》），Farrar, Straus and Giroux, 2011 —— 前景理论与各类行为偏误的权威通俗读物，延伸本章 1.2。
+- Grinold, R. C., & Kahn, R. N. *Active Portfolio Management*（第 2 版），McGraw-Hill, 2000 —— 主动管理与 Alpha/Beta 分解的奠基之作。
+
+**官方文档与工具**
+
+- [uv 官方文档](https://github.com/astral-sh/uv) —— 本章使用的 Python 环境与依赖管理工具。
+- [AKShare 官方文档](https://akshare.akfamily.xyz/) —— 后续各章数据获取的主要来源。
+
+**本书相关**
+
+- [AKQuant 的时间与时区](../guide/quant_basics.md)、[时区处理指南](../advanced/timezone.md) —— 巩固本章建立的 UTC / 本地时区心智模型。
 
 ## 课后练习
 
+### 基础题
+
 1. 将初始资金从 `100000` 改为 `500000`，比较回测指标变化。
-2. 更换一只股票重复运行，记录累计收益和最大回撤差异。
-3. 用一句话解释“夏普比率”和“最大回撤”各自解决什么问题。
+
+### 应用题
+
+1. 更换一只股票重复运行，记录累计收益和最大回撤差异。
+
+### 综合题
+
+1. 用一句话解释“夏普比率”和“最大回撤”各自解决什么问题。
+
+??? note "参考答案要点（先独立思考再展开）"
+
+    **基础题**：收益率、夏普、最大回撤等**比率类指标基本不变**（它们是相对值），变化的主要是绝对金额（如 `total_pnl`、`end_market_value` 按比例放大）。这说明评估策略应看比率而非绝对额。
+
+    **应用题**：换标的后累计收益与最大回撤往往明显不同，体现策略对标的与区间的敏感性——同一组参数在不同标的上并不一定稳健。
+
+    **综合题**：夏普比率衡量"每承担一单位风险能换多少超额收益"（性价比）；最大回撤衡量"最坏情况下资金从峰值缩水多少"（生存风险与持有体验）。
 
 ## 常见错误与排查