quantnodes 3.0.0__py3-none-any.whl

QuantNodes/agent/skills/strategy/dual_ma.py

@@ -0,0 +1,82 @@
+# coding=utf-8
+"""
+Dual Moving Average Strategy Skill
+
+Phase 4.3: Strategy Skills
+"""
+
+from typing import Any, Dict
+
+from ..base import Skill, SkillCategory, SkillMetadata, SkillResult
+
+
+class DualMaSkill(Skill):
+    """Dual Moving Average Crossover Strategy"""
+
+    @property
+    def metadata(self) -> SkillMetadata:
+        return SkillMetadata(
+            name="dual_ma_strategy",
+            description="双均线交叉策略 - 短周期均线上穿长周期均线买入，下穿卖出",
+            category=SkillCategory.STRATEGY,
+            tags=["趋势跟踪", "均线", "双均线"],
+            examples=[
+                "生成双均线策略代码",
+                "如何使用双均线指标",
+            ],
+        )
+
+    async def execute(self, context: Dict[str, Any]) -> SkillResult:
+        """Execute dual MA strategy generation"""
+        fast_period = context.get("fast_period", 5)
+        slow_period = context.get("slow_period", 20)
+
+        code = f'''
+def dual_ma_strategy(data, fast_period={fast_period}, slow_period={slow_period}):
+    """
+    双均线策略
+    - Fast MA: {fast_period}日均线
+    - Slow MA: {slow_period}日均线
+    Signals:
+      - 金叉买入(1), 死叉卖出(-1), 持有(0)
+    """
+    import pandas as pd
+
+    data["fast_ma"] = data["close"].rolling({fast_period}).mean()
+    data["slow_ma"] = data["close"].rolling({slow_period}).mean()
+
+    data["signal"] = 0
+    data.loc[data["fast_ma"] > data["slow_ma"], "signal"] = 1
+    data.loc[data["fast_ma"] <= data["slow_ma"], "signal"] = -1
+
+    data["position"] = data["signal"].shift(1)
+    return data
+'''
+        return SkillResult(
+            success=True,
+            data={
+                "strategy": "dual_ma",
+                "fast_period": fast_period,
+                "slow_period": slow_period,
+                "code": code.strip(),
+                "description": f"双均线策略: {fast_period}日均线与{slow_period}日均线交叉",
+            },
+        )
+
+    def get_parameters_schema(self) -> Dict[str, Any]:
+        """Return parameter schema"""
+        return {
+            "type": "object",
+            "properties": {
+                "fast_period": {
+                    "type": "integer",
+                    "description": "快速均线周期",
+                    "default": 5,
+                },
+                "slow_period": {
+                    "type": "integer",
+                    "description": "慢速均线周期",
+                    "default": 20,
+                },
+            },
+        }

QuantNodes/agent/skills/strategy/momentum.py

@@ -0,0 +1,74 @@
+# coding=utf-8
+"""
+Momentum Strategy Skill
+
+Phase 4.3: Strategy Skills
+"""
+
+from typing import Any, Dict
+
+from ..base import Skill, SkillCategory, SkillMetadata, SkillResult
+
+
+class MomentumSkill(Skill):
+    """Momentum Strategy"""
+
+    @property
+    def metadata(self) -> SkillMetadata:
+        return SkillMetadata(
+            name="momentum_strategy",
+            description="动量策略 - 追涨杀跌，过去收益率为正则持有，为负则卖出",
+            category=SkillCategory.STRATEGY,
+            tags=["趋势跟踪", "动量", "追涨杀跌"],
+            examples=[
+                "生成动量策略代码",
+                "动量因子参数设置",
+            ],
+        )
+
+    async def execute(self, context: Dict[str, Any]) -> SkillResult:
+        """Execute momentum strategy generation"""
+        period = context.get("period", 20)
+
+        code = f'''
+def momentum_strategy(data, period={period}):
+    """
+    动量策略
+    - Period: {period}日回顾期
+    Signals:
+      - 动量为正持有(1)
+      - 动量为负卖出(-1)
+    """
+    import pandas as pd
+
+    data["momentum"] = data["close"] / data["close"].shift({period}) - 1
+
+    data["signal"] = 0
+    data.loc[data["momentum"] > 0, "signal"] = 1
+    data.loc[data["momentum"] <= 0, "signal"] = -1
+
+    data["position"] = data["signal"].shift(1)
+    return data
+'''
+        return SkillResult(
+            success=True,
+            data={
+                "strategy": "momentum",
+                "period": period,
+                "code": code.strip(),
+                "description": f"动量策略: {period}日回顾期",
+            },
+        )
+
+    def get_parameters_schema(self) -> Dict[str, Any]:
+        """Return parameter schema"""
+        return {
+            "type": "object",
+            "properties": {
+                "period": {
+                    "type": "integer",
+                    "description": "动量回顾周期",
+                    "default": 20,
+                },
+            },
+        }

QuantNodes/agent/skills/strategy/rsi_reversal.py

@@ -0,0 +1,99 @@
+# coding=utf-8
+"""
+RSI Mean Reversion Strategy Skill
+
+Phase 4.3: Strategy Skills
+"""
+
+from typing import Any, Dict
+
+from ..base import Skill, SkillCategory, SkillMetadata, SkillResult
+
+
+class RSIReversalSkill(Skill):
+    """RSI Mean Reversion Strategy"""
+
+    @property
+    def metadata(self) -> SkillMetadata:
+        return SkillMetadata(
+            name="rsi_reversal_strategy",
+            description="RSI均值回归策略 - RSI超卖买入，RSI超买卖出",
+            category=SkillCategory.STRATEGY,
+            tags=["均值回归", "RSI", "超买超卖"],
+            examples=[
+                "生成RSI均值回归策略代码",
+                "RSI参数优化",
+            ],
+        )
+
+    async def execute(self, context: Dict[str, Any]) -> SkillResult:
+        """Execute RSI mean reversion strategy generation"""
+        period = context.get("period", 14)
+        oversold = context.get("oversold", 30)
+        overbought = context.get("overbought", 70)
+
+        code = f'''
+def rsi_reversal_strategy(data, period={period}, oversold={oversold}, overbought={overbought}):
+    """
+    RSI均值回归策略
+    - Period: {period}日RSI计算周期
+    - Oversold: {oversold} (超卖阈值)
+    - Overbought: {overbought} (超买阈值)
+    Signals:
+      - RSI超卖时买入(1)
+      - RSI超买时卖出(-1)
+      - 持有(0)
+    """
+    import pandas as pd
+
+    delta = data["close"].diff()
+    gain = delta.where(delta > 0, 0)
+    loss = -delta.where(delta < 0, 0)
+
+    avg_gain = gain.rolling({period}).mean()
+    avg_loss = loss.rolling({period}).mean()
+
+    rs = avg_gain / avg_loss
+    data["rsi"] = 100 - (100 / (1 + rs))
+
+    data["signal"] = 0
+    data.loc[data["rsi"] < {oversold}, "signal"] = 1
+    data.loc[data["rsi"] > {overbought}, "signal"] = -1
+
+    data["position"] = data["signal"].shift(1)
+    return data
+'''
+        return SkillResult(
+            success=True,
+            data={
+                "strategy": "rsi_reversal",
+                "period": period,
+                "oversold": oversold,
+                "overbought": overbought,
+                "code": code.strip(),
+                "description": f"RSI均值回归: 周期{period}, 超卖{oversold}, 超买{overbought}",
+            },
+        )
+
+    def get_parameters_schema(self) -> Dict[str, Any]:
+        """Return parameter schema"""
+        return {
+            "type": "object",
+            "properties": {
+                "period": {
+                    "type": "integer",
+                    "description": "RSI计算周期",
+                    "default": 14,
+                },
+                "oversold": {
+                    "type": "integer",
+                    "description": "超卖阈值",
+                    "default": 30,
+                },
+                "overbought": {
+                    "type": "integer",
+                    "description": "超买阈值",
+                    "default": 70,
+                },
+            },
+        }

QuantNodes/agent/skills_quant/__init__.py

@@ -0,0 +1,14 @@
+# coding=utf-8
+"""QuantNodes quant-specific skills.
+
+Each subdirectory contains a SKILL.md following the HKUDS/nanobot
+skill convention (YAML front-matter + instruction body). These
+skills are auto-discovered by nanobot at startup via the
+`nanobot/skills/` integration; this __init__ merely makes the
+directory a proper Python package so that ``setuptools.find_packages``
+includes the SKILL.md files in the built sdist / wheel.
+
+See:
+- docs/14-上游nanobot升级指南.md
+- QuantNodes/agent/config_mapper.py (skills section)
+"""

QuantNodes/agent/skills_quant/backtest-analyze/SKILL.md

@@ -0,0 +1,42 @@
+---
+name: backtest-analyze
+description: 回测分析工作流 — 结果解读、归因分析、稳健性检验、问题诊断。
+---
+
+# Backtest Analysis
+
+驱动 QuantNodes 回测结果深度分析：绩效归因、归因分解、稳健性检验、潜在问题诊断。
+
+## 工作流
+
+1. **结果解读** — 从回测输出提取关键指标：年化、夏普、最大回撤、胜率、盈亏比
+2. **归因分析** — 调用 `factor_test` 配 `mode="attribution"` 分析收益来源（因子暴露/行业暴露/风格暴露）
+3. **稳健性检验** — 拆分不同年份/不同市场环境（牛市/熊市/震荡市）的子样本表现
+4. **换手率分析** — 调用 `backtest_run` 输出换手率/手续费占比，识别过度交易
+5. **过拟合检测** — 样本内外对比、参数微扰测试、Walk-forward 验证
+6. **未来函数检测** — 检查是否用到当日收盘价才能计算的字段
+7. **问题诊断** — 若回撤>30% 或夏普<1，调用 `quant_dream` 记录问题模式
+
+## 工具集
+
+| 工具 | 用途 |
+|------|------|
+| `backtest_run` | 单次回测 |
+| `config_backtest` | 配置驱动回测 |
+| `factor_test` | 因子归因（mode=attribution） |
+| `wiki_write` | 写入回测报告 |
+| `quant_dream` | 记录回测问题模式 |
+
+## 红旗指标
+
+- 样本外夏普衰减 > 50% → 严重过拟合
+- 最大回撤 > 30% → 风险过高
+- 胜率 < 40% 且盈亏比 < 1.5 → 策略不稳
+- 换手率 > 20%/月 → 交易成本可能侵蚀收益
+- 因子最大暴露 > 0.5 → 风格集中度过高
+
+## 反模式
+
+- 不要只展示样本内结果
+- 不要忽视手续费和滑点
+- 不要把运气当能力（短期高收益）

QuantNodes/agent/skills_quant/config-driven/SKILL.md

@@ -0,0 +1,72 @@
+---
+name: config-driven
+description: 配置驱动策略 — YAML 配置文件编写、配置验证、回测自动闭环。
+---
+
+# Config-Driven Strategy
+
+QuantNodes v2.x 引入的**配置即策略**工作流：LLM 编写 YAML 配置而非 Python 代码，
+自动闭环到 ConfigLoader → OperatorRegistry → ConfigBacktestRunner。
+
+## YAML 结构
+
+```yaml
+version: "1.0"
+name: "momentum_alpha_v1"
+
+data:
+  source: "clickhouse"  # or duckdb/mysql/csv/parquet
+  conn_ini: "conn.ini"
+  table: "quote.cn_stock"
+  date_column: "date"
+  code_column: "code"
+
+factors:
+  - name: momentum_20d
+    formula: "close / close.shift(20) - 1"
+
+operations:
+  - type: time_series
+    name: momentum_ma
+    category: ts_mean
+    inputs: [momentum_20d]
+    params: {window: 20}
+
+composite:
+  - name: alpha
+    formula: "momentum_ma"
+
+backtest:
+  start_date: "2020-01-01"
+  end_date: "2024-12-31"
+  initial_cash: 1000000
+```
+
+## 工作流
+
+1. **配置编写** — LLM 根据研究主题生成 YAML 配置（无需写 Python）
+2. **配置验证** — 调用 `config_backtest` 工具（带 `validate_only=true`），检查：
+   - 数据源可达
+   - 因子公式合法
+   - 算子在 OperatorRegistry 中可查
+3. **Agent 兜底** — 若算子不可表达，Agent 编写自定义算子补充
+4. **回测执行** — 调用 `config_backtest` 自动闭环：config → 代码生成 → 验证 → 回测
+5. **结果沉淀** — 调用 `wiki_write` 写入 Wiki（附 YAML 配置 + 回测结果）
+
+## 工具集
+
+| 工具 | 用途 |
+|------|------|
+| `config_backtest` | 配置驱动回测（核心） |
+| `wiki_write` | 写入配置和结果 |
+
+## 算子覆盖
+
+默认 OperatorRegistry 覆盖 162 个常用算子（OperatorVocab）。
+不可覆盖时 Agent 兜底写自定义算子。
+
+## 反模式
+
+- 不要在 YAML 中写 Python 代码（破坏配置驱动意义）
+- 不要依赖未注册的算子（必须先验证）
+- 不要忽略数据源配置（start with data section）

QuantNodes/agent/skills_quant/factor-research/SKILL.md

@@ -0,0 +1,40 @@
+---
+name: factor-research
+description: 单因子研究工作流 — 因子生成、有效性测试、相关性分析、Wiki 沉淀。
+---
+
+# Factor Research
+
+驱动 QuantNodes 单因子研究全流程：候选因子生成 → IC 测试 → 分组回测 → 相关性分析 → 写入 Wiki。
+
+## 工作流
+
+1. **生成因子候选** — 调用 `strategy_generate` 让 LLM 基于研究主题（动量/反转/质量/价值/波动率/...）生成 3-5 个因子公式
+2. **代码验证** — 调用 `pipeline_validate` 验证因子代码语法与数据依赖
+3. **单因子测试** — 调用 `factor_test` 跑 IC/ICIR/分组回测，得到 IC 序列、ICIR、分组收益表
+4. **相关性分析** — 调用 `factor_test` 配 `mode="correlation"` 检查新因子与已有因子库的相关系数（|r|>0.7 视为冗余）
+5. **沉淀 Wiki** — 调用 `wiki_write` 写入 Wiki 页面，附 IC 摘要 + 分组收益图 + 相关性矩阵
+6. **Dream 触发** — 若因子表现异常好（ICIR>3 或年化>30%），调用 `quant_dream` 工具追加洞察
+
+## 工具集
+
+| 工具 | 用途 |
+|------|------|
+| `strategy_generate` | NL → 因子公式代码 |
+| `pipeline_validate` | 语法/依赖验证 |
+| `factor_test` | IC/ICIR/分组回测/相关性 |
+| `wiki_write` | 写入 Wiki 页面 |
+| `quant_dream` | 追加 quant dream 洞察 |
+
+## 验收标准
+
+- IC 绝对值均值 > 0.03
+- ICIR > 0.5
+- 分组收益单调（top-bottom > 5%/年）
+- 与现有因子库 |r| < 0.7
+
+## 反模式
+
+- 不要跳过代码验证直接回测（浪费时间）
+- 不要在同一日期截面用未来数据（未来函数）
+- 不要忽略相关性分析（冗余因子）

QuantNodes/agent/skills_quant/quant-dream/SKILL.md

@@ -0,0 +1,55 @@
+---
+name: quant-dream
+description: 量化专属 Dream 钩子 — 因子/回测/策略洞察的自动沉淀与跨会话记忆。
+---
+
+# Quant Dream
+
+在 HKUDS nanobot 通用 Dream（记忆整合）之上叠加的**量化专属**反思层。
+挂在 nanobot 的 `AgentHook` 系统上，每个 session 结束后异步运行。
+
+## 触发条件
+
+每 N 轮对话后（或显式调用 `quant_dream_analyze` 工具）触发一次：
+- session 中包含因子公式关键词 (`alpha`, `factor`, `IC`, `rank`)
+- session 中包含回测关键词 (`backtest`, `sharpe`, `drawdown`)
+- session 中包含策略关键词 (`strategy`, `pipeline`, `weight`)
+
+## 分析内容
+
+1. **因子洞察** — 提取 IC 表现好的因子，反思构造逻辑
+2. **回测模式** — 记录过拟合/未来函数/手续费过高等问题模式
+3. **策略启发** — 跨策略对比，识别共同成功因素
+4. **风险事件** — 大回撤/极端行情下的策略表现
+5. **代码模式** — LLM 生成的常见代码 bug（除零/未来函数/look-ahead bias）
+
+## 输出
+
+写入 `.agent/memory/topic-quant-dream.md`（Markdown 索引格式）：
+
+```markdown
+### 2026-06-23 - factor_insight
+- momentum_20d 因子在 2020-2024 年化 18%, ICIR=1.2
+  - 构造: close / close.shift(20) - 1
+  - 适用: 中证 500 成分股, 调仓周期 5 日
+  - 失效条件: 极端反转市（2015-06, 2020-03）
+
+### 2026-06-23 - backtest_pattern
+- 样本外夏普衰减 > 50% 提示过拟合
+  - 案例: momentum_v3 样本内 2.1 → 样本外 0.8
+  - 修正: 缩短调仓周期至 5 日, 增加中性化
+```
+
+## 工具集
+
+| 工具 | 用途 |
+|------|------|
+| `wiki_write` | 写入 Wiki 页面（结构化） |
+| `wiki_query` | 检索历史 Dream 洞察 |
+| `quant_dream_analyze` | 显式触发分析 |
+
+## 频率控制
+
+- 默认: 每 10 轮对话触发一次（防过度反思）
+- 显式调用: 立即触发
+- 失败静默: 不打断主对话流

QuantNodes/agent/skills_quant/risk-management/SKILL.md

@@ -0,0 +1,45 @@
+---
+name: risk-management
+description: 风险管理 — 仓位控制、止损规则、组合分散、风险敞口监控。
+---
+
+# Risk Management
+
+驱动 QuantNodes 策略风险管理：仓位控制、止损规则、组合分散度、风险敞口监控。
+
+## 工作流
+
+1. **仓位规则** — 单票最大持仓、行业最大持仓、风格最大持仓（建议 5%/15%/30%）
+2. **止损规则** — 个股止损（-8%）、组合最大回撤止损（-15%）、波动率自适应止损
+3. **行业中性** — 调用 `factor_test` 配 `mode="industry_neutral"` 检查行业暴露
+4. **风格中性** — Barra 风格因子中性化（市值/价值/动量/波动率）
+5. **风险敞口** — 计算组合 beta、行业 beta、风格 beta
+6. **压力测试** — 模拟 2008/2015/2020 极端市场下的回撤
+7. **监控告警** — 调用 `quant_dream` 记录风险事件
+
+## 工具集
+
+| 工具 | 用途 |
+|------|------|
+| `factor_test` | 行业中性化、风格中性化 |
+| `backtest_run` | 压力测试回测 |
+| `config_backtest` | 风险参数扫描 |
+| `wiki_write` | 写入风险规则文档 |
+| `quant_dream` | 风险事件记录 |
+
+## 风险阈值（默认）
+
+- 单票最大持仓: 5%
+- 行业最大持仓: 15%
+- 风格最大暴露: 0.3 (标准化)
+- 个股止损: -8%
+- 组合最大回撤: -15%
+- 单日 VaR (95%): -2%
+- 最大杠杆: 1.0x
+
+## 反模式
+
+- 不要集中持仓（>10% 单票）
+- 不要无限加仓下跌股
+- 不要忽视相关性（看似分散实则集中）
+- 不要只看收益不看波动

QuantNodes/agent/skills_quant/strategy-design/SKILL.md

@@ -0,0 +1,43 @@
+---
+name: strategy-design
+description: 策略设计工作流 — 因子组合、权重优化、回测验证、参数敏感性。
+---
+
+# Strategy Design
+
+驱动 QuantNodes 策略设计全流程：因子筛选 → 组合方式 → 回测验证 → 参数敏感性 → Wiki 沉淀。
+
+## 工作流
+
+1. **因子组合方案** — 基于 `factor-research` 输出，调用 `strategy_generate` 让 LLM 设计 2-3 种组合方案（等权/IC 加权/最大化 ICIR）
+2. **Pipeline 验证** — 调用 `pipeline_validate` 验证整体 Pipeline 代码
+3. **沙箱执行** — 调用 `sandbox_validate` 检查代码安全（无 import 危险模块）
+4. **回测验证** — 调用 `backtest_run` 或 `config_backtest` 跑 3-5 年样本外回测
+5. **参数敏感性** — 修改关键参数（调仓周期/持仓数/止损），观察绩效变化
+6. **过拟合检测** — 样本内 vs 样本外对比；多空收益曲线对比；夏普衰减 < 30%
+7. **沉淀 Wiki** — 调用 `wiki_write` 写入策略页面，附参数表 + 收益曲线 + 回撤分析
+
+## 工具集
+
+| 工具 | 用途 |
+|------|------|
+| `strategy_generate` | NL → Pipeline 代码 |
+| `pipeline_validate` | Pipeline 语法/依赖验证 |
+| `sandbox_validate` | 代码安全检查 |
+| `backtest_run` | 快速回测（pipeline_code） |
+| `config_backtest` | 配置驱动回测（YAML） |
+| `wiki_write` | 写入策略 Wiki 页面 |
+
+## 验收标准
+
+- 年化收益 > 15%
+- 最大回撤 < 20%
+- 夏普比率 > 1.5
+- 样本外夏普衰减 < 30%
+- 调仓成本占比 < 30% 收益
+
+## 反模式
+
+- 不要在样本内做参数优化（过拟合）
+- 不要忽视交易成本（手续费+滑点）
+- 不要只看总收益不看回撤

QuantNodes/agent/templates/__init__.py

@@ -0,0 +1,4 @@
+# coding=utf-8
+"""
+Prompt模板目录
+"""