量化工具箱 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 · ✅ 已收录进 awesome-dsh-plugin（通过 dsh-market 一键安装）

AI 原生、DSH 原生的量化工具箱，覆盖量化的每个环节 — 59 个工具 · 6 大领域（数据 / 因子 / ML / 风控 / 执行 / 生态）· 一条端到端 PDAT→PET 研究流水线。方法开源，机密留在内部。

🧩 核心理念：万物皆插件（量化版）

dsh 的理念是万物皆插件；dsh-quant 把它带进量化 —— 把内部五团队范式
（PDAT → PAAT → PCPT → PRT → PET）开源成五个可插拔模块：

data plugin dsh-data market data / sources / quality ← plug in Binance or your own data
alpha plugin dsh-alpha indicators / factors / eval ← write your own alpha (internal alpha stays private)
model plugin dsh-ml backtests / ML/DL/RL framework ← train your own models (internal research stays private)
risk plugin dsh-risk VaR / drawdown / options / bonds ← set your own risk limits
exec plugin dsh-execution sim execution / fund / report ← build your own trading system (paper or live)

- 开源的是范式：模块怎么组合、契约怎么定义（空值对齐 / 无未来函数 / 手算校验）、结果怎么验证 ——而不是内部机密
- 内容由你填：产品力 = UI + 策略 + 数据接口 + DL/RL 模型 + 交易系统搭建，全部自己组装，全部插件化
- 无限自我进化：往框架里填你的模块 → 跑模拟盘/实盘 → 把成果回馈生态 —— 这就是 dsh-quant

插件征集：Issue #27（五个模块 × 众多插件） —— PDAT 插件、PET 插件，你能想到的都可以 🐋

🤖 AI 原生是刻意设计（设计声明）

dsh-quant 的主要使用者是智能体（模型），不是人——这是从第一天起就定下的刻意选择：

- 工具 schema 注入系统提示词——每份契约（参数 / 输出 / 对齐规则）都从模型视角写
- 等长 null 对齐——输出与输入等长；开头窗口位置为 null，模型按索引对齐，永远不用补齐
- 规范 JSON 与渲染分离——机器读结构，人读文字
- 全部 isConcurrencySafe——纯函数，无共享状态；智能体可并行调用全部 59 个工具，互不干扰
- 技能层——skill/quant-research 让模型自己加载工作流

完整声明见 Issue #14「AI-native is deliberate」。

🐍 为什么几乎没有 Python？

常见疑问：量化项目没有 .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 dsh 插件，跑在 harness 的 Node 运行时里：与智能体同进程，可由 Loader 组合，注册可回滚（HMR 安全）——TypeScript 是唯一自然的选择
- 需要 Python 的地方（akshare / tushare / baostock），走通道知识库（quant_data_guide，15 个通道）：dsh 自带 shell / subprocess 能力，由智能体决定是否拉起 Python——dsh-quant 不带运行时
- 所有数值方法（指标 / 回测 / 期权 / 债券）都是纯函数，附手算基线：零依赖、可离线验证，npm test 在任何地方都能通过

目标只有一个：打造最好用的 AI 原生量化仓库 🐋

59 个 quant_ 工具 · 6 个领域 · 298 个测试 · 零运行时依赖。完整定位见置顶 Issue #9。

🤖 给来访智能体

落到这个仓库的智能体：先看 AGENTS.md（根目录，Copilot / Claude Code / dsh 会自动读取），再看闭环示例 plugin/CASE_STUDY.md 或 Discussion #38，以及一眼看懂契约的 mcp/AGENT_GUIDE.md。

兼容版本发布状态

0.91.1 候选版本包含 DSH 0.2.1-rc.2 兼容性，同时保留 0.1.0-rc.6 / 0.2.0-rc.2 / 0.2.1-alpha.3 的覆盖。本候选版本于 2026-10-18 准备时，npm 上仍是 0.90.0。把修复当作已发布之前，请先查交付记录和 npm view dsh-quant version。原始兼容性贡献：@hufeide（#136）；用户反馈：@ziladan（#139 / #140）。

v0.91.1 标签固定在已评审的源码上。首次带认证的发布尝试因 npm E404 失败，所以该标签不能作为 npm 可用的证据。见发布尝试。
维护者可以手动运行 release acceptance，用 source=candidate 复现 Linux 包；发布之后也可以用 source=registry 验证四个干净的真实 Loader 消费方。这个工作流从不发布。

快速安装（dsh 用户）

npm i dsh-quant

在 cordis.yml 里加一行：

- 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 跑完整个 PDAT→PET 链路。ML/DL 知识见 docs/ML_GUIDE.md；可执行示例见 npx tsx demos/ml-workflow.ts。

🚀 产品体验：三分钟跑通完整量化流水线

安装完就能体验完整的 PDAT→PET 流程（BTC 公开数据 + 简单策略 + 回测 + 模拟盘）：

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)

一行搞定：quant_research_pipeline(symbol=BTCUSDT, limit=120) 一次调用返回全部结果。

然后往每个模块里插你自己的插件（数据源 / alpha / 模型 / 风险 / 执行——一切都是插件，提案见 Issue #27）。

带讲解的五步上手：docs/ONBOARDING.md ·智能体速览指南：mcp/AGENT_GUIDE.md

🖥️ UI 工作台（dsh-quant-ui）

dsh-quant UI

dsh-quant-ui：K 线 + MA 叠加 + 成交标记、净值曲线、基金 NAV / 管理费 / 业绩费卡片、指标选择器——还有一只游动的 Q 版鲸鱼 🐋（连点标题 3 次）。

在线演示：https://dsh-quant-ui.pages.dev

⌨️ 命令行（dsh-quant 终端）

零依赖、可读的终端界面（纯 Node + ANSI，和 P-Research 命令行同一套理念）。不用浏览器就能浏览研究专栏和实时行情：

node cli/main.mjs repo # 59 tools · 6 domains
node cli/main.mjs history # 53 firm archives index
node cli/main.mjs history citadel # one firm's archive (rendered)
node cli/main.mjs history --reports # ANALYSIS / TIMELINE / LINEAGE / BANK_LINEAGE
node cli/main.mjs history --search 高频 # cross-archive search
node cli/main.mjs kline BTCUSDT --limit 20 # colored OHLC table + stats
node cli/main.mjs browse # interactive TUI: arrow-key firm browser

执行 npm install -g . 之后，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（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 } | —（取数后的第一步） |
| quant_var_backtest | returns + varSeries + confidence=0.95 | { failures, expected, lrStat, pValue, passed, periods }（Kupiec POF 检验） | —（VaR 模型的基准真值） |
| quant_option | spot + strike + timeToMaturity + riskFreeRate + type + volatility/price 二选一 | { price, impliedVolatility, delta, gamma, vega, theta, rho, … } | —（灵感来自 Optiver：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 与 IV 研究的入口） |
| quant_bond | couponRate + periodsToMaturity + paymentsPerYear? + ytm/price 二选一 | { price, yieldToMaturity, macaulayDuration, modifiedDuration, convexity, dv01, … } | —（FICC 环节：定价/久期/凸性/DV01，教科书式贴现） |
| quant_drawdown | equity: number[] | { underwater(aligned), maxDrawdownPct, currentDrawdownPct, periods(peak/trough/recovery/depth/duration), ongoing } | —（回撤区间分析） |
| quant_resample | candles + period（week=7 bars/month=30 bars） | { candles }（OHLCV 聚合，7×24 市场） | — |
| quant_report | strategy/metrics/risk/factor/fund（各模块输出） | { report }（Markdown 研究报告） | —（研发结论汇总） |
| quant_repo_stats | owner + repo | { stars, forks, watchers, openIssues, openPullRequests, topics, latestRelease, … }（公开 GitHub API，无需凭证） | —（生态数据） |
| quant_npm_stats | pkg | { latest, weeklyDownloads, monthlyDownloads, description, … }（npm registry + downloads API） | —（生态数据） |
| 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 计分） |
| 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：净值从 1.00 起步，每日计提管理费，业绩费 20%，按高水位线收取） |
| quant_metrics | equityCurve + trades? | { totalReturnPct, maxDrawdownPct, sharpe, annualizedVol, calmar, sortino, winRate, profitFactor, avgPeriodReturnPct, tradeMetrics }（必备三项：收益 / 回撤 / 夏普） | —（METRIC_CATALOG 供 UI 选择器使用） |
| quant_chart | kind（candles/series/annotations）+ 对应数据 | 结构化图表数据（dsh-chart 协议：candles+overlays+markers / 多序列 / 标注视图） | —（UI 路由数据层） |
| 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，不接实盘交易） |
| 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：从模拟到实盘预期） |
| quant_research_pipeline | symbol? + interval? + limit? + provider? + candles? + 策略 / 基金参数 | { candles, quality, stats, metrics, risk, drawdown, fund, factor, report, charts } | —（一次调用完成 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 指标集 + 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，无未来函数） |
| 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：平台区还是针尖） |
| 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：合成前先去重） |
| quant_factor_combine | factors: number[][]（等长）+ weights? | { signal(rank 0..1), effectiveWeights, factorCount } | —（z-score 加权 + 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 → 调仓频率） |
| 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，致敬 Scale AI） |
| 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 过拟合校正 Sharpe） |
| 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 / 通道可靠性） |
| quant_channel_guide | channel（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（频道名/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 频道数据知识库：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 = 首窗均值，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 法，K/D 以 50 为种子） |
| 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[] } | 全程（首值为 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) } | 首次确认交叉后一根 K 线开首笔交易 |
| quant_backtest_bollinger | close: number[]、window=20、multiplier=2、feeRate=0.001、stopLoss?、takeProfit? | 同上（上轨突破买入，中轨下穿卖出） | 首次确认突破后一根 K 线 |
| quant_backtest_rsi | close: number[]、rsiWindow=14、buyBelow=30、sellAbove=70、feeRate=0.001、stopLoss?、takeProfit? | 同上（RSI 上穿 buyBelow 买入，下穿 sellAbove 卖出） | 首次确认信号后一根 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；把结果喂给 quant_backtest_portfolio） |
| quant_attribution | returns（时间×资产）+ weights（和为 1）+ factorExposures? [time][asset][factor] | { totalReturnPct, assetContributionsPct, assetContribShares, factorContributionsPct, residualPct, factorR2, notes } | —（组合归因：收益从哪来） |
| 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 的组合） |

典型调用链（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

已实测跑通：真实 Binance 日线 → 指标 → 回测（fast 5 / slow 20），端到端。

回测约定

- 双均线交叉：fast SMA 上穿 slow SMA 时全仓买入，下穿时清仓；信号在第 i 根 K 线确认，在第 i+1 根收盘成交（无未来函数）。
- 买卖两边都按名义金额收费（feeRate 为单边费率）。
- 尾部持仓未平：最后一笔交易的 exitIndex/exitPrice/returnPct 为 null。
- position 和 equityCurve 与输入等长；净值归一化（从 1 开始）； Sharpe 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 —— 模型按下标对齐，无需补齐。
- 空序列或 window > series length 是合法结果（全 null），不是错误。
- 非有限数（NaN/Infinity）在注册表的无损 JSON 参数快照层（模型的 JSON 边界）就被拒绝，永远到不了 execute。
- 约束（window ≥ 1 且为整数、macd fast < slow、atr 数组等长、multiplier > 0）在 execute 里手工校验；抛出的错误经注册表转成 isError 结果。

契约（defineTool）

- 参数使用统一 schema DSL，由 defineTool 在 execute 之前校验（类型 / 必填 / 整数）。
- execute 只返回规范 JSON 值；output.render 生成面向模型的文字说明。
- 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 销毁时自动注销。

模型体验

模型看到什么

每个工具的名称、描述、JSON schema 都会注入到 system-prompt 组装流程中（ctx.systemPrompt.tools()）。描述里写明对齐规则（哪些头部位置为 null），模型无需猜测。

Token 影响

每个工具占用一个固定 schema 块；调用结果按渲染后的内容计费。null 对齐设计避免了模型反复请求补齐。

KV 缓存影响

schema 前缀稳定（只要工具集与顺序不变就复用）；结果追加在可复用前缀之后。

发布历史（NEWS）

| 版本 | 日期 | 说明 |
| 0.91.0 | 2026-09-11 | QRT Deep-mode 全面尽调——九节重写（AUM 链条至 $50bn、2025 旗舰 +30%、QFII+WFOE 而非 QDLP、Dao 自 2022-11 累计 98%、移除 Jaillon 前提），5 份研究档案 |
| 0.90.0 | 2026-08-23 | HIGHFLYER_SPECIAL——双引擎之王（量化基金 AGI、DeepSeek $45B、Wenfeng 全球 AI 首富），共 50 份报告 |
| 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、范式倾覆），共 49 份报告 |
| 0.88.0 | 2026-08-22 | quant_trading_cost + quant_rebalance_schedule——成本闸门 + 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 ×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 个单元测试） |
| 0.84.0 | 2026-08-22 | AI 基础设施数据模块 ×4——quant_data_pit / quant_channel_guide / CLI 质量 / 链式循环（48 个工具，186 个单元测试） |
| 0.83.0 | 2026-08-22 | quant_factor_neutralize 修复 + 5 个基线（46 个工具，179 个单元测试） |
| 0.82.0 | 2026-08-22 | TYO_QUANT——东京日元利率中心普查（约 9 家公司、$30M 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 次发布的量化从业人数估算（中国约 30-50k、四城约 25-38k、全球约 80-120k），共 46 份报告 |
| 0.79.0 | 2026-08-20 | QUANT_WORLD_MAP——第 100 次发布特辑：全球量化世界地图（五城轴线、9 条路径、人才树、四城普查综述），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、NY-LDN 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、HK 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、总部与分部对比、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（Credit Suisse MBO、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 孵化旗舰、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 Mafia、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 三次转身、Medallion 30 年 66%、利润超 1000 亿美元），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、ByteDance 15000 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、峰值年 160 亿美元、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（人均 1400 万英镑、六大秘诀），共 32 份报告 |
| 0.66.0 | 2026-08-19 | SHOWDOWN_CN_GLOBAL — 中美六维对决（外加透明度反转），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 商店收官之作（5 个视角 + 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 血统 + 2018 年腰斩 + 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 + 中国人才之根），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（荷兰名字 + Ready Trader Go + 工具血统），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 — 首家公司深度剖析特辑（办公室编年史 + Prosperity），共 22 份报告 |
| 0.56.0 | 2026-08-19 | QUANT_VENDORS_CN — 中国的卖铲人层（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 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 | Office 图谱 ×2 — OFFICE_CN + OFFICE_GLOBAL，共 15 份报告 |
| 0.51.0 | 2026-08-19 | 签名百科 ×2 — SIGNATURES_CN + SIGNATURES_GLOBAL，共 13 份报告 |
| 0.50.0 | 2026-08-19 | 年代纪事 ×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 CN Lite 档案 — Kaifeng/Honghu/Egret/Zhuoshi/Hande/Niankong/Mengxi/Xinhong（89 家公司） |
| 0.46.0 | 2026-08-19 | 7 份 CN Lite 档案 — Shenyi/Jasper/Liyi/Bodao/Zunjia/Qianyi/Pingfanghe（81 家公司） |
| 0.45.0 | 2026-08-19 | 3 份 CN Lite 档案 — Tianyan/Aifang/Maoyuan（74 家公司） |
| 0.44.0 | 2026-08-19 | 10 份 CN Lite 档案 — Zhicheng/Qianxiang/Blackwing/Inno/LongQi/JoinQuant/Evolution/Sixie/Bridgewater-CN/Beyang（71 家公司） |

| 0.43.0 | 2026-08-19 | Golden Bull special — 12 years of quant winners (2014-2025) + archive cross-analysis |
| 0.42.0 | 2026-08-19 | 5 Lite archives — Hongxi/Mingshi/Wenbo/Luoshu/Pansong (61 firms) + founding-date backfill |
| 0.41.0 | 2026-08-19 | Two-mode DD (Deep/Lite) + 3 Lite archives — ChaoQuanZi/YanSheng/Banyang (56 firms) |
| 0.40.0 | 2026-08-19 | DD standard v1 + China batch 1 re-due-diligenced (nine-section format, to-verify lists) |
| 0.39.0 | 2026-08-19 | China batch 2 — Zhixing Tongda/Chengqi/Ruitian/KuanDe/Lingjun/Xiaoyong (53 firms, WorldQuant lineage) |
| 0.38.0 | 2026-08-17 | Bank/brokerage lineage report — 13 firms, two waves, three generations |
| 0.37.0 | 2026-08-17 | China batch 1 — High-Flyer/Ubiquant/Minghong/Yanfu/Century Frontier (47 firms) |
| 0.36.3 | 2026-08-17 | AGENTS.md engagement loop — full vision + ask-your-human CTA |
| 0.36.2 | 2026-08-17 | AGENTS.md + CLAUDE.md agent onboarding |
| 0.36.1 | 2026-08-17 | Five-slot closed-loop case study + 10 supplyable candidates |
| 0.36.0 | 2026-08-17 | plugin/ five-slot external plugin library (22 repos & MCPs) |
| 0.35.2 | 2026-08-17 | Brand line 🐳 Dsh-Quant — The Everything-Plugin Quant OS |
| 0.35.1 | 2026-08-17 | Full English README |
| 0.35.0 | 2026-08-17 | Core UX: PDAT→PET onboarding (BTC example) + mcp/AGENT_GUIDE |
| 0.34.0 | 2026-08-17 | Quant lineage report (five motherships) |
| 0.33.0 | 2026-08-17 | Macro legends batch (42 firms) + first data analysis report |
| 0.32.0 | 2026-08-17 | Systematic Europe batch (37 firms) |
| 0.31.0 | 2026-08-17 | Market-making & crypto batch incl. Alameda failure case (32 firms) |
| 0.30.0 | 2026-08-17 | QRT/Capula/Winton/DRW/Tower batch (27 firms) |
| 0.29.0 | 2026-08-17 | SIG + quant chronicle timeline (22 firms) |
| 0.28.0 | 2026-08-17 | Balyasny/IMC/XTX/Five Rings + DE Shaw boost (21 firms) |
| 0.27.0 | 2026-08-17 | Man Group/AQR/GSA/Bridgewater batch (17 firms) |
| 0.26.0 | 2026-08-17 | Two Sigma/Virtu/DE Shaw/Renaissance batch (13 firms) |
| 0.25.0 | 2026-08-17 | HRT/Point72/Squarepoint batch (9 firms) |
| 0.24.0 | 2026-08-17 | Millennium/WorldQuant/Jump batch (6 firms) |
| 0.23.0 | 2026-08-17 | quant-history + quant-repo columns (Citadel/Optiver/Jane Street) |
| 0.22.0 | 2026-08-17 | Options & volatility board (Optiver-inspired) |
| 0.21.0 | 2026-08-17 | FICC link: quant_bond + bond data channels |
| 0.20.0 | 2026-08-16 | yahoo US/global klines + 13-channel guide + researchMultiAsset |
| 0.19.0 | 2026-08-16 | quant_linear_model + docs/ML_GUIDE + ml-workflow demo |
| 0.18.0 | 2026-08-16 | Chain completion: A-share klines, RankIC/IC decay, neutralization, walk-forward, drawdown, execution sim, pipeline |
| 0.17.0 | 2026-08-16 | dsh-community domain: quant_repo_stats / quant_npm_stats / quant_oss_pulse |
| 0.16.0 | 2026-08-16 | Domain-driven layout ↔ PDAT/PAAT/PCPT/PRT/PET + exchange fallback chain |
| 0.15.0 | 2026-08-16 | Kupiec VaR backtest + resample + report; 100 unit tests milestone |
| 0.14.0 | 2026-08-16 | quant_risk (VaR/CVaR/Beta/Alpha/IR/TE) |
| 0.13.0 | 2026-08-16 | quant_fund (1e8 capital, NAV 1.00, HWM 20% fee) + UI fund cards |
| 0.12.0 | 2026-08-16 | quant_metrics (9+ metrics) + Jane Street-style UI demo |
| 0.11.0 | 2026-08-16 | quant_chart (dsh-chart protocol) |
| 0.10.0 | 2026-08-16 | quant_factor_evaluate / combine (alphalens methodology) |
| 0.9.0 | 2026-08-16 | series stats + data quality + annotation (tribute to Scale AI) |
| 0.8.0 | 2026-08-16 | channel compare + decision-tree advice |
| 0.7.0 | 2026-08-16 | mcp/tools.json + pure-function re-exports + docs |
| 0.6.0 | 2026-08-16 | data channel guide (8 A-share channels) + rename to dsh-quant |
| 0.5.0 | 2026-08-16 | multi-exchange sources (OKX / Bybit) |
| 0.4.0 | 2026-08-16 | multi-asset portfolio backtest (periodic rebalancing) |
| 0.3.0 | 2026-08-16 | strategy family (Bollinger breakout / RSI reversion) + stop-loss/take-profit |
| 0.2.0 | 2026-08-16 | +6 indicators (KDJ / W%R / CCI / OBV / ADX / ROC) |
| 0.1.0 | 2026-08-16 | Launch: market data + 6 indicators + MA backtest/grid + CI/auto-release |

Full records: NEWS.md and CHANGELOG.md.

Known limitations & roadmap

- Market coverage is crypto-first: Binance / OKX / Bybit public APIs (automatic
fallback), no credentials; A-shares go through the channel knowledge base (akshare
et al. as future providers).
- Backtests are a built-in strategy family: dual-MA / Bollinger breakout / RSI
reversion / portfolio rebalancing / grid search; custom strategy callbacks are the
future route.
- presentCall/presentResult not customized: indicator results have no file /
terminal / diff semantics; UI falls back to generic cards.
- Market tools need network: live cases live in verify.ts; offline indicator /
backtest cases are unaffected.

Domain layout (PDAT→PET pipeline mapping)

src/dsh-data/ data (PDAT): 3 exchanges, 15 channels, quality/annotation, resample
src/dsh-alpha/ alpha (PAAT): 12 indicators + factor eval/combine (alphalens methodology)
src/dsh-ml/ portfolio (PCPT): strategy backtests + portfolio + metric catalog
src/dsh-risk/ risk (PRT): VaR/CVaR/Beta/Alpha/IR + Kupiec test + options + bonds
src/dsh-execution/ delivery (PET): chart data plane, fund sim, research report (no live trading)
src/dsh-community/ ecosystem (unique to the open side): GitHub/npm data + influence pulse

The boundary: data and conclusions stay internal; tools and methods ship to
dsh-quant — no alpha, no production strategies, no live-trading engineering, but frameworks, indicators, factor evaluation, UI and demos. See pinned Issue #9.

Quick start (after fork/pull)

npm ci && npm run build && npm test # offline full tests (215 unit + 4 Loader)
npm run test:verify # live market integration (needs network)
npm run gen:tools # regenerate mcp/tools.json

Build & use

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

use in dsh: add one line to cordis.yml
- name: 'dsh-quant'
(the Loader resolves the package exports → lib/index.js from node_modules)

Verification

pure-function numeric correctness + market parsing + backtests (215 cases, node:test, zero deps)
cd deepseek-harness && pnpm exec tsx --test ../quant-indicators/tests/.spec.ts

REAL-composition: cordis.yml booted through the real Loader (registration visible / pipeline / isError / HMR-safety)
cd deepseek-harness && pnpm exec tsx --test ../quant-indicators/tests/loader-composition.spec.ts

harness integration (schemas → execution pipeline → isError → live fetch→indicators→backtest end-to-end)
cd deepseek-harness && pnpm exec tsx ../quant-indicators/verify.ts

consumer simulation: built lib loaded through real node_modules resolution (simulates post-install)
cd deepseek-harness && pnpm exec tsx ../quant-indicators/consumer-test/boot.ts

⭐ Support

If dsh-quant helps your research, a ⭐ makes the project visible to more dsh users.

This whale stands for DeepSeek Harness (dsh) — trading on its holographic screen 🐋

Issues / PRs / discussions welcome; share your domain perspective in
Discussion #10. 🐋

Ecosystem infrastructure: quant ecosystem directory · ecosystem playbook · ecosystem map Discussion #11

Research columns: quant-history (firm archives) · quant-repo (open-source special)

Plugin library (five slots × external repos & MCPs): plugin/

🤝 Contribute & maintain

- Want to add a plugin / data source / learning material? → Issue #109（插件征集） — data / risk / execution plugins, ML-DL & alpha learning resources all welcome
- Filing a bug / feature / help-wanted issue? → ISSUE_GUIDE.md (agent-friendly rules)
- Sending a PR? → CONTRIBUTING.md (dev loop + design contract)
- Maintainer view (how we review & merge): MAINTAINING.md

Every issue is a future PR; every contributor is a future maintainer. We review fast and merge small PRs quickly — credit goes into release notes + the author section. 🐳

👤 About the author

Pengyi Peng — AI-native builder with a mathematics & quant-research background, building this project as an open research sandbox.

- WorldQuant MAPC 2024 · Global 11 / 850 · UK 1 — official Credly badge
- WorldQuant IQC 2024 · Global 232 / 34,142 · UK 5 (finalist)
- dsh-quant: 59 tools · 6 domains · 215 unit tests · 110+ automated releases
- Quant-industry research: 95 firm archives + 53 research reports (in quant-history/)
- GitHub · LinkedIn

Methods open, secrets internal — the author's research is public, the strategies are not.* 🐳

Compatibility contributors

Thanks to @hufeide for the DSH 0.2.x adaptation in #136, and @ziladan for requesting 0.2.1-rc.2 verification in #139 / #140. The compatibility audit records tested versions and release boundaries.

Test contribution under review

@Yuren0312 contributed offline market-provider tests in
#144 for #106. The
independent audit confirms the coverage
gain and records one requested Node-type correction. This contribution is
under review, not yet merged or shipped.