页面简介 · 1 / 29
简介
QuantCraft 是一个交易平台，也可用于使用 Python 创建、测试和改进算法交易策略。
它提供统一的工作流程，让您无需离开应用即可编写代码、配置测试、运行回测并查看结果。
如果您是 QuantCraft 的新用户，请从快速入门开始，并专注于以下核心循环：
- 创建或打开策略文件
- 编写策略逻辑和参数
- 使用选定的标的和日期范围运行/回测
- 查看日志、图表以及交易/绩效指标
- 调整并重新运行
QuantCraft 包含的内容（要点）
代码工作区
- 工作区布局：用于策略项目的文件/文件夹侧边栏
- 多标签页的 Python 编辑器
.py文件的 Save、Save As 以及导入/导出流程
Python 编辑器
- 使用 Python 编写策略
- 撤销/重做、查找/替换、格式化、主题/字体选项等编辑器工具
- 用于脚本所用库的依赖项（Packages 界面）
运行与回测
内置的策略运行时 API
- **策略生命周期**回调（
on_init、on_bar、on_tick、on_timer、on_finish） - 用于持仓、余额和盈亏行为的**账户模型**
- 用于市场 K 线和次级时间周期（
get_bar、Timeframe）的 OHLCV 与 K 线数据 - 用于报表级数据的**基本面数据**（如可用）
- 用于回测和前向运行中全球月度因子收益序列的 Fama-French 因子（Premium）
- 用于结果中图表叠加的**指标序列**
结果与诊断
QuantCraft AI（可选，但很有用）
- IDE 内的助手，可帮助解释、生成和编辑策略代码
- 支持模型选择和文件感知交互的聊天会话
首次使用前需要了解的内容
- QuantCraft 策略是在 QuantCraft 运行时环境中执行的 Python 脚本。
- 回测使用模拟的账户模型（模拟盘行为，而非真实券商执行）。
- 策略生命周期和数据模块（OHLCV、基本面数据、Fama-French 因子）是您的 API 约定。
- 输入参数是无需每次运行都修改代码即可调整数值的推荐方式。
- 在信任绩效之前，务必通过多次运行（不同标的/时间窗口）进行验证。
最简“首次成功”工作流程
1. 创建策略文件
2. 添加基础策略框架
- 定义生命周期回调
- 先从
on_init开始，然后实现 K 线/逐笔逻辑，最后在on_finish中汇总
3. 定义输入参数
- 添加
params，以便在回测界面中修改阈值/周期
4. 配置并运行回测
5. 检查结果
6. 迭代
- 完善入场、出场和风险逻辑
- 使用更改后的输入和更宽的测试窗口重新运行
必须理解的核心概念
策略生命周期
参见策略生命周期：on_init、on_bar/on_tick、可选的 on_timer、on_finish。
账户状态
您的策略使用账户模型（模拟投资组合）。请理解订单和持仓在运行过程中如何更新盈亏。
数据范围
OHLCV 驱动大部分技术逻辑。基本面数据是可选的，并且可能因标的而异。请明确数据假设和预热期。
输入与可复现性
使用输入参数来保证实验一致。
- 比较策略修订版本时，保持运行条件不变。
可靠使用的实用规则
- 从简单开始；只有在基础逻辑稳定后才增加复杂度。
- 记录关键决策（入场/出场原因），以便调试。
- 不要仅凭单一标的或较短的日期范围进行评估。
- 确认图表叠加与实际交易行为一致。
- 在经过压力测试之前，将异常出色的回测结果视为可疑。
需要避免的常见错误
- 把所有逻辑写在一个回调中，缺乏清晰的状态处理
- 将可调常量硬编码，而不是使用输入参数
- 在计算信号前忽略预热期和数据就绪情况
- 过度拟合单一市场环境或狭窄的日期范围
- 不检查回撤和交易分布就轻信表面收益
何时使用 QuantCraft AI
在需要以下帮助时使用 AI：
- 重构杂乱的策略代码
- 添加参数化和更清晰的结构
- 解释回调流程中的缺陷
- 生成指标/入场/出场的代码框架
不要盲目依赖 AI 的输出——务必在回测中运行并验证。
阅读本文档后您应达到的效果
按顺序阅读文档后（另请参阅参考），您应当能够：