auto_quant

策略研究流水线：你给思想 → 建档记录 → 实现/挂载代码 → 回测验证 → 报告 → Cursor AI 分析。

  ┌─────────────┐     ┌──────────────┐     ┌─────────────┐     ┌──────────────┐
  │ 1. 策略思想  │ ──► │ 2. research  │ ──► │ 3. 回测验证  │ ──► │ 4. AI 分析   │
  │  (你描述)   │     │  项目建档     │     │ 本地/聚宽   │     │ @analysis_   │
  └─────────────┘     └──────────────┘     └─────────────┘     │  request.md  │
                                                                └──────────────┘

安装

cd e:\auto_quant
python -m venv .venv
.venv\Scripts\activate
pip install -e .
python -m playwright install chromium

复制 .env.example 为 .env（聚宽可选）。

---

核心工作流（推荐）

① 新建策略项目（记录思想）

python scripts/research.py new "五福ETF轮动" --idea "动态池轮动，全球+国内ETF，按动量调仓..."

或从已有聚宽文件一键导入：

python scripts/research.py import output/jq_strategies/test_wufu_V5.0_max.py --idea "五福 v5 动态池"

每个策略在 research/strategies/STR-YYYYMMDD-名称/ 下有：

文件	作用
idea.md	你的策略思想（可随时改）
meta.yaml	状态、平台、回测区间
strategy.py	聚宽代码（import/attach 后）
runs/*.json	每次回测原始数据
report.md	汇总报告
analysis_request.md	给 Cursor AI 的分析稿

② 回测验证

# 聚宽策略（自动提交聚宽，需先 login）
python scripts/run_jq_batch.py --login
python scripts/research.py run STR-20260520-五福ETF轮动

# 本地 MACD 示例策略
python scripts/research.py new "MACD底背离" --platform local_macd --idea "30min底背离+MA20"
python scripts/research.py run STR-20260520-MACD底背离

③ 生成报告 + Cursor AI 分析

python scripts/research.py report STR-20260520-五福ETF轮动

在 Cursor 聊天里输入：

请阅读 @research/strategies/STR-xxx/analysis_request.md 和 @research/strategies/STR-xxx/strategy.py，按文档中的问题给出量化评审与改进建议。

Agent 行为见根目录 AGENTS.md（含 joinquant-skill 检查要点）。

④ 多优化点消融（idea.md → 逐项回测 → 是否合并）

与 idea.md 里「## 1. … ## 2. …」章节对齐，自动生成 ablation.yaml，每个优化点对应一份 variants/idea-N.py（由你从 strategy.py 复制后只改该点）。

python scripts/research.py ablation-init STR-20260520-ETF轮动1.7.1
# 按 research/strategies/.../variants/README.md 操作，编辑 ablation.yaml 将某变体 enabled: true

python scripts/research.py ablation-run STR-20260520-ETF轮动1.7.1
python scripts/research.py ablation-report STR-20260520-ETF轮动1.7.1

• 结果：runs/*_jq_ablation_*.json + jq_links.yaml（每变体 report_url / edit_url）+ ablation_report.md。
• 聚宽策略名：ETF轮动_baseline、ETF轮动_idea-1 等（可区分变体）。
• 单浏览器会话跑完全部变体：python scripts/research.py links <ID> 查看报告链接。
• --dry-run：不写聚宽，只生成占位 JSON 测流水线。

⑤ 迭代

根据 AI 建议改 idea.md / strategy.py → 再 research run → 再 report → 状态改为 reviewed：

python scripts/research.py status STR-xxx reviewed

---

常用命令速查

python scripts/research.py ablation-init <ID> [--force]
python scripts/research.py ablation-run <ID> [--dry-run]
python scripts/research.py ablation-report <ID>
python scripts/research.py ablation-queue <ID> [--run]

python scripts/run_jq_single.py -f output/jq_strategies/xxx.py   # 单策略聚宽（不入 research）
python scripts/show_jq_results.py          # 聚宽任务列表

python scripts/run_backtest.py             # 仅本地 MACD（不入 research）
python scripts/run_optimize.py --rounds 20

---

两条回测通道

平台	代码位置	适用
joinquant	research/.../strategy.py 或 output/jq_strategies/	聚宽克隆策略、ETF 轮动等
local_macd	src/auto_quant/strategies/	MACD 底背离等本地快速迭代

---

聚宽自动化：页面不动 / 仍是默认模板

原因简述

1. keyboard.type() 不适合 Ace：大文件（如五福 1400+ 行）极慢或失败，代码不会进编辑器。
2. 默认 URL 打开的是「简单策略」模板：https://www.joinquant.com/algorithm/index/edit 不带策略 id 时，改的是模板页，看起来像「没执行」。

请按下面做

1. 在浏览器打开你要回测的那条策略的编辑页，从地址栏复制完整 URL。
2. 写入 config/settings.yaml 的 joinquant.backtest_url。
3. 再执行：python scripts/research.py run STR-xxx。

终端会打印 [jq] 日志：注入策略代码 → 编辑器注入完成 → 已触发运行。若出现「未找到运行回测按钮」或「无法写入编辑器」，把该段日志和页面截图发出来便于改选择器。

---

免责声明

回测结果不代表未来收益，仅供研究，请勿据此实盘交易。