pengpengyi92/dsh-quant

🐳 dsh-quant — 万物皆插件的量化操作系统

📣 公告归档：2026-09-01 X 开源发布文案

🌐 站点：https://dsh-quant-site.pages.dev · ✅ 已收录于 awesome-dsh-plugin（通过 dsh-market 一键安装）

npm
downloads
stars
site
license
ci
dsh-plugin

面向所有量化环节的 AI 原生 & DSH 原生量化工具箱 — 59 个工具 · 6 大领域
（数据 / 因子 / 机器学习 / 风险 / 执行 / 生态）· 一条端到端 PDAT→PET
研究流水线。方法开源，机密内部保留。

🧩 核心理念：万物皆插件（量化版）

dsh 的理念是万物皆插件；dsh-quant 将其带入量化领域——
把内部五大团队范式（PDAT → PAAT → PCPT → PRT → PET）
开源为五个可插拔模块：

data plugin   dsh-data      行情数据 / 数据源 / 数据质量  ← 接入 Binance 或你自己的数据
alpha plugin  dsh-alpha     指标 / 因子 / 评估            ← 编写你自己的因子（内部因子保持私有）
model plugin  dsh-ml        回测 / ML/DL/RL 框架          ← 训练你自己的模型（内部研究保持私有）
risk plugin   dsh-risk      VaR / 回撤 / 期权 / 债券       ← 设定你自己的风险限额
exec plugin   dsh-execution 模拟执行 / 基金 / 报告         ← 构建你自己的交易系统（模拟盘或实盘）

- 开源的是范式：模块如何组合、合约如何定义
（空值对齐 / 无未来函数 / 手工计算测试）、结果如何验证——
而非内部机密
- 由你来填充：产品能力 = UI + 策略 + 数据接口 + DL/RL
模型 + 交易系统构建，全部自行组装，全部插件化
- 无限自我进化：用你的模块填充框架 → 运行模拟盘/实盘
→ 将成果回馈生态——这就是 dsh-quant

插件征集提案：Issue #27（五大模块 × 众多插件） — PDAT 插件、PET 插件，任何你能想象的东西 🐋
🤖 AI 原生是刻意为之（设计声明）

dsh-quant 的主要使用者是智能体（模型），而非人类——这是从第一天起就刻意做出的选择：

- 工具 schema 被注入系统提示词——每一份契约（参数 / 输出 / 对齐规则）都从模型的视角撰写
- 等长 null 对齐——输出与输入长度一致；开头的窗口位置为 null，因此模型按索引对齐，绝不填充
- 规范 JSON + 渲染分离——机器读取结构，人类阅读文字
- 全部 isConcurrencySafe——纯函数，无共享状态；智能体可以并行调用全部 59 个工具而互不干扰
- 技能层——skill/quant-research 让模型自行加载工作流

完整声明：Issue #14“AI 原生是刻意为之”。

🐍 为什么几乎没有 Python？

一个常见问题：一个量化项目却没有 .py 文件？答案：0 个 Python 文件，21 个 TypeScript 源文件，零运行时依赖——这是刻意的：

- dsh-quant 是一个 dsh 插件，运行在 harness 的 Node 运行时内：与智能体同一进程，可由 Loader 组合，注册可逆（HMR 安全）——TypeScript 是唯一自然的选择
- 在需要 Python 的地方（akshare / tushare / baostock），使用渠道知识库（quant_data_guide，15 个渠道）：dsh 自带 shell / subprocess 能力，因此由智能体决定是否启动 Python——dsh-quant 不携带任何运行时
- 所有数值方法（指标 / 回测 / 期权 / 债券）都是带有手工计算基线的纯函数：零依赖，可离线验证，npm test 在任何地方都能通过

一个目标：打造最易用的 AI 原生量化仓库 🐋

59 个 quant_ 工具 · 6 个领域 · 215 个单元测试 · 零运行时依赖。完整定位：置顶 Issue #9。

🤖 致来访的智能体

来到本仓库的智能体：请从 AGENTS.md（根目录，会被 Copilot / Claude Code / dsh 自动读取）开始，然后是闭环示例 plugin/CASE_STUDY.md 或 Discussion #38，以及一目了然的契约 mcp/AGENT_GUIDE.md。

快速安装（dsh 用户）

npm i dsh-quant

在你的 cordis.yml 中添加一行：

- name: 'dsh-quant'

59 个工具自动注册——指标 / 回测 / 因子 / 风险 / 基金模拟 / 生态指标开箱即用。一个 quant_research_pipeline 即可运行整条 PDAT→PET 链路。ML/DL 知识：docs/ML_GUIDE.md；可执行演示：npx tsx demos/ml-workflow.ts。

🚀 产品体验：三分钟跑通完整量化流水线

安装后即可体验完整的 PDAT→PET 流程（BTC 公开数据 + 简单策略 + 回测 + 模拟交易）：

data(quant_market_fetch) → quality(quant_data_quality) → factors(quant_factor_evaluate)
→ backtest(quant_backtest) → metrics(quant_metrics) → risk(quant_risk)
→ drawdown(quant_drawdown) → paper sim(quant_execute_sim) → fund sim(quant_fund)
→ report(quant_report)

一行代码：quant_research_pipeline(symbol=BTCUSDT, limit=120) 一次调用返回所有内容。

然后向每个模块插入你自己的插件（数据源 / alpha / 模型 /
风控 / 执行 —— 一切都是插件，提案见 Issue #27）。

带注释的五步演练：docs/ONBOARDING.md ·
Agent 速览指南：mcp/AGENT_GUIDE.md

🖥️ UI 工作台 (dsh-quant-ui)

dsh-quant UI

dsh-quant-ui：K 线图 + 均线
叠加 + 交易标记、净值曲线、基金 NAV / 管理费 / 业绩报酬
卡片、指标选择器 —— 外加一只游泳的 Q 版鲸鱼 🐋（点击标题 3 次）。

在线演示：https://dsh-quant-ui.pages.dev

⌨️ CLI (dsh-quant 终端)

零依赖、可读性强的终端（纯 Node + ANSI，与
P-Research CLI 相同的理念）。无需浏览器即可浏览研究栏目和实时市场数据：

node cli/main.mjs repo                      # 59 个工具 · 6 个领域
node cli/main.mjs history                   # 53 个机构档案索引
node cli/main.mjs history citadel           # 单个机构的档案（已渲染）
node cli/main.mjs history --reports         # ANALYSIS / TIMELINE / LINEAGE / BANK_LINEAGE
node cli/main.mjs history --search 高频      # 跨档案搜索
node cli/main.mjs kline BTCUSDT --limit 20  # 彩色 OHLC 表格 + 统计
node cli/main.mjs browse                   # 交互式 TUI：方向键浏览机构

执行 npm install -g . 后，命令可简写为 dsh-quant repo、
dsh-quant history citadel 等。

工具

| 工具 | 参数 | 规范输出 | 首个有效索引 |
|---|---|---|---|
| quant_data_compare | dataType（例如 "financials"/"daily bars"） | { dataType, channels: [{ name, cost, covers, bestFor }] }（覆盖优先） | — |
| quant_data_advice | dataType + budget（free/low/institutional）+ purpose（research/backtest/official） | { recommendations: [{ rank, name, reason }] }（决策树排序） | — |
| quant_series_stats | values: number[] | { count, mean, std, min, max, median, skew, kurtosis, autocorr1, annualizedVol, totalReturnPct } | —（获取数据后的第一步） |
| quant_var_backtest | returns + varSeries + confidence=0.95 | { failures, expected, lrStat, pValue, passed, periods }（Kupiec POF 检验） | —（VaR 模型的基准真相） |
| quant_option | spot + strike + timeToMaturity + riskFreeRate + type + volatility/price 中恰好一个 | { price, impliedVolatility, delta, gamma, vega, theta, rho, … } | —（受 Optiver 启发：BS 定价 + 五个希腊字母 + IV 求解） |
| quant_volatility | close: number[] + annualization=252 | { annualized, perPeriod, n, logReturns(aligned) } | —（已实现波动率；RV-vs-IV 研究的入口） |
| quant_bond | couponRate + periodsToMaturity + paymentsPerYear? + 恰好一个 ytm/price | { price, yieldToMaturity, macaulayDuration, modifiedDuration, convexity, dv01, … } | —（FICC 链接：定价/久期/凸性/DV01，教科书式折现） |
| quant_drawdown | equity: number[] | { underwater(aligned), maxDrawdownPct, currentDrawdownPct, periods(peak/trough/recovery/depth/duration), ongoing } | —（回撤事件分析） |
| quant_resample | candles + period（week=7 bars/month=30 bars） | { candles }（OHLCV 聚合，24/7 市场） | — |
| quant_report | strategy/metrics/risk/factor/fund（模块输出） | { report }（Markdown 研究报告） | —（研发结论汇总） |
| quant_repo_stats | owner + repo | { stars, forks, watchers, openIssues, openPullRequests, topics, latestRelease, … }（公共 GitHub API，无需凭据） | —（生态系统数据） |
| quant_npm_stats | pkg | { latest, weeklyDownloads, monthlyDownloads, description, … }（npm registry + downloads API） | —（生态系统数据） |
| quant_oss_pulse | stars + downloadsWeekly? + starsPrevious? + openIssues? + openPullRequests? + daysSinceRelease? | { score(0-100), grade(A-D), components, suggestions, summary } | —（开源影响力评分；缺失输入按中性 50 分计） |
| quant_stress_test | weights + betas + assetVolsPct + correlation=0.6 | { weights, scenarioLossesPct, worstScenario, maxLossPct, portfolioVolPct, notes } | —（崩盘/流动性/波动情景下的组合损失） |
| quant_risk | returns（小数序列） + benchmarkReturns? + confidence=0.95 | { var95, cvar95, downsideDeviation, maxDrawdownPct, beta, alpha, informationRatio, trackingError, periods } | —（核心风险模块） |
| quant_fund | equityCurve + initialCapital=1e8 + managementFeeRate=0.02 + performanceFeeRate=0.2 | { initialCapital, finalNavNet, finalAum, peakNav, peakAum, gross/netReturnPct, fees, navNet } | —（量化对冲基金模拟：NAV 从 1.00 开始，每日管理费，20% 高水位业绩费） |
| quant_metrics | equityCurve + trades? | { totalReturnPct, maxDrawdownPct, sharpe, annualizedVol, calmar, sortino, winRate, profitFactor, avgPeriodReturnPct, tradeMetrics }（必需三项：收益/回撤/夏普） | —（用于 UI 选择器的 METRIC_CATALOG） |
| quant_chart | kind（candles/series/annotations） + 匹配数据 | 结构化图表数据（dsh-chart 协议：candles+overlays+markers / 多序列 / 注释视图） | —（UI 路由数据平面） |
| quant_execute_sim | close + orders[{index, side, quantity?/valueFraction?}] + initialCash? + feeRate? + slippageBps? + latencyBars? | { fills, equityCurve, finalEquity, totalReturnPct, totalFee, totalSlippageCost, tradeCount, unfilledCount, cash, position } | —（执行框架，无实盘交易） |
| quant_trading_cost | quantity + price + commissionRate=0.001 + spreadBps=5 + annualVolPct=30 + dailyAdv? + participationRate=0.01 | { totalCostBps, commissionBps, slippageBps, impactBps, notional, notes } | —（佣金 + 滑点 + 市场冲击） |
| quant_trade_quality | fills（来自 quant_execute_sim）+ unfilledOrders? + holdingPeriodBars? | { orders, fills, fillRate, totalSlippageCost, avgSlippageBps, avgHoldingBars, buys, sells, avgFillValue, notes } | —（执行质量：模拟 → 实盘预期） |
| quant_research_pipeline | symbol? + interval? + limit? + provider? + candles? + strategy/fund params | { candles, quality, stats, metrics, risk, drawdown, fund, factor, report, charts } | —（一键式 PDAT→PET 研究） |
| quant_factor_evaluate | factorValues + forwardReturns（factor[i] 预测 ret[i+1]）+ quantiles=5 + window=20 + decayHorizons=5 | { ic, rankIc, icDecay, icir, icSeries, quantileReturns, longShort, turnover, autocorr1, n }（alphalens 集合 + RankIC/IC 衰减） | — |
| quant_factor_neutralize | factorValues + groups? + styleFactors? + method? | { values(standardized), method, groupCount, styleCount, rSquared } | —（分组 z-score / OLS 残差中性化） |
| quant_walk_forward | returns + features[][] + trainWindow + testWindow + step? | { predictions(null-aligned), oosIc, oosRankIc, oosCount, windows, trainR2Mean } | —（滚动训练 / 样本外，无前视偏差） |
| quant_rebalance_schedule | driftPerPeriod + costPerRebalance + maxFrequency=60 | { frequencies, totalCosts, bestFrequency, bestCost, costBreakdown, notes } | —（漂移 vs 成本：最优再平衡频率） |
| quant_parameter_sensitivity | baseValue + range=0.2 + steps=9 + metricValues? | { paramName, values, metricValues, baseValue, robustness, bestValue, bestMetric, worstMetric, notes } | —（网格稳健性：平台区 vs 针尖式） |
| quant_linear_model | X(samples×features) + y + lambda? + predictX? + yTest? | { intercept, weights, lambda, trainR2, n, predictions?, testR2?, testIc? } | —（独立 OLS/Ridge 拟合与预测） |
| quant_factor_correlation | factors（等长）+ factorNames? + threshold=0.7 | { factorNames, correlationMatrix, highCorrelationPairs, meanAbsCorrelation, effectiveFactorCount, notes } | —（因子冗余：合并前先去重） |
| quant_factor_combine | factors: number[][]（等长）+ weights? | { signal(rank 0..1), effectiveWeights, factorCount } | —（z-score 加权 + 横截面排名） |
| quant_ic_decay | factor + returns（等长）+ maxHorizon=10 | { horizons, icByHorizon, halfLife, bestHorizon, peakIc, peakHorizon, signalType, notes } | —（IC 衰减：信号保质期 → 再平衡频率） |
| quant_layered_backtest | factor + returns（时间×资产矩阵）+ layers=5 + horizon=5 + feeRate=0.001 | { layers, topEquity, bottomEquity, longShortEquity, topReturnPct, bottomReturnPct, longShortReturnPct, rebalances, layerMeanReturnPct, notes } | —（分位数分层回测：因子 → 策略草图） |
| quant_series_quality | values: number[]，jumpThreshold=0.2 | { count, missingCount, zOutliers, jumps, longestConstantRun, healthy } | —（序列级质量） |
| quant_data_annotate | values: number[]，jumpThreshold=0.2 | { count, annotations: [{index, label, severity, detail}], summary } | —（点级标注，向 Scale AI 致敬） |
| quant_data_quality | candles（quant_market_fetch 输出） | { count, highBelowLow, nonPositive, timeNotIncreasing, timeGaps, extremeMoves, healthy } | —（分析前健康检查） |
| quant_deflated_sharpe | observedSharpe + numPeriods + numTrials=1 + skewness? + kurtosis? | { observedSharpe, minSignificantSharpe, deflatedSharpe, significant, pValue, notes } | —（Bailey & López de Prado 过拟合调整夏普比率） |
| quant_data_pit | values: (number\|null)[] + channels? | { healthScore, pit{pass, lookAheadIndices, notes}, survivorship{continuous, gaps, tailTruncated}, channels[] } | —（AI 基础设施质量：时点 / 幸存者偏差 / 通道可靠性） |
| quant_channel_guide | channel（例如 "akshare"）+ check? + hasCredentials? | { channel, displayName, steps[], prerequisites[], example, fallback, readiness? } | —（面向智能体的通道接入指南 + 就绪检查） |
| quant_data_guide | query（通道名称/数据类型，例如 "tushare"/"financials"）或 channel（精确名称） | { query, results: [{ name, url, cost, dataTypes, setup, tutorialUrls, bestFor, … }] } | —（内置 15 通道数据知识库：A 股/美股/债券 + dsh 生态数据插件） |
| quant_market_fetch | symbol: string（例如 BTCUSDT / sh600000 / AAPL），interval: 1m…1M，limit: 1-1000，provider: binance/okx/bybit/sina/tencent/yahoo | { symbol, interval, provider, candles: [{openTime, open, high, low, close, volume}] } | — |
| quant_sma | values: number[]，window: integer | { values: (number\|null)[], window } | 索引 window-1 |
| quant_ema | values: number[]，window: integer | { values: (number\|null)[], window } | 索引 window-1（种子 = 首个窗口均值，alpha = 2/(w+1)） |
| quant_rsi | values: number[]，window: integer = 14 | { values: (number\|null)[], window } | 索引 window（Wilder 平滑） |
| quant_macd | values: number[]，fast=12，slow=26，signal=9 | { macd, signal, histogram }（等长） | macd：slow-1；signal/histogram：slow+signal-2 |
| quant_bollinger | values: number[]，window=20，multiplier=2 | { upper, middle, lower, window, multiplier } | 索引 window-1（总体标准差） |
| quant_atr | high/low/close: number[]，window=14 | { values: (number\|null)[], window } | 索引 window（Wilder 平滑） |
| quant_kdj | high/low/close: number[]，window=9 | { k, d, j }（等长） | 索引 window-1（RSV 方法，K/D 初始值为 50） |
| quant_williams_r | high/low/close: number[]，window=14 | { values: (number\|null)[], window } | 索引 window-1（范围 -100..0） |
| quant_cci | high/low/close: number[]，window=20 | { values: (number\|null)[], window } | 索引 window-1（±100 超买/超卖） |
| quant_obv | close/volume: number[] | { values: number[] } | 所有位置（第一个值为 0，无 null） |
| quant_adx | high/low/close: number[]，window=14 | { adx, plusDi, minusDi, window } | ±DI：索引 window；ADX：索引 2window-1 |
| quant_roc | values: number[]，window=12 | { values: (number\|null)[], window } | 索引 window |
| quant_backtest | close: number[]，fast=10，slow=30，feeRate=0.001，stopLoss?，takeProfit? | { totalReturnPct, maxDrawdownPct, sharpe, position, equityCurve, trades(with exitReason) } | 首次确认交叉后的下一根 K 线进行第一笔交易 |
| quant_backtest_bollinger | close: number[]，window=20，multiplier=2，feeRate=0.001，stopLoss?，takeProfit? | 相同（在上轨突破时买入，在中轨下穿时卖出） | 首次确认突破后的下一根 K 线 |
| quant_backtest_rsi | close: number[]，rsiWindow=14，buyBelow=30，sellAbove=70，feeRate=0.001，stopLoss?，takeProfit? | 相同（RSI 上穿 buyBelow 时买入，下穿 sellAbove 时卖出） | 首次确认信号后的下一根 K 线 |
| quant_backtest_portfolio | assets: [{name, close}]，weights?，rebalanceEvery?，feeRate=0.001 | { totalReturnPct, maxDrawdownPct, sharpe, equityCurve, assetNames, finalWeights, rebalances } | —（多资产组合） |
| quant_portfolio_optimize | returns（时间×资产矩阵）+ method=maxSharpe\|minVar\|riskParity + iterations? | { method, weights, annualReturnPct, annualVolPct, sharpe, assetSharpe, concentration } | —（权重优化器；将结果传给 quant_backtest_portfolio） |
| quant_attribution | returns（时间×资产）+ weights（总和为 1）+ factorExposures? [time][asset][factor] | { totalReturnPct, assetContributionsPct, assetContribShares, factorContributionsPct, residualPct, factorR2, notes } | —（组合归因：收益来自哪里） |
| quant_backtest_grid | close: number[]，fastMin=3，fastMax=10，slowMin=10，slowMax=30，feeRate=0.001 | { results(sorted by return desc), best, fastRange, slowRange, feeRate } | —（网格搜索；跳过 fast >= slow） |

典型链路（模型视角）

quant_market_fetch(symbol: BTCUSDT, interval: 1d, limit: 100)
→ take close → quant_sma / quant_ema / quant_rsi / quant_macd / … → quant_backtest

已实盘验证：真实 Binance 日线数据 → 指标 → 回测（fast 5 / slow 20）端到端。

回测契约
- 双均线交叉：当快线 SMA 上穿慢线 SMA 时全仓买入，当快线下穿慢线时清仓；
信号在 i 号 bar 确认，并在 i+1 号 bar 收盘时成交
（无前视偏差）。
- 手续费按名义金额双边收取（每边 feeRate）。
- 未平仓的尾部持仓：最后一笔交易的 exitIndex/exitPrice/returnPct 为 null。
- position 和 equityCurve 与输入长度一致；权益已归一化（从 1 开始）；
夏普按日频年化（√365）。

对齐约定

- 所有输出与输入等长；开头未进入窗口的位置为
null —— 模型按索引对齐，无需填充。
- 空序列或 window > 序列长度 是合法结果（全为 null），
不是错误。
- 非有限数值（NaN/Infinity）会在注册表的无损 JSON
参数快照层（模型的 JSON 边界）被拒绝，永远不会到达 execute。
- 约束条件（window ≥ 1 的整数、macd fast  0）在 execute 中手工检查；抛出的错误会通过注册表
变为 isError 结果。

契约（defineTool）

- 参数使用统一的 schema DSL，在 execute 之前由 defineTool 校验
（类型 / 必填 / 整数）。
- execute 只返回规范 JSON 值；output.render 生成
面向模型的文本。
- 每个工具都是 isConcurrencySafe: true —— 纯函数、无共享状态、无副
作用、可并行调度。
- 注册是可逆副作用：ctx.tools.register 返回一个 disposer；
fiber 销毁时注销。

模型体验

模型看到的内容

每个工具的名称/描述/JSON schema 都会注入到系统提示词组装中
（ctx.systemPrompt.tools()）。描述中说明了对齐规则（哪些头部
位置为 null），因此模型无需猜测。

Token 影响

每个工具占用一个固定的 schema 块；调用结果按渲染内容计费。
null 对齐设计避免了模型反复请求填充。

KV 缓存影响

schema 前缀是稳定的（只要工具集和顺序不变即可复用）；
结果追加在可复用前缀之后。

发布历史（NEWS）

| 版本 | 日期 | 备注 |
|---|---|---|
| 0.90.0 | 2026-08-23 | HIGHFLYER_SPECIAL —— 双引擎之王（量化基金 AGI、DeepSeek $45B、Wenfeng 世界 AI 首富），共 50 篇报告 |
| 0.89.0 | 2026-08-23 | UBIQUANT_SPECIAL —— 中国 AI 转型深度剖析（WorldQuant 血统、IQuest-Coder 40B 开源、颠覆性范式），共 49 篇报告 |
| 0.88.0 | 2026-08-22 | quant_trading_cost + quant_rebalance_schedule —— 成本门槛 + 漂移/成本优化器（59 个工具，215 个单元测试） |
| 0.87.0 | 2026-08-22 | 验证工具 ×4 —— factor_correlation / deflated_sharpe / stress_test / parameter_sensitivity（57 个工具，210 个单元测试） |
| 0.86.0 | 2026-08-22 | 桥接工具 ×3 —— quant_layered_backtest / quant_trade_quality / quant_attribution（53 个工具，200 个单元测试） |
| 0.85.0 | 2026-08-22 | quant_ic_decay + quant_portfolio_optimize（50 个工具，193 个单元） |
| 0.84.0 | 2026-08-22 | AI-infra 数据模块 ×4 — quant_data_pit / quant_channel_guide / CLI 质量 / chain-loop（48 个工具，186 个单元） |
| 0.83.0 | 2026-08-22 | quant_factor_neutralize 修复 + 5 个基线（46 个工具，179 个单元） |
| 0.82.0 | 2026-08-22 | TYO_QUANT — 东京日元利率中心普查（约 9 家公司，3000 万美元人才战，Capula 据点），共 48 份报告 |
| 0.81.0 | 2026-08-20 | CHI_QUANT — 芝加哥做市城市普查（约 14 家公司，交易所基因，UChicago 输送管道，Citadel 出走），共 47 份报告 |
| 0.80.0 | 2026-08-20 | QUANT_PEOPLE_CN + QUANT_PEOPLE_GLOBAL — 第 101 期发布量化从业人数估算（中国约 3-5 万，4 城约 2.5-3.8 万，全球约 8-12 万），共 46 份报告 |
| 0.79.0 | 2026-08-20 | QUANT_WORLD_MAP — 第 100 期发布特辑：全球量化世界地图（5 城轴线，9 条路径，人才树，4 城普查综合），共 44 份报告 |
| 0.78.0 | 2026-08-20 | NYC_FOREIGN_QUANT — 纽约对冲基金宇宙普查（约 28 家公司，12 个总部，CT 郊区暗核，纽约-伦敦双城），共 43 份报告 |
| 0.77.0 | 2026-08-20 | LDN_FOREIGN_QUANT — 伦敦全球量化中心普查（约 30 家公司，12 个总部，四城对比），共 42 份报告 |
| 0.76.0 | 2026-08-20 | SG_FOREIGN_QUANT — 新加坡外资量化普查（约 20 家公司，加密/做市/家族办公室边缘，香港双城对比），共 41 份报告 |
| 0.75.0 | 2026-08-20 | HK_FOREIGN_QUANT — 香港外资量化普查（约 26 家公司，5 个类别，中心 vs 分支，2025-26 扩张潮），共 40 份报告 |
| 0.74.0 | 2026-08-20 | QRT_SPECIAL — 数据之王深度剖析（瑞士信贷管理层收购，10 年 420 亿美元，Dao China 10 倍/98%），共 39 份报告 |
| 0.73.0 | 2026-08-20 | TWOSIGMA_SPECIAL — 机器学习先驱深度剖析（DE Shaw 衍生旗舰，数据优先，双创始人治理危机），共 38 份报告 |
| 0.72.0 | 2026-08-20 | DESHAW_SPECIAL — 摇篮之王深度剖析（计算金融起源，DE Shaw 黑帮，Anton 超级计算机），共 37 份报告 |
| 0.71.0 | 2026-08-20 | RENAISSANCE_SPECIAL — 黑箱之王深度剖析（Simons 的三次转折，Medallion 66%/30 年，1000 亿美元以上利润），共 36 份报告 |
| 0.70.0 | 2026-08-20 | WORLDQUANT_SPECIAL — alpha 工厂深度剖析（BRAIN 众包，1 亿个 alpha，IQC，101 Alphas），共 35 份报告 |
| 0.69.0 | 2026-08-20 | SIG_SPECIAL — 扑克之母深度剖析（概率操作系统，字节跳动 15,000 倍，人才树之根），共 34 份报告 |
| 0.68.0 | 2026-08-20 | CITADEL_SPECIAL — 规模之王深度剖析（基金+做市双引擎，160 亿美元峰值年，迈阿密总部），共 33 份报告 |
| 0.67.0 | 2026-08-19 | XTX_SPECIAL — 人均生产力之王深度剖析（每人 1400 万英镑，六大秘诀），共 32 份报告 |
| 0.66.0 | 2026-08-19 | SHOWDOWN_CN_GLOBAL — 六维中国 vs 全球对决（+ 透明度倒置），共 31 份报告 |
| 0.65.0 | 2026-08-19 | LISTED_QUANT — 上市量化普查（Virtu/Flow/Man + Knight 死亡链条），共 30 份报告 |
| 0.64.0 | 2026-08-19 | CAPITAL_MODEL — 外资资本结构普查（自营/募资/混合），共29份报告 |
| 0.63.0 | 2026-08-19 | POD_PLATFORM — pod-shop 收官之作（5个角度 + dsh 同构），共28份报告 |
| 0.62.0 | 2026-08-19 | BALYASNY_SPECIAL — 第六家公司深度剖析（Schonfeld 传承 + 2018年减半 + 重建），共27份报告 |
| 0.61.0 | 2026-08-19 | MILLENNIUM_SPECIAL — 第五家公司深度剖析（pod 联邦 + 中国人才根源），共26份报告 |
| 0.60.0 | 2026-08-19 | POINT72_SPECIAL — 第四家公司深度剖析（SAC 重生 + Cubist + 14个办公室），共25份报告 |
| 0.59.0 | 2026-08-19 | OPTIVER_SPECIAL — 第三家公司深度剖析（荷兰名称 + Ready Trader Go + 工具传承），共24份报告 |
| 0.58.0 | 2026-08-19 | JANE_STREET_SPECIAL — 第二家公司深度剖析（SIG 三人组 + OCaml 文化），共23份报告 |
| 0.57.0 | 2026-08-19 | IMC_SPECIAL — 首个公司深度剖析特辑（办公室编年史 + Prosperity），共22份报告 |
| 0.56.0 | 2026-08-19 | QUANT_VENDORS_CN — 中国的“卖铲子”层（Kafang/RQAlpha/jqdatasdk），共21份报告 |
| 0.55.0 | 2026-08-19 | FOREIGN_CN_MAP_V2 — 完全核实的外资在华地图（7家 PFM，2024-2026年第二波），共20份报告 |
| 0.54.0 | 2026-08-19 | 上海引力 + 外资在华地图 — SHANGHAI_GRAVITY + FOREIGN_CN_MAP，共19份报告 |
| 0.53.0 | 2026-08-19 | 量化地图 ×2 — QUANT_MAP_CN + QUANT_MAP_GLOBAL（以城市为中心），共17份报告 |
| 0.52.0 | 2026-08-19 | 办公室地图 ×2 — OFFICE_CN + OFFICE_GLOBAL，共15份报告 |
| 0.51.0 | 2026-08-19 | 签名百科全书 ×2 — SIGNATURES_CN + SIGNATURES_GLOBAL，共13份报告 |
| 0.50.0 | 2026-08-19 | 年龄编年史 ×2 — AGE_CN（2004-2022）+ AGE_GLOBAL（1783-2018），共11份报告 |
| 0.49.0 | 2026-08-19 | D级研究报告 ×4 — REGULATION / TALENT_MAP / STAR_PRODUCTS / QUANT_AI（共9份报告） |
| 0.48.0 | 2026-08-19 | 5份跨境档案 — Tengsheng/Inshiman/Yuansheng/GSR/Eisler（94家公司） |
| 0.47.0 | 2026-08-19 | 8份中国 Lite 档案 — Kaifeng/Honghu/Egret/Zhuoshi/Hande/Niankong/Mengxi/Xinhong（89家公司） |
| 0.46.0 | 2026-08-19 | 7份中国 Lite 档案 — Shenyi/Jasper/Liyi/Bodao/Zunjia/Qianyi/Pingfanghe（81家公司） |
| 0.45.0 | 2026-08-19 | 3份中国 Lite 档案 — Tianyan/Aifang/Maoyuan（74家公司） |
| 0.44.0 | 2026-08-19 | 10份中国 Lite 档案 — Zhicheng/Qianxiang/Blackwing/Inno/LongQi/JoinQuant/Evolution/Sixie/Bridgewater-CN/Beyang（71家公司） |
| 0.43.0 | 2026-08-19 | 金牛奖特辑 — 12年量化获奖者（2014-2025）+ 档案交叉分析 |
| 0.42.0 | 2026-08-19 | 5份 Lite 档案 — Hongxi/Mingshi/Wenbo/Luoshu/Pansong（61家公司）+ 成立日期回填 |
| 0.41.0 | 2026-08-19 | 双模式尽调（Deep/Lite）+ 3份 Lite 档案 — ChaoQuanZi/YanSheng/Banyang（56家公司） |
| 0.40.0 | 2026-08-19 | 尽调标准 v1 + 中国批次1重新尽调（九节格式，待核实清单） |
| 0.39.0 | 2026-08-19 | 中国批次2 — Zhixing Tongda/Chengqi/Ruitian/KuanDe/Lingjun/Xiaoyong（53家公司，WorldQuant 传承） |
| 0.38.0 | 2026-08-17 | 银行/券商谱系报告——13 家公司，两波浪潮，三代传承 |
| 0.37.0 | 2026-08-17 | 中国批次 1——幻方/九坤/明汯/衍复/世纪前沿（47 家公司） |
| 0.36.3 | 2026-08-17 | AGENTS.md 互动循环——完整愿景 + 询问你的人类 CTA |
| 0.36.2 | 2026-08-17 | AGENTS.md + CLAUDE.md 智能体入门 |
| 0.36.1 | 2026-08-17 | 五槽闭环案例研究 + 10 个可供给候选 |
| 0.36.0 | 2026-08-17 | plugin/ 五槽外部插件库（22 个仓库与 MCP） |
| 0.35.2 | 2026-08-17 | 品牌口号 🐳 Dsh-Quant——万物皆插件的量化操作系统 |
| 0.35.1 | 2026-08-17 | 完整英文 README |
| 0.35.0 | 2026-08-17 | 核心用户体验：PDAT→PET 入门（BTC 示例）+ mcp/AGENT_GUIDE |
| 0.34.0 | 2026-08-17 | 量化谱系报告（五大母舰） |
| 0.33.0 | 2026-08-17 | 宏观传奇批次（42 家公司）+ 首份数据分析报告 |
| 0.32.0 | 2026-08-17 | 系统化欧洲批次（37 家公司） |
| 0.31.0 | 2026-08-17 | 做市与加密批次，含 Alameda 失败案例（32 家公司） |
| 0.30.0 | 2026-08-17 | QRT/Capula/Winton/DRW/Tower 批次（27 家公司） |
| 0.29.0 | 2026-08-17 | SIG + 量化编年史时间线（22 家公司） |
| 0.28.0 | 2026-08-17 | Balyasny/IMC/XTX/Five Rings + DE Shaw 增强（21 家公司） |
| 0.27.0 | 2026-08-17 | Man Group/AQR/GSA/Bridgewater 批次（17 家公司） |
| 0.26.0 | 2026-08-17 | Two Sigma/Virtu/DE Shaw/Renaissance 批次（13 家公司） |
| 0.25.0 | 2026-08-17 | HRT/Point72/Squarepoint 批次（9 家公司） |
| 0.24.0 | 2026-08-17 | Millennium/WorldQuant/Jump 批次（6 家公司） |
| 0.23.0 | 2026-08-17 | quant-history + quant-repo 专栏（Citadel/Optiver/Jane Street） |
| 0.22.0 | 2026-08-17 | 期权与波动率看板（受 Optiver 启发） |
| 0.21.0 | 2026-08-17 | FICC 链接：quant_bond + 债券数据通道 |
| 0.20.0 | 2026-08-16 | yahoo 美股/全球 K 线 + 13 通道指南 + researchMultiAsset |
| 0.19.0 | 2026-08-16 | quant_linear_model + docs/ML_GUIDE + ml-workflow 演示 |
| 0.18.0 | 2026-08-16 | 链路补全：A 股 K 线、RankIC/IC 衰减、中性化、滚动前推、回撤、执行模拟、流水线 |
| 0.17.0 | 2026-08-16 | dsh-community 域：quant_repo_stats / quant_npm_stats / quant_oss_pulse |
| 0.16.0 | 2026-08-16 | 领域驱动布局 ↔ PDAT/PAAT/PCPT/PRT/PET + 交易所回退链 |
| 0.15.0 | 2026-08-16 | Kupiec VaR 回测 + 重采样 + 报告；100 个单元测试里程碑 |
| 0.14.0 | 2026-08-16 | quant_risk（VaR/CVaR/Beta/Alpha/IR/TE） |
| 0.13.0 | 2026-08-16 | quant_fund（1e8 资本，NAV 1.00，HWM 20% 费用）+ UI 基金卡片 |
| 0.12.0 | 2026-08-16 | quant_metrics（9+ 指标）+ Jane Street 风格 UI 演示 |
| 0.11.0 | 2026-08-16 | quant_chart（dsh-chart 协议） |
| 0.10.0 | 2026-08-16 | quant_factor_evaluate / combine（alphalens 方法论） |
| 0.9.0 | 2026-08-16 | 序列统计 + 数据质量 + 标注（致敬 Scale AI） |
| 0.8.0 | 2026-08-16 | 通道对比 + 决策树建议 |
| 0.7.0 | 2026-08-16 | mcp/tools.json + 纯函数再导出 + docs |
| 0.6.0 | 2026-08-16 | 数据通道指南（8 个 A 股通道）+ 重命名为 dsh-quant |
| 0.5.0 | 2026-08-16 | 多交易所数据源（OKX / Bybit） |
| 0.4.0 | 2026-08-16 | 多资产组合回测（定期再平衡） |
| 0.3.0 | 2026-08-16 | 策略族（布林带突破 / RSI 均值回归）+ 止损/止盈 |
| 0.2.0 | 2026-08-16 | +6 个指标（KDJ / W%R / CCI / OBV / ADX / ROC） |
| 0.1.0 | 2026-08-16 | 发布：行情数据 + 6 个指标 + MA 回测/网格 + CI/自动发布 |

完整记录：NEWS.md 和 CHANGELOG.md。

已知限制与路线图

- 市场覆盖以加密货币为先：Binance / OKX / Bybit 公共 API（自动
回退），无需凭证；A 股通过通道知识库（akshare
等作为未来数据提供方）。
- 回测为内置策略族：双均线 / 布林带突破 / RSI
均值回归 / 组合再平衡 / 网格搜索；自定义策略回调是
未来的方向。
- presentCall/presentResult 未定制：指标结果没有文件 /
终端 / diff 语义；UI 回退到通用卡片。
- 行情工具需要网络：实时用例位于 verify.ts；离线指标 /
回测用例不受影响。

领域布局（PDAT→PET 流水线映射）

src/dsh-data/       数据（PDAT）：3 个交易所、15 个通道、质量/标注、重采样
src/dsh-alpha/      因子（PAAT）：12 个指标 + 因子评估/组合（alphalens 方法论）
src/dsh-ml/         组合（PCPT）：策略回测 + 组合 + 指标目录
src/dsh-risk/       风险（PRT）：VaR/CVaR/Beta/Alpha/IR + Kupiec 检验 + 期权 + 债券
src/dsh-execution/  交付（PET）：图表数据平面、基金模拟、研究报告（无实盘交易）
src/dsh-community/  生态（开放侧独有）：GitHub/npm 数据 + 影响力脉搏

边界：数据与结论保留在内部；工具与方法交付到
dsh-quant —— 无 alpha、无生产策略、无实盘交易工程，但
包含框架、指标、因子评估、UI 与演示。参见置顶 Issue #9。

快速开始（fork/pull 之后）

npm ci && npm run build && npm test    # 离线全量测试（215 个单元 + 4 个 Loader）
npm run test:verify                    # 实时行情集成（需要网络）
npm run gen:tools                      # 重新生成 mcp/tools.json

构建与使用

构建 lib/（tsc，NodeNext ESM；产出 .js + .d.ts）
cd quant-indicators && tsc -p tsconfig.json

在 dsh 中使用：向 cordis.yml 添加一行
- name: 'dsh-quant'
（Loader 解析包的 exports → node_modules 中的 lib/index.js）

验证

纯函数数值正确性 + 行情解析 + 回测（215 个用例，node:test，零依赖）
cd deepseek-harness && pnpm exec tsx --test ../quant-indicators/tests/.spec.ts

REAL 组合：通过真实 Loader 启动 cordis.yml（注册可见 / 流水线 / isError / HMR 安全性）
cd deepseek-harness && pnpm exec tsx --test ../quant-indicators/tests/loader-composition.spec.ts

harness 集成（schemas → 执行流水线 → isError → 实时获取→指标→回测 端到端）
cd deepseek-harness && pnpm exec tsx ../quant-indicators/verify.ts

消费者模拟：通过真实 node_modules 解析加载已构建的 lib（模拟安装后场景）
cd deepseek-harness && pnpm exec tsx ../quant-indicators/consumer-test/boot.ts

⭐ 支持

如果 dsh-quant 对你的研究有帮助，点一个 ⭐ 能让项目被更多 dsh 用户看到。

这只鲸鱼代表 DeepSeek Harness（dsh）——在它的全息屏幕上交易 🐋

欢迎提交 Issue / PR / 参与讨论；在
Discussion #10 分享你的领域视角。🐋

生态基础设施：量化生态目录 ·
生态手册 · 生态地图 Discussion #11

研究专栏：quant-history（机构档案） · quant-repo（开源专题）

插件库（五个槽位 × 外部仓库与 MCP）：plugin/

🤝 贡献与维护

- 想添加插件 / 数据源 / 学习资料？ → Issue #109（插件征集） —— 数据 / 风控 / 执行插件、ML-DL 与 alpha 学习资源都欢迎
- 提交 bug / 功能 / 求助 issue？ → ISSUE_GUIDE.md（对 agent 友好的规则）
- 提交 PR？ → CONTRIBUTING.md（开发循环 + 设计契约）
- 维护者视角（我们如何审查与合并）： MAINTAINING.md

每个 issue 都是未来的 PR；每位贡献者都是未来的维护者。我们审查迅速，小 PR 合并很快 —— 贡献会记入发布说明 + 作者部分。🐳

👤 关于作者

Pengyi Peng —— AI 原生构建者，拥有数学与量化研究
背景，将本项目作为开放研究沙盒来构建。

- WorldQuant MAPC 2024 · 全球 11 / 850 · 英国 1 —— 官方 Credly 徽章
- WorldQuant IQC 2024 · 全球 232 / 34,142 · 英国 5（决赛入围）
- dsh-quant：59 个工具 · 6 个领域 · 215 个单元测试 · 110+ 次自动化发布
- 量化行业研究：94 份机构档案 + 50 份研究报告（位于 quant-history/）
- GitHub · LinkedIn

方法公开，秘诀内部 —— 作者的研究是公开的，策略不是。* 🐳