betaquant 0.5.3__tar.gz → 0.5.4__tar.gz

{betaquant-0.5.3 → betaquant-0.5.4}/.gitea/workflows/publish.yml

@@ -1,7 +1,7 @@
 name: Publish
 
 # 在 Gitea Actions 上构建 Linux + Windows wheel + sdist，发布到公网 PyPI。
-# 包名：betalib。
+# 包名：betaquant。
 #
 # 工具链 + 所有缓存都烤进了 .gitea/builder/Dockerfile 对应的镜像里：
 #   - rustup / 三个 target / sccache / maturin[zig] / twine / llvm

{betaquant-0.5.3 → betaquant-0.5.4}/Cargo.lock

@@ -24,8 +24,8 @@ source = "registry+https://github.com/rust-lang/crates.io-index"
 checksum = "c08606f8c3cbf4ce6ec8e28fb0014a2c086708fe954eaa885384a6165172e7e8"
 
 [[package]]
-name = "betalib"
-version = "0.5.3"
+name = "betaquant"
+version = "0.5.4"
 dependencies = [
  "anyhow",
  "log",

{betaquant-0.5.3 → betaquant-0.5.4}/Cargo.toml

@@ -1,13 +1,13 @@
 [package]
-name = "betalib"
-version = "0.5.3"
+name = "betaquant"
+version = "0.5.4"
 edition = "2024"
 authors = ["ZhaoJun"]
 readme = "README.md"
 
 # See more keys and their definitions at https://doc.rust-lang.org/cargo/reference/manifest.html
 [lib]
-name = "betalib"
+name = "betaquant"
 crate-type = ["cdylib", "rlib"]
 doctest = false
 

{betaquant-0.5.3 → betaquant-0.5.4}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: betaquant
-Version: 0.5.3
+Version: 0.5.4
 Classifier: Programming Language :: Rust
 Classifier: Programming Language :: Python :: Implementation :: CPython
 Classifier: Programming Language :: Python :: Implementation :: PyPy
@@ -12,9 +12,9 @@ Author: ZhaoJun
 License-Expression: BSD-2-Clause
 Requires-Python: >=3.11
 Description-Content-Type: text/markdown; charset=UTF-8; variant=GFM
-Project-URL: repository, https://github.com/tic-top/py-alpha-lib
+Project-URL: repository, https://home.zhaojun.com
 
-# betalib
+# betaquant
 
 高性能量化金融算子库。Rust 实现 + Python 绑定 ([PyO3](https://pyo3.rs/))。
 
@@ -25,14 +25,14 @@ Project-URL: repository, https://github.com/tic-top/py-alpha-lib
 ## 安装
 
 ```bash
-pip install betalib
+pip install betaquant
 ```
 
 ## 使用
 
 ### 上下文设置
 
-通过 `betalib.set_ctx()` 控制计算行为：
+通过 `betaquant.set_ctx()` 控制计算行为：
 
 - **`groups`** — 数据数组中的标的数量。每个 group 独立并行处理。`cc_rank` 等截面算子要求 `groups >= 2`。
 - **`flags`** — 位标志：
@@ -40,9 +40,9 @@ pip install betalib
   - `FLAG_STRICTLY_CYCLE` (2)：窗口未填满前返回 NaN（与 pandas `rolling()` 默认行为一致）。
   - 用 `|` 组合：`flags=FLAG_SKIP_NAN | FLAG_STRICTLY_CYCLE`
 
-`set_ctx` 只更新传入的字段，其它字段保持当前值。要恢复默认 (`groups=0, flags=0`) 调用 `betalib.reset_ctx()`。
+`set_ctx` 只更新传入的字段，其它字段保持当前值。要恢复默认 (`groups=0, flags=0`) 调用 `betaquant.reset_ctx()`。
 
-如需只算某一段，请在调用前自行切片输入数组（如 `betalib.ts_ma(data[start:end], 3)`）。
+如需只算某一段，请在调用前自行切片输入数组（如 `betaquant.ts_ma(data[start:end], 3)`）。
 
 ### NaN 处理合约（所有滑窗算子）
 
@@ -72,24 +72,24 @@ pip install betalib
   `NaN`、`±inf`、`ts_sma(n=0, ...)` 都会报 `InvalidParameter`，而不是产生 NaN 输出。
 
   ```python
-  import betalib
+  import betaquant
   import numpy as np
 
   data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype=np.float64)
 
   # 3 周期均线（预热阶段返回部分窗口结果）
-  result = betalib.ts_ma(data, 3)
+  result = betaquant.ts_ma(data, 3)
   # [1.  1.5 2.  3.  4.  5.  6.  7.  8.  9.]
 
   # 严格模式：窗口填满前返回 NaN
-  betalib.set_ctx(flags=betalib.FLAG_STRICTLY_CYCLE)
-  result = betalib.ts_ma(data, 3)
+  betaquant.set_ctx(flags=betaquant.FLAG_STRICTLY_CYCLE)
+  result = betaquant.ts_ma(data, 3)
   # [nan nan 2.  3.  4.  5.  6.  7.  8.  9.]
 
   # 跳过 NaN（fixed-time-slot：窗口里跳过 NaN，剩余有效值算均值）
-  betalib.set_ctx(flags=betalib.FLAG_SKIP_NAN)
+  betaquant.set_ctx(flags=betaquant.FLAG_SKIP_NAN)
   data_nan = np.array([1, 2, np.nan, 4, 5, 6, 7, 8, 9, 10], dtype=np.float64)
-  result = betalib.ts_ma(data_nan, 3)
+  result = betaquant.ts_ma(data_nan, 3)
   # [1.   1.5   nan 3.   4.5  5.   6.   7.   8.   9. ]
   # i=2 当前是 NaN ⇒ NaN；i=3 窗口 [2,NaN,4] valid [2,4] mean=3.0；
   # i=4 窗口 [NaN,4,5] valid [4,5] mean=4.5；之后窗口无 NaN，恢复正常。
@@ -118,12 +118,12 @@ python -m alpha.lang examples/wq101/alpha101.txt > factors.py
 跑生成的因子：
 
 ```python
-import betalib
+import betaquant
 from factors import alpha_001
 
 # 用合成面板做最小可运行例子；自己的数据用 polars.DataFrame 传入也行
-data = betalib.make_synthetic_panel(securities=50, trades=252)
-ctx = betalib.ExecContext(data)   # 自动推断 groups
+data = betaquant.make_synthetic_panel(securities=50, trades=252)
+ctx = betaquant.ExecContext(data)   # 自动推断 groups
 result = alpha_001(ctx)
 ```
 
@@ -142,7 +142,7 @@ result = alpha_001(ctx)
 python examples/gtja191/main.py
 ```
 
-默认用 `betalib.make_synthetic_panel()` 生成 50 股 × 252 天的合成面板，跑全部因子并打印
+默认用 `betaquant.make_synthetic_panel()` 生成 50 股 × 252 天的合成面板，跑全部因子并打印
 绩效统计。要换成自己的数据，直接调用 `examples.gtja191.al.run(data=<polars.DataFrame>,
 alphas=[1, 2, 3])`。
 
@@ -164,7 +164,7 @@ python examples/wq101/main.py
 
 ### 已支持的算子
 
-完整函数签名与说明：[python/betalib/algo.md](python/betalib/algo.md)
+完整函数签名与说明：[python/betaquant/algo.md](python/betaquant/algo.md)
 
 ### 入门示例
 

{betaquant-0.5.3 → betaquant-0.5.4}/README.md

@@ -1,4 +1,4 @@
-# betalib
+# betaquant
 
 高性能量化金融算子库。Rust 实现 + Python 绑定 ([PyO3](https://pyo3.rs/))。
 
@@ -9,14 +9,14 @@
 ## 安装
 
 ```bash
-pip install betalib
+pip install betaquant
 ```
 
 ## 使用
 
 ### 上下文设置
 
-通过 `betalib.set_ctx()` 控制计算行为：
+通过 `betaquant.set_ctx()` 控制计算行为：
 
 - **`groups`** — 数据数组中的标的数量。每个 group 独立并行处理。`cc_rank` 等截面算子要求 `groups >= 2`。
 - **`flags`** — 位标志：
@@ -24,9 +24,9 @@ pip install betalib
   - `FLAG_STRICTLY_CYCLE` (2)：窗口未填满前返回 NaN（与 pandas `rolling()` 默认行为一致）。
   - 用 `|` 组合：`flags=FLAG_SKIP_NAN | FLAG_STRICTLY_CYCLE`
 
-`set_ctx` 只更新传入的字段，其它字段保持当前值。要恢复默认 (`groups=0, flags=0`) 调用 `betalib.reset_ctx()`。
+`set_ctx` 只更新传入的字段，其它字段保持当前值。要恢复默认 (`groups=0, flags=0`) 调用 `betaquant.reset_ctx()`。
 
-如需只算某一段，请在调用前自行切片输入数组（如 `betalib.ts_ma(data[start:end], 3)`）。
+如需只算某一段，请在调用前自行切片输入数组（如 `betaquant.ts_ma(data[start:end], 3)`）。
 
 ### NaN 处理合约（所有滑窗算子）
 
@@ -56,24 +56,24 @@ pip install betalib
   `NaN`、`±inf`、`ts_sma(n=0, ...)` 都会报 `InvalidParameter`，而不是产生 NaN 输出。
 
   ```python
-  import betalib
+  import betaquant
   import numpy as np
 
   data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype=np.float64)
 
   # 3 周期均线（预热阶段返回部分窗口结果）
-  result = betalib.ts_ma(data, 3)
+  result = betaquant.ts_ma(data, 3)
   # [1.  1.5 2.  3.  4.  5.  6.  7.  8.  9.]
 
   # 严格模式：窗口填满前返回 NaN
-  betalib.set_ctx(flags=betalib.FLAG_STRICTLY_CYCLE)
-  result = betalib.ts_ma(data, 3)
+  betaquant.set_ctx(flags=betaquant.FLAG_STRICTLY_CYCLE)
+  result = betaquant.ts_ma(data, 3)
   # [nan nan 2.  3.  4.  5.  6.  7.  8.  9.]
 
   # 跳过 NaN（fixed-time-slot：窗口里跳过 NaN，剩余有效值算均值）
-  betalib.set_ctx(flags=betalib.FLAG_SKIP_NAN)
+  betaquant.set_ctx(flags=betaquant.FLAG_SKIP_NAN)
   data_nan = np.array([1, 2, np.nan, 4, 5, 6, 7, 8, 9, 10], dtype=np.float64)
-  result = betalib.ts_ma(data_nan, 3)
+  result = betaquant.ts_ma(data_nan, 3)
   # [1.   1.5   nan 3.   4.5  5.   6.   7.   8.   9. ]
   # i=2 当前是 NaN ⇒ NaN；i=3 窗口 [2,NaN,4] valid [2,4] mean=3.0；
   # i=4 窗口 [NaN,4,5] valid [4,5] mean=4.5；之后窗口无 NaN，恢复正常。
@@ -102,12 +102,12 @@ python -m alpha.lang examples/wq101/alpha101.txt > factors.py
 跑生成的因子：
 
 ```python
-import betalib
+import betaquant
 from factors import alpha_001
 
 # 用合成面板做最小可运行例子；自己的数据用 polars.DataFrame 传入也行
-data = betalib.make_synthetic_panel(securities=50, trades=252)
-ctx = betalib.ExecContext(data)   # 自动推断 groups
+data = betaquant.make_synthetic_panel(securities=50, trades=252)
+ctx = betaquant.ExecContext(data)   # 自动推断 groups
 result = alpha_001(ctx)
 ```
 
@@ -126,7 +126,7 @@ result = alpha_001(ctx)
 python examples/gtja191/main.py
 ```
 
-默认用 `betalib.make_synthetic_panel()` 生成 50 股 × 252 天的合成面板，跑全部因子并打印
+默认用 `betaquant.make_synthetic_panel()` 生成 50 股 × 252 天的合成面板，跑全部因子并打印
 绩效统计。要换成自己的数据，直接调用 `examples.gtja191.al.run(data=<polars.DataFrame>,
 alphas=[1, 2, 3])`。
 
@@ -148,7 +148,7 @@ python examples/wq101/main.py
 
 ### 已支持的算子
 
-完整函数签名与说明：[python/betalib/algo.md](python/betalib/algo.md)
+完整函数签名与说明：[python/betaquant/algo.md](python/betaquant/algo.md)
 
 ### 入门示例
 

{betaquant-0.5.3 → betaquant-0.5.4}/build.rs

@@ -372,7 +372,7 @@ fn py_convert(ty: &TaType, expr: &str) -> String {
 }
 
 fn build_algo_py(functions: &[TaFunc]) -> Result<()> {
-  let out_file = "python/betalib/algo/algo_gen.py";
+  let out_file = "python/betaquant/algo/algo_gen.py";
   let mut file = fs::File::create(out_file)?;
 
   writeln!(file, "# Copyright 2026 MSD-RS Project LiJia")?;
@@ -513,7 +513,7 @@ fn build_algo_py(functions: &[TaFunc]) -> Result<()> {
 
 
 fn build_algo_md(functions: &Vec<TaFunc>) -> Result<()> {
-  let mut file = fs::File::create("python/betalib/algo.md")?;
+  let mut file = fs::File::create("python/betaquant/algo.md")?;
   writeln!(file, "# 算子清单")?;
   writeln!(file, "")?;
   writeln!(

{betaquant-0.5.3 → betaquant-0.5.4}/examples/gtja191/al/__init__.py

@@ -1,6 +1,6 @@
 """GTJA191 因子计算 + 绩效统计（纯函数 API，不依赖命令行）。
 
-绩效统计的公共逻辑在 ``betalib.perf``，本模块只负责数据加载、循环、收集结果。
+绩效统计的公共逻辑在 ``betaquant.perf``，本模块只负责数据加载、循环、收集结果。
 """
 
 from __future__ import annotations
@@ -8,7 +8,7 @@ from __future__ import annotations
 import logging
 import time
 
-import betalib
+import betaquant
 import numpy as np
 import pandas as pd
 import polars as pl
@@ -57,7 +57,7 @@ def run(
   Args:
     data_path: 输入 csv 路径（包含 securityid / tradetime / OHLCV 列）。
     data: 直接传入的 polars DataFrame（与 ``data_path`` 二选一，优先使用）。
-      ``data_path`` 和 ``data`` 都为 None 时会用 ``betalib.make_synthetic_panel()``
+      ``data_path`` 和 ``data`` 都为 None 时会用 ``betaquant.make_synthetic_panel()``
       生成一份 GBM 合成面板，方便快速验证。
     alphas: 要计算的因子编号列表；为 None 时按 [start, end) 区间取并去掉 NOFUNC。
     start / end: alphas 为 None 时的范围。
@@ -69,10 +69,10 @@ def run(
     IC / IR / 累计收益 / 年化收益 / 夏普 / 最大回撤。
   """
   if data is None and data_path is None:
-    logger.info("no data given, using betalib.make_synthetic_panel() (GBM)")
-    data = betalib.make_synthetic_panel()
+    logger.info("no data given, using betaquant.make_synthetic_panel() (GBM)")
+    data = betaquant.make_synthetic_panel()
   ctx, trades, securities, load_time = setup_context(data_path=data_path, data=data)
-  fwd_ret = betalib.compute_forward_return(ctx)
+  fwd_ret = betaquant.compute_forward_return(ctx)
 
   if alphas is None:
     alphas = [n for n in range(start, end) if n not in NOFUNC]
@@ -94,7 +94,7 @@ def run(
     if verbose:
       print(v[0:trades])
 
-    stats = betalib.compute_factor_stats(v, fwd_ret, securities, trades, top_pct=top_pct)
+    stats = betaquant.compute_factor_stats(v, fwd_ret, securities, trades, top_pct=top_pct)
     # 只把标量指标塞进 DataFrame 行，曲线（ndarray）字段不进表
     stats_scalar = {k: x for k, x in stats.items() if not isinstance(x, np.ndarray)}
     rows.append(

betaquant-0.5.4/examples/gtja191/al/alpha191_context.py

@@ -0,0 +1 @@
+from betaquant.context import ExecContext  # noqa: F401

{betaquant-0.5.3 → betaquant-0.5.4}/examples/gtja191/main.py

@@ -1,6 +1,6 @@
 """GTJA191 因子全量计算 + 绩效统计入口（合成数据，纯函数，无命令行）。
 
-数据由 ``betalib.make_synthetic_panel()`` 生成（GBM 价格 + OHLCV 扰动），
+数据由 ``betaquant.make_synthetic_panel()`` 生成（GBM 价格 + OHLCV 扰动），
 默认 50 只股票 × 252 交易日。无需任何外部下载。
 
 用法：
@@ -14,7 +14,7 @@ from __future__ import annotations
 import logging
 
 import al
-import betalib
+import betaquant
 
 FORMAT = "%(levelname)s %(name)s %(asctime)-15s  %(message)s"
 logging.basicConfig(level=logging.INFO, format=FORMAT)
@@ -22,7 +22,7 @@ logger = logging.getLogger("gtja191")
 
 
 def main() -> None:
-  data = betalib.make_synthetic_panel(securities=50, trades=252)
+  data = betaquant.make_synthetic_panel(securities=50, trades=252)
   df = al.run(data=data)
   print(df.to_string())
 

{betaquant-0.5.3 → betaquant-0.5.4}/examples/quickstart/full_demo.py

@@ -6,8 +6,8 @@
 
 流程：
   1. 用合成 OHLCV 数据造一个 long-format DataFrame（含一只股票数据缺失的情形）。
-  2. 用 ``betalib.matrix_transform`` 把它对齐成 (date, code) MultiIndex 的稠密 long-format。
-  3. 用 ``betalib.ExecContext`` 包起来；构造时它会自动 ``set_ctx(groups=...)`` 并按
+  2. 用 ``betaquant.matrix_transform`` 把它对齐成 (date, code) MultiIndex 的稠密 long-format。
+  3. 用 ``betaquant.ExecContext`` 包起来；构造时它会自动 ``set_ctx(groups=...)`` 并按
      ``securityid * trades + tradetime`` 的顺序展开 OHLCV 字段成 ``groups × trades`` 的扁平数组。
   4. 用 ctx 方法表达若干常见因子（rank / zscore / mean reversion / momentum）。
   5. 取一个简单因子，与 pandas 手工实现对照，确认数值一致。
@@ -20,7 +20,7 @@ from __future__ import annotations
 import numpy as np
 import pandas as pd
 
-import betalib
+import betaquant
 
 
 # ---------------------------------------------------------------------------
@@ -71,7 +71,7 @@ print()
 # 2. matrix_transform：对齐到 (trade_date, ts_code) MultiIndex 长表
 # ---------------------------------------------------------------------------
 
-aligned = betalib.matrix_transform(
+aligned = betaquant.matrix_transform(
   df,
   code_field="ts_code",
   date_field="trade_date",
@@ -102,7 +102,7 @@ print(f"panel 形状：{panel.shape}（数据按 [securityid, tradetime] 排序
 print(panel.head(8))
 print()
 
-ctx = betalib.ExecContext(panel)
+ctx = betaquant.ExecContext(panel)
 print(
   f"ExecContext 初始化：groups（股票数）={panel['securityid'].nunique()}，"
   f"trades（天数）={panel['tradetime'].nunique()}"
@@ -181,27 +181,27 @@ if not ok:
 
 
 # ---------------------------------------------------------------------------
-# 6. 因子绩效评估：复用 betalib.compute_forward_return / betalib.compute_factor_stats
+# 6. 因子绩效评估：复用 betaquant.compute_forward_return / betaquant.compute_factor_stats
 #
 # 公共逻辑（IC、IR、累计收益、年化收益、夏普、最大回撤）已经放到 alpha/perf.py，
 # 两个 examples（gtja191 / wq101）都共用同一份实现。
 #
-# - 持仓回报用 ``betalib.compute_forward_return(ctx)``（位置 t = t+1 日 open→close）。
-# - 单因子整体绩效用 ``betalib.compute_factor_stats(factor, fwd, securities, trades, top_pct)``：
+# - 持仓回报用 ``betaquant.compute_forward_return(ctx)``（位置 t = t+1 日 open→close）。
+# - 单因子整体绩效用 ``betaquant.compute_factor_stats(factor, fwd, securities, trades, top_pct)``：
 #     - 按 ``top_pct`` 分位选股做多空（默认 10%）；
 #     - 4 只股票时 top_pct=0.25 ⇒ top/bottom 各 1 只；
 #     - 返回 ic/ir 以及多头(long)/空头(short)/多空(ls)三腿的 cum_ret/ann_ret/sharpe/mdd。
 # ---------------------------------------------------------------------------
 
 print("\n" + "=" * 60)
-print("因子绩效（公共 API：betalib.compute_factor_stats）")
+print("因子绩效（公共 API：betaquant.compute_factor_stats）")
 print("=" * 60)
 
-fwd_ret_flat = betalib.compute_forward_return(ctx)
+fwd_ret_flat = betaquant.compute_forward_return(ctx)
 
 
 def report_stats(name: str, factor: np.ndarray, top_pct: float = 0.25) -> None:
-  stats = betalib.compute_factor_stats(factor, fwd_ret_flat, n_codes, n_dates, top_pct=top_pct)
+  stats = betaquant.compute_factor_stats(factor, fwd_ret_flat, n_codes, n_dates, top_pct=top_pct)
   # IC/IR 是因子级指标；收益指标分多头 / 空头 / 多空三腿展示
   table = pd.DataFrame(
     [
@@ -251,9 +251,9 @@ if plt is not None:
 
   # 上面 4 股 × 20 日的 demo 太小，10 日窗口因子的有效收益日只有 1~2 天，
   # 画图看不出曲线。这里换一份稍大的合成面板（30 股 × 100 日）专门演示绘图。
-  big_panel = betalib.make_synthetic_panel(securities=30, trades=100)
-  big_ctx = betalib.ExecContext(big_panel)
-  big_fwd = betalib.compute_forward_return(big_ctx)
+  big_panel = betaquant.make_synthetic_panel(securities=30, trades=100)
+  big_ctx = betaquant.ExecContext(big_panel)
+  big_fwd = betaquant.compute_forward_return(big_ctx)
   big_codes = 30
   big_dates = 100
 
@@ -273,7 +273,7 @@ if plt is not None:
     axes = [axes]
 
   for ax, (name, factor) in zip(axes, big_factors):
-    stats = betalib.compute_factor_stats(factor, big_fwd, big_codes, big_dates, top_pct=0.2)
+    stats = betaquant.compute_factor_stats(factor, big_fwd, big_codes, big_dates, top_pct=0.2)
     for leg, label in (("long", "多头"), ("short", "空头"), ("ls", "多空")):
       eq = stats[f"{leg}_equity"]
       if eq.size == 0:

{betaquant-0.5.3 → betaquant-0.5.4}/examples/quickstart/rank.py

@@ -3,7 +3,7 @@
 import numpy as np
 import pandas as pd
 
-import betalib
+import betaquant
 
 df = pd.DataFrame(
   data={
@@ -13,6 +13,6 @@ df = pd.DataFrame(
 )
 
 # 把 5 个样本视为 5 个 group，做截面 rank
-betalib.set_ctx(groups=5)
-print("betalib.cc_rank :", betalib.cc_rank(df["Number_legs"].to_numpy().astype(np.float64)))
+betaquant.set_ctx(groups=5)
+print("betaquant.cc_rank :", betaquant.cc_rank(df["Number_legs"].to_numpy().astype(np.float64)))
 print("pandas rank   :", df["Number_legs"].rank(pct=True).to_numpy().astype(np.float64))

{betaquant-0.5.3 → betaquant-0.5.4}/examples/quickstart/usage.py

@@ -5,7 +5,7 @@
   python examples/quickstart/usage.py
 """
 
-import betalib as al
+import betaquant as al
 import numpy as np
 import pandas as pd
 

{betaquant-0.5.3 → betaquant-0.5.4}/examples/quickstart/verify_sumif.py

@@ -10,7 +10,7 @@ import sys
 import numpy as np
 
 try:
-  import betalib
+  import betaquant
 except ImportError:
   print("无法导入 alpha；请先执行 `maturin develop --release` 安装到当前环境。")
   sys.exit(1)
@@ -27,7 +27,7 @@ def test_sumif():
   # 4: [2,3,4]   -> 3(T), 4(F), 5(T)   -> 3+5 = 8
   expected = np.array([1.0, 1.0, 4.0, 3.0, 8.0])
 
-  res = betalib.ts_sumif(a, c, 3)
+  res = betaquant.ts_sumif(a, c, 3)
   print("Input A:", a)
   print("Input C:", c)
   print("Result :", res)

{betaquant-0.5.3 → betaquant-0.5.4}/examples/wq101/al/__init__.py

@@ -1,6 +1,6 @@
 """WQ101 因子计算 + 绩效统计（纯函数 API，不依赖命令行）。
 
-绩效统计的公共逻辑在 ``betalib.perf``，本模块只负责数据加载、循环、收集结果。
+绩效统计的公共逻辑在 ``betaquant.perf``，本模块只负责数据加载、循环、收集结果。
 """
 
 from __future__ import annotations
@@ -8,7 +8,7 @@ from __future__ import annotations
 import logging
 import time
 
-import betalib
+import betaquant
 import numpy as np
 import pandas as pd
 import polars as pl
@@ -52,14 +52,14 @@ def run(
 ) -> pd.DataFrame:
   """计算指定编号的 WQ101 因子并附带绩效统计。
 
-  ``data_path`` 与 ``data`` 都为 None 时，会用 ``betalib.make_synthetic_panel()`` 生成
+  ``data_path`` 与 ``data`` 都为 None 时，会用 ``betaquant.make_synthetic_panel()`` 生成
   GBM 合成面板，方便快速验证。
   """
   if data is None and data_path is None:
-    logger.info("no data given, using betalib.make_synthetic_panel() (GBM)")
-    data = betalib.make_synthetic_panel()
+    logger.info("no data given, using betaquant.make_synthetic_panel() (GBM)")
+    data = betaquant.make_synthetic_panel()
   ctx, trades, securities, load_time = setup_context(data_path=data_path, data=data)
-  fwd_ret = betalib.compute_forward_return(ctx)
+  fwd_ret = betaquant.compute_forward_return(ctx)
 
   if alphas is None:
     alphas = [n for n in range(start, end) if n not in NOFUNC]
@@ -78,7 +78,7 @@ def run(
     logger.info("Alpha %s computed in %.3fs", fn_name, t2 - t1)
     if verbose:
       print(v[0:trades])
-    stats = betalib.compute_factor_stats(v, fwd_ret, securities, trades, top_pct=top_pct)
+    stats = betaquant.compute_factor_stats(v, fwd_ret, securities, trades, top_pct=top_pct)
     # 只把标量指标塞进 DataFrame 行，曲线（ndarray）字段不进表
     stats_scalar = {k: x for k, x in stats.items() if not isinstance(x, np.ndarray)}
     rows.append(

{betaquant-0.5.3 → betaquant-0.5.4}/examples/wq101/al/alpha101_context.py

@@ -6,4 +6,4 @@ operator naming, the canonical implementation in `alpha.context.ExecContext`
 covers everything the WQ101 expressions need.
 """
 
-from betalib.context import ExecContext  # noqa: F401
+from betaquant.context import ExecContext  # noqa: F401

{betaquant-0.5.3 → betaquant-0.5.4}/examples/wq101/main.py

@@ -1,6 +1,6 @@
 """WQ101 因子全量计算 + 绩效统计入口（合成数据，纯函数，无命令行）。
 
-数据由 ``betalib.make_synthetic_panel()`` 生成（GBM 价格 + OHLCV 扰动），
+数据由 ``betaquant.make_synthetic_panel()`` 生成（GBM 价格 + OHLCV 扰动），
 默认 50 只股票 × 252 交易日。无需任何外部下载。
 
 用法：
@@ -14,7 +14,7 @@ from __future__ import annotations
 import logging
 
 import al
-import betalib
+import betaquant
 
 FORMAT = "%(levelname)s %(name)s %(asctime)-15s  %(message)s"
 logging.basicConfig(level=logging.INFO, format=FORMAT)
@@ -22,7 +22,7 @@ logger = logging.getLogger("wq101")
 
 
 def main() -> None:
-  data = betalib.make_synthetic_panel(securities=50, trades=252)
+  data = betaquant.make_synthetic_panel(securities=50, trades=252)
   df = al.run(data=data)
   print(df.to_string())
 

{betaquant-0.5.3 → betaquant-0.5.4}/pyproject.toml

@@ -20,8 +20,7 @@ license-files = ["LICENSE"]
 authors = [{ name = "ZhaoJun" }]
 
 [project.urls]
-# 改成你自己的 Gitea 仓库地址；保持原 GitHub URL 也无害（仅 metadata）
-repository = "https://github.com/tic-top/py-alpha-lib"
+repository = "https://home.zhaojun.com"
 
 [build-system]
 requires = ["maturin>=1.10,<2.0"]
@@ -36,5 +35,5 @@ dev = [
 
 [tool.maturin]
 python-source = "python"
-module-name = "betalib.algo._algo"
+module-name = "betaquant.algo._algo"
 features = ["pyo3/extension-module"]

{betaquant-0.5.3/python/betalib → betaquant-0.5.4/python/betaquant}/context.py

@@ -4,14 +4,14 @@
 """
 Generic ExecContext for alpha factor computation.
 
-命名约定：与底层 ``betalib.*`` 函数名一一对应的 lower_snake_case：
+命名约定：与底层 ``betaquant.*`` 函数名一一对应的 lower_snake_case：
 
   - ts_xxx(x, d)    — time-series / rolling window operators
   - cc_xxx(x)       — cross-sectional operators (across groups)
   - 元素级           — max / min / abs / sign / log / signedpower / ...
 
 每个算子只有一个名字（无别名）。DSL 表达式（alpha101.txt / alpha191.txt）也使用同一套
-名字；转译器 `python -m betalib.lang ...` 直接生成 `ctx.<name>(...)`，没有任何重映射。
+名字；转译器 `python -m betaquant.lang ...` 直接生成 `ctx.<name>(...)`，没有任何重映射。
 
 特别提醒：
 - ``ts_corr2(a, b, d)`` —— 两序列的滚动皮尔逊相关。
@@ -19,13 +19,13 @@ Generic ExecContext for alpha factor computation.
 两者底层是不同函数，名字也不一样，不要混。
 
 Usage:
-  import betalib
-  from betalib.context import ExecContext
+  import betaquant
+  from betaquant.context import ExecContext
 
   data = pl.read_csv("data.csv").sort(["securityid", "tradetime"])
   ctx = ExecContext(data)
   # securities/trades auto-inferred from securityid/tradetime columns
-  # betalib.set_ctx(groups=...) called automatically
+  # betaquant.set_ctx(groups=...) called automatically
 """
 
 import logging

{betaquant-0.5.3/python/betalib → betaquant-0.5.4/python/betaquant}/lang/__main__.py

@@ -8,7 +8,7 @@ if __name__ == "__main__":
   import pathlib
 
   if len(sys.argv) < 2:
-    print("Usage: python -m betalib.lang <file | code>")
+    print("Usage: python -m betaquant.lang <file | code>")
     sys.exit(1)
 
   file_path = pathlib.Path(sys.argv[1])

{betaquant-0.5.3/python/betalib → betaquant-0.5.4/python/betaquant}/perf.py

@@ -6,12 +6,12 @@
 API：
   - ``compute_forward_return(ctx, delay=1, periods=5)``
       返回 ``(securities*trades,)`` 扁平数组，位置 t 处为 t+delay 日 open 进、
-      t+delay+periods-1 日 close 出的持仓回报。底层走 ``betalib.ts_fret``。
+      t+delay+periods-1 日 close 出的持仓回报。底层走 ``betaquant.ts_fret``。
       默认 periods=5（5 日 IC / 5 日持仓是国内卖方研究最常见的口径）。
   - ``compute_factor_stats(factor, fwd_ret, securities, trades, top_pct=0.1, holding_periods=5)``
       返回 dict：``ic / ir`` 加多头/空头/多空三腿的
       ``{long,short,ls}_{cum_ret,ann_ret,sharpe,mdd}``。
-      多/空腿用 top_pct 分位等权；夏普走 ``betalib.ts_sharpe``，回撤走 ``betalib.ts_max_drawdown``。
+      多/空腿用 top_pct 分位等权；夏普走 ``betaquant.ts_sharpe``，回撤走 ``betaquant.ts_max_drawdown``。
 
 数据布局约定（与 ExecContext 一致）：
   扁平数组按 ``[s1_t1..tT, s2_t1..tT, ...]`` 排列，``reshape(securities, trades).T``
@@ -107,8 +107,8 @@ def compute_factor_stats(
     - 收益指标用**算术口径**（alphalens 标准），对极端日收益鲁棒：
         ``cum_ret = sum(r)``
         ``ann_ret = mean(r) * periods_per_year``
-        ``mdd``  = 在 ``1 + cumsum(r)`` 上调 ``betalib.ts_max_drawdown`` 的末值
-    - 夏普走 ``betalib.ts_sharpe``（总体标准差），再乘 ``sqrt(periods_per_year)`` 年化。
+        ``mdd``  = 在 ``1 + cumsum(r)`` 上调 ``betaquant.ts_max_drawdown`` 的末值
+    - 夏普走 ``betaquant.ts_sharpe``（总体标准差），再乘 ``sqrt(periods_per_year)`` 年化。
   """
   f_panel = pd.DataFrame(factor.reshape(securities, trades).T)
   r_panel = pd.DataFrame(fwd_ret.reshape(securities, trades).T)

{betaquant-0.5.3 → betaquant-0.5.4}/python/tests/test_grammar.py

@@ -7,7 +7,7 @@ from lark import Lark
 
 
 _ROOT = Path(__file__).resolve().parents[2]
-_GRAMMAR = _ROOT / "python" / "betalib" / "lang" / "alpha.lark"
+_GRAMMAR = _ROOT / "python" / "betaquant" / "lang" / "alpha.lark"
 _ALPHA101 = _ROOT / "examples" / "wq101" / "alpha101.txt"
 
 

{betaquant-0.5.3 → betaquant-0.5.4}/python/tests/test_rank.py

@@ -1,11 +1,11 @@
 # Copyright 2026 MSD-RS Project LiJia
 # SPDX-License-Identifier: BSD-2-Clause
 
-"""``betalib.cc_rank`` 与 pandas ``Series.rank(pct=True)`` 的一致性回归。"""
+"""``betaquant.cc_rank`` 与 pandas ``Series.rank(pct=True)`` 的一致性回归。"""
 
 import numpy as np
 
-import betalib
+import betaquant
 
 
 def test_cc_rank_matches_pandas_pct_rank():
@@ -15,8 +15,8 @@ def test_cc_rank_matches_pandas_pct_rank():
   total = groups * rows_per_group
   data = rng.random(total).astype(np.float64)
 
-  betalib.set_ctx(groups=groups)
-  got = betalib.cc_rank(data)
+  betaquant.set_ctx(groups=groups)
+  got = betaquant.cc_rank(data)
 
   # 等价计算：把数据 reshape 成 (groups, rows_per_group)，
   # 沿 axis=0 在每个时间步上做 pct rank（average 平均），
@@ -47,9 +47,9 @@ def test_cc_rank_matches_pandas_pct_rank():
 
 
 def test_cc_rank_with_nan():
-  betalib.set_ctx(groups=4)
+  betaquant.set_ctx(groups=4)
   data = np.array([1.0, 2.0, np.nan, 4.0], dtype=np.float64)
-  got = betalib.cc_rank(data)
+  got = betaquant.cc_rank(data)
   # NaN -> NaN；其余按比例排名（3 个有效值）
   assert np.isnan(got[2])
   np.testing.assert_allclose(got[[0, 1, 3]], np.array([1, 2, 3]) / 3.0)

{betaquant-0.5.3 → betaquant-0.5.4}/python/tests/test_to_python.py

@@ -10,7 +10,7 @@
 import io
 from pathlib import Path
 
-from betalib.lang.to_python import to_python, to_python_file
+from betaquant.lang.to_python import to_python, to_python_file
 
 
 _ROOT = Path(__file__).resolve().parents[2]

{betaquant-0.5.3 → betaquant-0.5.4}/src//345/277/205/350/257/273.md

@@ -9,25 +9,25 @@ description: 在 alpha-lib 中添加新算子的标准流程。
 
 - **底层 Rust 算子**：手写，函数名带 `ta_ts_*` / `ta_cc_*` 前缀。
 - **顶层 Python 包装**：`build.rs` 在 `cargo build` 阶段自动生成（写入
-  `python/betalib/algo/algo_gen.py` 与 `python/betalib/algo.md`），名字为
+  `python/betaquant/algo/algo_gen.py` 与 `python/betaquant/algo.md`），名字为
   `ts_*` / `cc_*`，无需手写。
 
 只要写好 Rust 函数 + 文档注释 + 单元测试，跑一次 `cargo build` 就能在
-Python 端用上 `betalib.ts_xxx(...)`。
+Python 端用上 `betaquant.ts_xxx(...)`。
 
 ## 命名规范
 
 - **时序算子**（rolling-window，输入与输出长度一致）：
-  Rust 函数名 `ta_ts_<name>`，Python 端为 `betalib.ts_<name>` 与
+  Rust 函数名 `ta_ts_<name>`，Python 端为 `betaquant.ts_<name>` 与
   `ctx.ts_<name>`。
 - **截面算子**（cross-sectional，跨 group 维度）：
-  Rust 函数名 `ta_cc_<name>`，Python 端为 `betalib.cc_<name>` 与
+  Rust 函数名 `ta_cc_<name>`，Python 端为 `betaquant.cc_<name>` 与
   `ctx.cc_<name>`。
 - **元素级算子**（如 `max` / `min` / `abs` / `log` / `sign`）：
-  无前缀，通常已经在 `python/betalib/context.py` 内用 numpy 实现。
+  无前缀，通常已经在 `python/betaquant/context.py` 内用 numpy 实现。
 
 `<name>` 用 `lower_snake_case`，例：`ta_ts_decay_linear` 对应
-`betalib.ts_decay_linear` 与 `ctx.ts_decay_linear`。
+`betaquant.ts_decay_linear` 与 `ctx.ts_decay_linear`。
 
 ## 上下文 (Context) 与 flags
 
@@ -168,7 +168,7 @@ fn requires_full_window(&self) -> bool { true }
 ## 文档注释（用于自动生成 algo.md）
 
 `build.rs::build_algo_md` 会把 `pub fn ta_*` **正上方** 的连续 `///`
-文档注释抓出来生成 `python/betalib/algo.md`。
+文档注释抓出来生成 `python/betaquant/algo.md`。
 
 写注释的硬性要求：
 
@@ -213,7 +213,7 @@ pub fn ta_ts_stddev<NumT: Float + Send + Sync>(
 1. **算子名与 DSL 关键字一致**：DSL 名直接 lower-case 后能匹配 `ts_<name>` /
    `cc_<name>`，不用动 `to_python.py`。
 2. **算子在 DSL 里有别名**（例如 `RANK` → `cc_rank`、`CORR` → `ts_correlation`、
-   `DECAYLINEAR` → `ts_decay_linear`）：在 `python/betalib/lang/to_python.py`
+   `DECAYLINEAR` → `ts_decay_linear`）：在 `python/betaquant/lang/to_python.py`
    的 `_OP_ALIASES` 字典里加一行 `"<dsl_name_lower>": "<exec_method_name>"`。
 
 DSL 字段（变量）名仍是 `OPEN`、`CLOSE`、`HIGH`、`LOW`、`VOLUME`、`VWAP`、
@@ -221,11 +221,11 @@ DSL 字段（变量）名仍是 `OPEN`、`CLOSE`、`HIGH`、`LOW`、`VOLUME`、`
 
 ## ExecContext 入口（按需添加）
 
-`python/betalib/context.py` 里给每个新增算子加一个薄包装即可：
+`python/betaquant/context.py` 里给每个新增算子加一个薄包装即可：
 
 ```python
 def ts_<name>(self, a: np.ndarray, w: int) -> np.ndarray:
-    return betalib.ts_<name>(a, int(w))
+    return betaquant.ts_<name>(a, int(w))
 ```
 
 ## 流程清单
@@ -235,11 +235,11 @@ def ts_<name>(self, a: np.ndarray, w: int) -> np.ndarray:
 2. 在同文件末尾的 `mod tests` 加单测覆盖默认 / strict / skip-nan / 边界值。
 3. 滑窗算子在 `src/algo/spec.rs` 加 `spec_ts_<name>` 测试。
 4. `cargo test --lib` 全过。
-5. `cargo build --lib` —— 自动重新生成 `python/betalib/algo/algo_gen.py` 与
-   `python/betalib/algo.md`，确认新算子出现在两个文件中。
-6. 如果 DSL 转译要支持新名字，在 `python/betalib/lang/to_python.py::_OP_ALIASES`
+5. `cargo build --lib` —— 自动重新生成 `python/betaquant/algo/algo_gen.py` 与
+   `python/betaquant/algo.md`，确认新算子出现在两个文件中。
+6. 如果 DSL 转译要支持新名字，在 `python/betaquant/lang/to_python.py::_OP_ALIASES`
    加映射。
-7. 在 `python/betalib/context.py` 加 `ctx.ts_<name>` / `ctx.cc_<name>`
+7. 在 `python/betaquant/context.py` 加 `ctx.ts_<name>` / `ctx.cc_<name>`
    包装方法。
 8. （可选）在 `examples/` 里加用例或重新生成 `alpha101.py` / `alpha191.py`：
    ```bash

betaquant-0.5.3/examples/gtja191/al/alpha191_context.py

@@ -1 +0,0 @@
-from betalib.context import ExecContext  # noqa: F401