#quantitative-finance #a-share #factor-analysis #mcp-server

QuantAll

QuantAll（全A解析）MCP 技能 —— A股全市场向量化并行计算引擎，支持5000+股票的全市场因子计算、策略回测、因子IC分析及GPU多维可视化。核心价值：为 AI 配置本地计算引擎，让 AI 从"数据搬运工"升级为"数据分析师"—— 不再只是查询不知真假的信息，而是用代码算出客观结果。三大使用场景：①用户明确需求（回测/因子分析）→ AI 直接计算给结果； ②用户模糊表述股市想法 → AI 主动用 QuantAll 算出客观数据回应； ③AI 自主挖掘机会 → 写代码→执行→读热力图→形成结论，技术闭环。触发条件：用户提到"全A解析"、"回测"、"因子分析"、"选股"、"策略"、"QuantAll"、 "全市场计算"、"因子有效性"、"IC分析"等量化研究场景；也包括用户表述股市相关想法时，AI 判断可用 QuantAll 计算验证的场景。 QuantAll 是独立的本地计算引擎，依赖用户本地 DuckDB 数据库运行。 UpdateStock 技能提供数据库管理辅助和启动管理，需 tushare API（非 QuantAll 必需）。 QuantAll 目前完全免费。

mifochen@mifochen

Install

openclaw skills install @mifochen/quant-all-mcp

QuantAll（全A解析）MCP 技能

架构概述：QuantAll 与 UpdateStock 的关系

QuantAll（全A解析）和 UpdateStock 是两个独立但可协作的 MCP 服务：

text

┌──────────────────────────────────────────────┐
│                  WorkBuddy/AI                 │
│                      │                        │
│         ┌────────────┴────────────┐           │
│         ▼                         ▼           │
│  ┌──────────────┐         ┌──────────────┐    │
│  │  UpdateStock │ ──可启动→│   QuantAll   │    │
│  │  (stdio MCP) │         │  (HTTP MCP)  │    │
│  │              │         │  8686端口     │    │
│  │ 数据库管理    │         │  计算引擎     │    │
│  │ 安装/卸载     │         │  可视化       │    │
│  │ 数据库设置    │         │  回测/因子    │    │
│  │ (需tushare)  │         │  (完全免费)   │    │
│  └──────┬───────┘         └──────┬───────┘    │
│         │                        │            │
│         ▼                        ▼            │
│  ┌──────────────────────────────────────┐     │
│  │         DuckDB 数据库 (.duckdb)       │     │
│  │   5500+ 股票 × 150+ 维度 × 日频      │     │
│  └──────────────────────────────────────┘     │
└──────────────────────────────────────────────┘

QuantAll（全A解析计算引擎 MCP）：独立的本地计算引擎，不依赖外部 API 或网络。负责全市场向量化因子计算、策略回测、因子IC分析、GPU多维可视化。通过 HTTP 模式（localhost:8686）连接。目前完全免费。
UpdateStock（本地数据库管理 MCP）：可选辅助角色，提供数据库的创建、数据更新（需 tushare API）、股票行情查询，以及 QuantAll 的启动入口。通过 stdio 模式连接。需要 tushare API key。
数据共享：两者共用同一个 DuckDB 数据库，数据库路径通过 DB_setting.json 统一管理。

核心定位：QuantAll 是独立可运行的计算引擎，只需要本地数据库（DuckDB）即可工作。UpdateStock 是一个便利工具，帮你管理数据库和启动 QuantAll，但不是 QuantAll 的必需依赖——你可以不用 UpdateStock，自己手动启动 QuantAll、用自己的数据库，完全没问题。

两个 MCP 服务配置

在 ~/.workbuddy/mcp.json 中配置（UpdateStock 可选，QuantAll 必须）：

json

{
  "mcpServers": {
    "全A解析": {
      "url": "http://127.0.0.1:8686/mcp",
      "disabled": false
    },
    "UpdateStock": {
      "command": "<skill-dir>/scripts/.venv/Scripts/python.exe",
      "args": ["<skill-dir>/scripts/UpdateStock_skill.py"],
      "disabled": false,
      "disabledTools": []
    }
  }
}

注意：UpdateStock 可选配置——如果你有自己的数据库且不需要通过 AI 更新数据，可以只配 QuantAll 的 HTTP MCP。

第一部分：UpdateStock —— 数据库管理（可选辅助）

UpdateStock 是 QuantAll 的可选辅助 MCP，提供数据库管理和 QuantAll 启动管理。需要 tushare API key。如果你已有自己的 DuckDB 数据库且不需要通过 AI 更新数据，可以跳过此部分，直接阅读第二部分。

UpdateStock 提供以下工具：

工具	用途	关键参数
`ping`	健康检查	无
`Creat_DB`	创建默认格式数据库	`DB_path`（留空=同目录 Test.duckdb）
`Update_Stock_Data`	全量更新（需 tushare 2000+ 积分）	`ignore_check`
`Update_Stock_Data_easy`	增量更新（需 tushare 200 积分，免费可获取）	`DB_path`, `API`
`get_stock`	查询非复权行情	`symbol`, `start_date`, `end_date`
`get_adj_stock`	查询前复权行情	`symbol`, `start_date`, `end_date`
`Start_QuantAll`	启动 QuantAll MCP 服务	无
`Install_QuantAll`	安装/更新 QuantAll 包（pip install quantall）	无
`Uninstall_QuantAll`	卸载 QuantAll	无
`Set_QuantAll_DataBase`	设置数据库路径和加载天数	`path`, `days`

1.1 环境要求

操作系统：Windows
Python：3.10 以上，实测 3.12 和 3.13 均正常
必须使用虚拟环境：QuantAll 及其依赖（pandas, numpy, PySide6, PyOpenGL, duckdb, mcp 等）共约 45 个包，总体积约 300MB+，强烈建议隔离
⚠️ 务必使用清华镜像源：QuantAll 依赖包众多，其中 PySide6_Addons（169MB）、PySide6_Essentials（78MB）等大型包从默认 PyPI 源下载极慢甚至超时。始终添加 -i https://pypi.tuna.tsinghua.edu.cn/simple
UpdateStock 为可选辅助：tushare、baostock 是 UpdateStock 的依赖，不在 QuantAll 的 pip 依赖中。仅使用 QuantAll 计算引擎无需安装；如需通过 AI 管理数据库（更新行情等），才额外安装（见 Step 2 可选步骤）

1.2 安装流程（详细版）

QuantAll 已发布至 PyPI，通过 pip install quantall 即可安装，无需本地 whl 文件。

Step 1 — 创建虚拟环境

在 skill 的 scripts/ 目录下创建 Python 虚拟环境：

bash

cd <skill-dir>/scripts
<你的Python路径> -m venv .venv

推荐使用 WorkBuddy 自带的管理版 Python（如 C:\Users\<用户>\.workbuddy\binaries\python\versions\3.13.12\python.exe），或系统已安装的 Python 3.12+。

Step 2 — 用镜像源安装 QuantAll

⚠️ 务必使用清华镜像源。QuantAll 有 45 个依赖包，其中 PySide6_Addons（169MB）、PySide6_Essentials（78MB）等大型包从默认源下载极慢甚至超时。始终添加 -i https://pypi.tuna.tsinghua.edu.cn/simple。

bash

# 安装 QuantAll（从 PyPI，务必加镜像源）
.venv/Scripts/python.exe -m pip install quantall -i https://pypi.tuna.tsinghua.edu.cn/simple

安装时长约 2-3 分钟（取决于网络），共约 45 个包。主要大包：

PySide6_Addons：169MB
PySide6_Essentials：78MB
duckdb：13MB
numpy：12MB

验证安装：

bash

.venv/Scripts/python.exe -c "import QuantAll; print('OK')"

（可选）安装 UpdateStock 依赖

仅在需要通过 AI 管理数据库时安装。 QuantAll 作为独立计算引擎，不依赖 tushare/baostock。如果你已有自己的 DuckDB 数据库，或仅使用自带 Test.duckdb 测试，可以跳过此步。

bash

# tushare、baostock 是 UpdateStock 的依赖，不在 QuantAll 的 pip 依赖中
.venv/Scripts/python.exe -m pip install tushare baostock -i https://pypi.tuna.tsinghua.edu.cn/simple

⚠️ WorkBuddy 环境安装注意事项：WorkBuddy 的 Python 运行时注入了 safe-delete 机制（通过 sitecustomize.py 拦截文件删除操作），可能导致 PySide6 安装时文件覆盖失败。如遇到 [safe-delete][SAFE_DELETE_FAIL_CLOSED] 错误，需清除环境变量后重试：
bash
CODEBUDDY_SESSION_ID= CLAUDE_SESSION_ID= CODEBUDDY_SAFE_DELETE_SANDBOX= .venv/Scripts/python.exe -m pip install quantall -i https://pypi.tuna.tsinghua.edu.cn/simple
普通用户在命令行直接 pip install 不受此影响。

Step 3 — 配置 MCP 连接

修改 ~/.workbuddy/mcp.json，将 UpdateStock 的 command 指向虚拟环境的 Python，args 指向 UpdateStock_skill.py：

json

{
  "mcpServers": {
    "全A解析": {
      "url": "http://127.0.0.1:8686/mcp",
      "disabled": false
    },
    "UpdateStock": {
      "command": "C:/Users/<用户>/.workbuddy/skills/QuantAll-mcp/scripts/.venv/Scripts/python.exe",
      "args": [
        "C:/Users/<用户>/.workbuddy/skills/QuantAll-mcp/scripts/UpdateStock_skill.py"
      ],
      "disabled": false,
      "disabledTools": []
    }
  }
}

路径格式：Windows 上使用正斜杠 /，避免反斜杠转义问题。

DB_setting.json：QuantAll 首次启动时自动创建，默认 db_path 指向 quantall pip 安装包内置的 Test.duckdb（仅含沪深 300 近两年基础行情）。如你已有自己的 DuckDB 数据库，务必修改 db_path 切换到自己的数据库路径，否则反复启动可能被内置测试库覆盖。

⚠️ Test.duckdb 仅供测试：quantall pip 安装包内置 Test.duckdb，仅含沪深 300 成分股近两年的基础行情数据（open/high/low/close/vol），仅用于软件功能验证。pip 更新 quantall 时可能覆盖此文件，切勿用于正式研究。正式使用请创建独立数据库（方案 B/C），并通过 DB_setting.json 的 db_path 切换过去。

Step 4 — 启动 QuantAll（三种方式）

QuantAll 是独立的计算引擎，不依赖 UpdateStock 启动。以下三种方式任选其一：

方式一：AI 通过 UpdateStock 辅助启动（推荐 AI 场景）

通过 mcp__UpdateStock__Start_QuantAll 工具启动，AI 可自动检测端口确认启动状态。

断开并重连 UpdateStock MCP：按上述路径操作。首次连接需点击「信任」按钮授权。（因为 command/args 已变更）
调用 Start_QuantAll：通过 AI 调用 mcp__UpdateStock__Start_QuantAll，在 localhost:8686 启动 HTTP 服务
断开并重连全A解析 MCP：按上述路径操作。首次连接同样需要信任授权。
验证：调用 mcp__全A解析__ping 确认返回 "pong"

方式二：双击 run.bat 脚本启动（推荐手动场景）

在 scripts/ 目录下创建 run.bat（内容见下方 Step 5），双击运行即可。QuantAll 将在后台启动（无控制台窗口），监听 8686 端口。

方式三：直接运行 Start_QuantAll.py

在 scripts/ 目录下，用命令行运行：

bash

.venv\Scripts\python.exe Start_QuantAll.py

这是最底层的方式，适合调试或自定义启动。

三种方式总结：方式一通过 AI 工具调用、自动检测端口，最省心但需要 UpdateStock；方式二双击 bat 后台启动，最方便；方式三直接运行 Python，最灵活。不论哪种方式，启动后 QuantAll 都在 8686 端口提供 HTTP MCP 服务——功能完全一致。

QuantAll 用户协议

QuantAll 目前完全免费。启动时会弹出用户协议确认窗口：

激活（推荐）：点击确认同意协议即视为"激活"，表示永久同意用户协议，后续启动不再弹出协议窗口。激活与否在功能上完全一致，无任何限制或差异。

不激活：每次启动都需要手动确认用户协议。

在用户点击确认之前，除 ping 外的所有 MCP 工具（回测、因子分析等）都将被阻止——这是金融技能的合规要求。

⚠️ MCP 重连：QuantAll 后于 AI-Agent 启动时，MCP 连接可能需要断开重连才能生效。重连方式同上（连接器管理页面 / 重启智能体）。

Step 5 — 创建 run.bat 和桌面快捷方式（推荐）

安装完成后，建议创建 run.bat 启动脚本并制作桌面快捷方式，双击即可启动 QuantAll，无需每次通过命令行操作。

💡 行为规范：安装完成后，AI 应主动提醒用户："是否需要帮你创建 run.bat 和桌面快捷方式？"用户同意后，AI 依次创建 run.bat（Write 工具写入）和桌面快捷方式（pywin32 创建 .lnk）。

第一步：创建 run.bat

在 scripts/ 目录下创建 run.bat 文件（技能包不携带此文件，需用户或 AI 自行创建）：

bat

@echo off
cd /d "%~dp0"
start /B .venv\Scripts\pythonw.exe Start_QuantAll.py %*

run.bat 设计要点：

%~dp0：自动定位到 bat 文件所在目录（即 scripts/），无需硬编码路径
start /B：后台启动，不创建新窗口，bat 执行后立即退出
pythonw.exe（非 python.exe）：无控制台窗口运行，适合 GUI 应用（QuantAll 使用 PySide6）
%*：原样传递所有命令行参数

第二步：创建桌面快捷方式

为刚创建的 run.bat 创建一个 Windows 快捷方式（.lnk），放到桌面即可双击启动。

⚠️ 重要：不要在桌面创建 .bat 文件。Windows cmd 以 GBK 编码读取 .bat 文件，而 AI 工具写入的 .bat 通常是 UTF-8 编码，中文注释和中文路径会乱码，导致 cmd 将乱码文本当作命令执行而报错（如 '鐜' 不是内部或外部命令）。正确做法是先创建 scripts/run.bat，再为它创建桌面 .lnk 快捷方式。

方式一：Windows 右键创建（最简单，推荐用户手动操作）

在文件管理器中找到 scripts\run.bat
右键 → 发送到 → 桌面快捷方式
桌面会出现 run.bat - 快捷方式，可重命名为 QuantAll启动

方式二：AI 通过 Python 创建（用户要求时） 如果用户要求 AI 帮忙创建，可使用 venv 中的 pywin32（QuantAll 依赖包自带）：

python

import win32com.client
import os

desktop = os.path.join(os.environ["USERPROFILE"], "Desktop")
lnk_path = os.path.join(desktop, "QuantAll.lnk")
target = r"<skill-dir>\scripts\run.bat"
working_dir = r"<skill-dir>\scripts"

shell = win32com.client.Dispatch("WScript.Shell")
shortcut = shell.CreateShortcut(lnk_path)
shortcut.TargetPath = target
shortcut.WorkingDirectory = working_dir
shortcut.Description = "Start QuantAll MCP Service"
shortcut.Save()

注意：PowerShell New-Object -ComObject WScript.Shell 和 cscript/wscript 执行 VBS 可能被安全策略阻止。使用 venv 中的 Python + pywin32 是最可靠的方式。

1.3 数据库方案

核心认知：QuantAll 只是计算引擎，自动读取和管理用户本地数据库的数据。AI 能使用的数据维度多少，完全取决于用户本地数据库的内容——数据库里有什么字段，QuantAll 就能算什么。QuantAll 本身不生产数据。

方案 A：使用内置测试数据库（仅供功能验证）

quantall pip 安装包内置 Test.duckdb，包含沪深 300 成分股近两年的基础行情数据（open/high/low/close/vol），仅用于软件功能测试。QuantAll 首次启动时自动生成的 DB_setting.json 默认连接此数据库。

⚠️ Test.duckdb 会被 pip 更新 quantall 时覆盖，切勿用于正式研究。正式使用请创建独立数据库（方案 B/C），并通过修改 DB_setting.json 的 db_path 切换过去。

数据非常有限（仅沪深 300 + 基础行情），不适合严肃的量化研究。

方案 B：通过 UpdateStock 创建完整数据库

两个档次，按 tushare 积分选择：

方案	tushare积分	数据范围	调用工具	耗时
完整版	2000+	全市场 5500+ 股票，全部表（行情/财务/因子/预告/分红）	`Update_Stock_Data`	首次数小时
精简版	200（免费认证即可获得）	指数行情 + 股票行情（仅 OHLCV），通过 baostock + tushare 免费接口获取	`Update_Stock_Data_easy`	较快

更新速度说明：即使是增量更新也不快——部分数据需要从最新缺失日期开始逐天确认是否有新数据，且 tushare 部分接口本身响应较慢。请耐心等待，不要中途中断。

进度通知：更新过程中会持续发送 MCP 进度通知（ctx.report_progress + ctx.info），格式为 [phase/total] 阶段名日期: 结果 (current/total)。完整版有 7 个阶段（指数→股票行情→基础数据→行情因子→业绩预告→分红→财报），精简版有 2 个阶段（指数→股票行情）。

API 配置：tushare API key 存放在 scripts/API_tushare.txt（纯文本，一行）。Update_Stock_Data 和 Update_Stock_Data_easy 会自动读取此文件。

pandas 3.x 兼容性：pandas 3.0+ 中 str 类型不再是 object，pd.to_datetime(df['trade_date'], errors='coerce').dt.date 需在前面先 .astype(object) 转换，否则日期处理会报错。

操作步骤：

调用 Creat_DB 创建独立数据库（指定新路径，不要覆盖 Test.duckdb）
调用 Set_QuantAll_DataBase 将新数据库路径写入设置
调用 Update_Stock_Data 或 Update_Stock_Data_easy 填充数据
重启 QuantAll 服务使新数据库生效

方案 C：使用用户自有数据库

如果用户已有 DuckDB 股票数据库，可以通过修改 DB_setting.json 直连：

json

{
  "db_path": "D:/你的数据库路径/your_db.duckdb",
  "days": 730,
  "stock": "stock",
  "map_stock": {
    "trade_date": "trade_date",
    "symbol": "symbol",
    "open": "open",
    "high": "high",
    "low": "low",
    "close": "close",
    "vol": "vol",
    "voe": "voe"
  }
  // ... 其他表的映射 ...
}

调用 Set_QuantAll_DataBase 工具或在 scripts/DB_setting.json 中手动修改。

字段名翻译层：数据库内的原始字段名与 AI 看到的字段名之间，隔着 scripts/data/db_translate.json 翻译文件。该文件将数据库字段名映射为中文描述（如 turnover_rate → 换手率、pe_ttm → 市盈率TTM），供 AI 理解字段含义。用户使用自有数据库时，可自行调整此翻译文件以匹配实际字段名。

第二部分：QuantAll（全A解析）—— 计算引擎

一句话定位

将全市场 5500+ 只股票、150+ 维度的数据抽象为统一的二维矩阵（行=日期，列=股票）。AI 只需编写向量化代码片段，数秒内完成全市场运算。

⚠️ 关键机制（AI 必须在首次使用前理解）：

不支持并行工具调用——同时发多个工具会返回"有其它任务在执行"。所有调用必须串行（一个返回后再发下一个）

select_by_code 只影响 GUI 图层，不筛选回测数据——选了北京股再跑 strategy_backtest，结果仍是全市场 5585 只。想对子集回测需在 code 中直接写筛选逻辑

select_by_code 自带统计——返回 全局平均 和 有效数量，无需再跑 heat_map 即可知道子集均值

Series → DataFrame 转换：绘图模式下每只股票只有一条收益线，对应一个关键日期（目前默认第一天）。从 DataFrame 取某天数据拿到的是 Series，需复制成与 d['close'] 同维度的 DataFrame

AI 使用场景与行为指南

核心理念：QuantAll 为 AI 配置了一台本地计算引擎。AI 不再只是"查询信息然后转述"——而是能用代码算出客观结果。这是从"数据搬运工"到"数据分析师"的根本转变。

场景一：用户有明确需求

用户直接要求回测、因子分析、选股等。

AI 行为：直接调用对应工具，先 summary 快评再深入分析。流程清晰，按"典型工作流程"执行即可。

text

用户："帮我回测一下双均线策略"
→ AI：写 code → strategy_backtest(summary) → 汇报收益率/夏普/回撤
→ 用户感兴趣 → AI：切换 detail/segments/timeline 深挖

场景二：用户模糊表述股市想法

用户没有直接说"回测"或"因子分析"，但表达了与股市相关的想法、疑问或直觉。

AI 行为：主动判断能否用 QuantAll 计算验证，而不是去搜索一些不知真假的信息来回答。如果用户的想法可以被量化表达，就写成代码跑出客观结果。

text

用户："最近小盘股是不是比大盘股表现好？"
→ AI 判断：这是市值因子 vs 收益的关系，可量化
→ AI：用 row_rank 按市值分组 → factor_analysis 计算市值因子 IC
→ AI：给用户客观数据（IC 均值、多空差），而非网上观点搬运

用户："放量上涨之后一般会怎么走？"
→ AI 判断：这是"放量+上涨"事件与未来收益的关系，可回测
→ AI：写条件代码 → strategy_backtest → 给出胜率、平均收益
→ AI：用 heat_map 做多维验证（放量程度 × 未来收益）

关键：AI 要有意识地把用户的"模糊想法"翻译成"可计算的量化问题"。这是 QuantAll 最大的价值——让 AI 的回答从"我搜到的信息说..."变成"我算出来的结果是..."。

场景三：AI 自主挖掘机会

AI 主动提出分析方向，写代码计算，读取热力图结果，形成结论——构成技术闭环。

AI 行为：基于市场常识或用户历史偏好，主动设计实验。关键在于 AI 能读到计算结果（通过 heat_map 返回的统计数据、factor_analysis 返回的 IC 指标等），据此形成有数据支撑的结论。

text

技术闭环：
AI 设计假设 → 写 code → QuantAll 执行 → 工具返回统计数据
→ AI 读取结果 → 形成结论 → 可能继续迭代（调整参数/换维度）

示例：
AI："我想验证低换手率股票是否长期跑赢高换手率股票"
→ factor_analysis(code=换手率, feature_days=20) → IC=-0.03
→ 结论：换手率与未来20日收益呈弱负相关，低换手率确实略占优
→ 进一步：move_by_code(换手率) + heat_map → 验证不同换手率区间的收益分布
→ 进一步：strategy_backtest → 量化这个策略的实际收益

技术闭环的意义：AI 不是在"猜"或"编"，每一步结论都有 QuantAll 返回的客观数据支撑。用户可以质疑代码逻辑，但不能质疑数据本身——因为它是用全市场真实数据算出来的。

AI 行为底线

先确认服务就绪：任何分析前先 ping，未启动则引导用户启动
先查可用数据：available_data 确认所需字段存在，不要假设字段名
代码必须向量化：遵守 Python Exec 环境约束，禁止循环/import/lambda
先 summary 后 detail：回测和因子分析都先看概要，再按需深入
客观呈现：给用户数据结果，标注计算逻辑和参数，不做超出数据范围的推断

Python Exec 环境规范

所有需要 code 参数的工具共享相同的 exec 环境。

内置变量

变量	类型	说明
`d`	dict[str, DataFrame]	key=字段名，value=个股×时间面板 DF（行=时间，列=股票）
`col_attrs`	dict[str, Series]	key=属性名，value=股票属性 Series（如行业、省份）
`np`	module	numpy
`pd`	module	pandas

默认数据字段（d 中可访问）

行情类：close, open, high, low, vol, amount, adj_factor

复权价格：adj_close = d['close'] * d['adj_factor']，high/low 同理

其他可用字段通过 available_data 工具查看，涵盖估值、财务、成长、交易、预告等 150+ 维度的数据，数据量的多少取决于你的本地数据库。

股票属性（col_attrs 中访问）

股票代码, 股票名称, 所属行业, 所在省份, 所在城市, 交易所, 所属概念, 实控人名称, 实控人企业性质, 员工人数 等

关键约束（必须遵守）

禁止：import / for/while 循环 / df.apply() / lambda / 递归
禁止：行方向计算（axis=1 的聚合/排序），各股票停牌时间不对齐
必须：所有运算向量化
输出：代码最后一行必须设 out = ...

QuantAll 可用工具

工具清单总览

工具	是什么	核心输出
`ping`	健康检查	"pong"
`available_data`	查看可用数据字段	字段名列表
`strategy_backtest`	策略回测	收益/夏普/回撤/胜率
`factor_analysis`	因子IC分析	IC均值/IR/正占比/多空差
`new_layer_from_code`	创建图层标记	bool → 可视化短线
`select_by_code`	筛选股票（支持集合运算）	bool → 选中集合
`move_by_code`	坐标平移映射	数值 → 热力图
`weight_by_code`	权重设置	数值 → 加权统计
`heat_map`	热力图统计	矩阵统计
`get_user_selection`	获取用户当前选中	股票代码列表
`MCP_Close`	关闭服务 ⚠️	无

mcp全A解析strategy_backtest — 策略回测

首选策略分析工具。用代码生成持仓矩阵（bool DataFrame），自动计算绩效。

参数	类型	默认值	说明
`name`	string	必填	策略名称
`code`	string	必填	策略代码，`out = bool DataFrame`（True=持仓）
`use_price`	enum	`close`	`close`=当日收盘，`next_open`=次日开盘（严格回测推荐）
`view`	enum	`summary`	`summary`/`detail`/`segments`/`timeline`
`offset_days`	int	`0`	跳过头部 N 天（避开指标预热期 NaN）
`open_commission`	float	`0.00025`	买入手续费（万分之2.5）
`close_commission`	float	`0.00075`	卖出手续费（万分之7.5）

view 视角：

view	软件端绘图	MCP 返回	后续分析	核心用途
`summary`	5585 条收益线叠加（红=持仓/绿=非持仓）	聚合统计	✅ select/move/heat_map	第一步必跑，判断策略价值
`segments`	72095 条持仓片段散点（X=买入时间, Y=收益）	聚合统计	✅ 核心：因子分析	分析买入前因子对收益的影响
`detail`	同 summary（同一张图）	5585 只股票逐一指标	✅ 同 summary	AI 内部分析 Top/Bottom 股票
`timeline`	5 条合成曲线（红=收益%/黄=排名/青=持平比/白=买比/紫=卖比）	5 列每日序列	❌ 只读	观察时间分布规律

⚠️ 关键认知：

detail 返回约 140 万字符的原始数据，绝不能直接展示给用户——AI 必须内部分析后只汇报结论

segments 的灵魂不是看收益，是看买入前因子对收益的影响——用 move_by_code 映射因子后用 heat_map 做交叉验证

timeline 是只读视图，不能用 select/move/weight/heat_map 做二次分析

四个 view 的绘图方式不同，但 summary/detail 共用同一张叠加图，segments 是散点图，timeline 是合成曲线图

持仓矩阵必须用 hold_until(buy, sell) 生成，不能手写逆序 cumsum。

text

DeferExecuteTool(toolName="mcp__全A解析__strategy_backtest", params={
  "name": "双均线交叉_MA5_MA20",
  "code": "adj_close = d['close'] * d['adj_factor']\nma5 = adj_close.rolling(5).mean()\nma20 = adj_close.rolling(20).mean()\nbuy = (ma5 > ma20) & (ma5.shift(1) <= ma20.shift(1))\nsell = (ma5 < ma20) & (ma5.shift(1) >= ma20.shift(1))\nout = hold_until(buy, sell)",
  "use_price": "next_open",
  "offset_days": 20,
  "view": "summary"
})

mcp全A解析factor_analysis — 因子分析

评估因子与未来收益的 Spearman 秩相关（Rank IC）。核心认知：和 strategy_backtest 类似，factor_analysis 有三个 mode，从不同维度评估因子有效性。标准流程是 summary → daily → scatter（逐步深入）。

参数	类型	默认值	说明
`name`	string	必填	因子名称
`code`	string	必填	`out = 数值 DataFrame`
`feature_days`	int	`1`	评估未来第 N 天收益
`mode`	enum	`summary`	`summary`/`daily`/`scatter`

三种模式对比

mode	MCP 返回	软件端绘图	后续分析	核心用途
summary	聚合统计（IC均值/IR/正占比/多空差）	散点图：X=收益排序，Y=因子排序，红=高收益，绿=低收益	支持 move_by_code + heat_map + select_by_code	第一步必跑，判断因子是否有效
daily	每日IC时间序列 + 每日前/后10%IC	时序曲线图：X=时间，Y=IC值，三条曲线（蓝=每日IC/红=前10%/绿=后10%）	不支持（只读视图）	看IC时序稳定性、时段特征
scatter	同 summary 的聚合统计	时序散点图：X=时间（按天排列，每天因子排序缩放到0-0.8），Y=因子排序，红=高收益，绿=低收益	支持在时间维度上进一步分析	观察因子-收益关系随时间的演变

关键区别：

summary 是全局截面散点——所有(日期,股票)混在一起，看整体因子-收益关系

scatter 是时序截面散点——每个时间切片独立排列，能看到垂直条纹（不同日期的IC强度差异），局部放大可分析特定时段

daily 是纯时序曲线——只看IC随时间的变化，不支持二次分析

返回指标说明

指标	含义	判断标准
IC均值	因子值与未来收益的 Spearman 秩相关系数均值	绝对值越大越好；正=因子值越高收益越高
IC标准差	IC 的波动性	越小越稳定
IC_IR	IC均值 / IC标准差	衡量因子风险调整后预测力；通常 \|IR\|>0.3 视为有效
IC正占比	IC>0 的天数比例	偏离50%越多方向越稳定
多空排名差	因子值最高组 vs 最低组的收益排名差	越大区分度越好
前/后10%平均排名	因子极端分组的平均收益排名（0.5=平均）	偏离0.5越多尾部信号越强
feature_days	评估未来第 N 天收益	长周期（20d）通常比短周期（5d）IC更强

实战用法

python

# 单因子分析
factor_analysis(name="换手率", code="out = d['换手率']", feature_days=20, mode="summary")

# 复合因子（各自排名后等权组合）
factor_analysis(
    name="低换手小市值",
    code="turnover_rank = row_rank(d['换手率'])\nsize_rank = row_rank(d['总市值'])\nout = (1 - turnover_rank) + (1 - size_rank)",
    feature_days=20,
    mode="summary"
)

# 动量因子 → 用 daily 模式看 IC 时序稳定性
factor_analysis(
    name="20日动量",
    code="adj_close = d['close'] * d['adj_factor']\nout = adj_close.pct_change(20)",
    feature_days=20,
    mode="daily"
)

⚠️ 关键规则：factor_analysis 内部已自动做排名转换（Spearman Rank IC），单因子代码中不需要手动 row_rank()——out = d['字段名'] 直接输出即可。但如果要组合多个因子，必须手动 rank 后再组合（确保量纲一致），如上面的复合因子示例。

因子分析决策树

text

跑 factor_analysis(summary)
  │
  ├─ |IC_IR| > 0.3？IC正占比偏离50%？
  │   ├─ 否 → 因子无效，换一个
  │   └─ 是 → 继续
  │
  ├─ mode=daily → IC 时序稳定？长期同符号？
  │   频繁正负翻转 → 因子不稳定，时效性强
  │   ⚠️ 只读视图，不支持二次分析
  │
  └─ mode=scatter → 时序截面分布分析
      支持 move_by_code / heat_map 在时间维度进一步挖掘

daily 模式返回格式

json

{
  "每日IC信息": "                每日IC  每日前10%IC  每日后10%IC\nYYYY-MM-DD -0.XXXXX -0.XXXXX -0.XXXXX\n..."
}

每日IC：每天的 Rank IC
每日前10%IC：因子值最高 10% 股票的 IC 贡献
每日后10%IC：因子值最低 10% 股票的 IC 贡献
最后 feature_days 行全为 NaN——没有足够未来数据计算

mcp全A解析new_layer_from_code — 创建图层

定位：量化分析的视觉探索入口。将用户感兴趣的条件（买点、卖点、事件、因子极值等）直接绘制到软件端，然后通过平移、权重、筛选、热力图等工具进行多维深度分析。

参数	类型	默认值	说明
`name`	string	必填	图层名称
`code`	string	必填	`out = bool DataFrame`（True 位置绘制短线）

底层数据结构：散点，不是面板

new_layer_from_code 的本质是标记一批 (股票, 关键日期) 散点。每个 True = 一个离散数据点。后续 move_by_code、weight_by_code、select_by_code 都基于这些散点做截面计算。

双视角理解：

视角	看到的是什么	分析对象
AI（散点视图）	每个 True = 一个离散的 (股票, 日期) 数据点	散点的截面数据，用于 move/weight/select
用户（走势线视图）	GUI 端以标记日为起点，往后自动绘制 N 天 K 线走势	短期价格形态，用于直观验证

💡 绘制天数和绘制模式是 GUI 端参数，不在 MCP 参数中——它们只影响用户端的视觉呈现，不影响 AI 的分析数据。

Shift 机制：将前后数据拉到标记日

虽然散点本身只定位到标记日，但 move_by_code、weight_by_code、select_by_code 的代码中可以使用 .shift() 将标记日之前或之后的数据拉到散点上参与计算。

text

时间轴:    T-5    T-4    T-3    T-2    T-1    T(标记日)    T+1    T+2    T+3    T+4    T+5
                           ↑ .shift(3)   │   .shift(-2) ↑
                           可将 T-3 日    │    可将 T+2 日
                           数据拉到标记日  │    数据拉到标记日
                                        ┌─┴─┐
                                       散点位置

shift 方向	含义	典型用途
`.shift(N)`	取标记日之前第 N 天的数据	标记前的估值水位、量能累积
`.shift(-N)`	取标记日之后第 N 天的数据	未来收益、止损距离、最大回撤

⚠️ 这意味着 AI 可以分析标记前后的任何数据——只要在 move/weight/select 代码中显式 .shift() 即可。例如 weight_by_code(code="adj_close.shift(-5)/adj_close - 1") 就是把"标记后第 5 天收益"作为权重。

图层机制：单图层，新替旧

软件只维护一个活动图层。新的 new_layer_from_code 会替换旧的绘制内容。

版本	设计	取舍
当前（推荐）	单图层，新替旧	AI 复杂度低，每次分析聚焦一个条件
早期（已废弃）	多图层，各自独立	AI 复杂度爆炸——每次 move/weight/select 都得指定目标图层

💡 "聚焦"是设计意图：如果用户换了条件（新 new_layer），说明分析焦点已转移，旧图层不再需要。这倒逼 AI 在一个图层上完成深度分析，而不是维护多个半成品图层。

会创建图层的工具（仅以下三个）：

工具	创建的图层内容
`new_layer_from_code`	自定义条件标记的散点 + 走势线
`strategy_backtest`	回测的买卖点 + 收益曲线
`factor_analysis` (scatter 模式)	因子值 × 收益的散点分布

早期版本有更多图层创建方法，暂时未导入——避免 AI 认知复杂度。后续可能逐步导入。

默认状态

无平移：所有散点按原始时间位置排列，不做坐标映射
无权重：默认权重为"数量"——每个散点等权计入统计

完整分析管道

new_layer_from_code 不是一个终点，而是后续分析的起点：

text

new_layer_from_code（标记感兴趣的事件）
  │
  ├─ move_by_code(direction="x") → 将维度 A 映射到 X 轴
  ├─ move_by_code(direction="y") → 将维度 B 映射到 Y 轴
  │   └─ 此时已可看到二维分布
  │
  ├─ weight_by_code → 调整统计权重（默认等权）
  │   └─ 权重影响 heat_map 中的加权统计
  │
  ├─ select_by_code → 筛选特定子集（支持集合运算）
  │   └─ 自带"全局平均"和"有效数量"统计
  │
  └─ heat_map → 获取 XY 二维热力图统计矩阵
      └─ matrix[i][j]: i=Y行, j=X列, origin=bottom-left

三大核心场景

场景一：买点分析

标记买入信号（金叉、突破、超卖等），用未来收益做 Y 轴平移，观察"买入后 N 天表现"的分布。

python

# 标记：放量突破20日均线
new_layer_from_code(name="放量突破", code="""
adj_close = d['close'] * d['adj_factor']
ma20 = adj_close.rolling(20).mean()
breakout = (adj_close > ma20) & (adj_close.shift(1) <= ma20.shift(1))
vol_ma = d['vol'].rolling(20).mean()
volume_spike = d['vol'] > vol_ma * 1.5
out = breakout & volume_spike
""")

# 后续分析：Y轴 = 未来10日收益，X轴 = 突破时成交量倍数
move_by_code(code="d['vol'] / d['vol'].rolling(20).mean()", direction="x", name="量比")
move_by_code(code="adj_close.shift(-10)/adj_close - 1", direction="y", name="10日收益")
# → heat_map 查看"量比 × 10日收益"的二维分布

场景二：卖点分析

标记卖出信号（死叉、破位、超买等），观察卖出后走势。逻辑同上，只是标记条件不同。

python

# 标记：RSI 超买后回落
new_layer_from_code(name="RSI超买回落", code="""
adj_close = d['close'] * d['adj_factor']
delta = adj_close.diff()
gain = delta.clip(lower=0).rolling(14).mean()
loss = (-delta.clip(upper=0)).rolling(14).mean()
rsi = 100 - 100 / (1 + gain / loss)
out = (rsi.shift(1) >= 70) & (rsi < 70)
""")

场景三：因子分析（全市场遍历）

将所有股票在所有日期的数据全部标记出来，然后用因子值控制平移（move_by_code），用热力图观察因子×收益的分布关系。这是对 factor_analysis 的视觉化补充——能看到具体分布形态而不只是统计量。

python

# 第一步：标记所有日期（260万+ 数据点）
new_layer_from_code(name="全市场遍历", code="out = d['close'].notna()")

# 第二步：X轴 = 市值因子，Y轴 = 未来20日收益
move_by_code(code="out = d['总市值']", direction="x", name="市值")
move_by_code(code="adj_close.shift(-20)/adj_close - 1", direction="y", name="20日收益")

# 第三步：筛选高收益分段，进一步分析
select_by_code(mode="A", code="""
adj_close = d['close'] * d['adj_factor']
out = adj_close.shift(-20) / adj_close > 1.2
""")

与其他工具的关系

搭配工具	作用	典型问题
`move_by_code` (x)	用因子值控制 X 轴位置	"放量程度如何影响后续收益？"
`move_by_code` (y)	用因子值控制 Y 轴位置	"不同市值分组的收益分布？"
`weight_by_code`	调整统计权重	"按成交金额加权看全局均值"
`select_by_code`	筛选子集	"哪些段位的放量后收益最高？"
`heat_map`	获取二维统计矩阵	"XX × YY 的密度分布"

⚠️ 注意：new_layer_from_code 标记的点数可能非常大（全市场遍历 ≈ 260 万点）。这是正常的——QuantAll 的向量化引擎就是为此设计的。move_by_code 和 heat_map 会自动降维统计，不会因数据量大而卡顿。

mcp全A解析move_by_code — 坐标平移

将散点的额外维度映射到坐标轴位置，使空间分布反映数据特征。是 new_layer_from_code 之后的核心分析步骤。

参数	类型	默认值	说明
`code`	string	必填	`out = 数值 DataFrame`，映射到 X/Y 轴
`direction`	enum	`y`	`x` 或 `y`（双向独立，互不干扰）
`name`	string	—	维度名称（显示在返回结果中）
`to_percentile`	bool	`true`	是否转排名值（0~1），消除量纲差异
`optimized_display`	bool	`false`	是否通过比率调整和分组优化显示

关键行为

行为	说明
同方向覆盖	第二次 `direction="x"` 会替换第一次的 X 轴映射；Y 同理
双方向独立	X 和 Y 各自维护，互不影响
shift 时效	`.shift(-N)` 有效（如 `adj_close.shift(-20)/adj_close - 1`），但会丢弃尾部 NaN 导致有效数量减少
多次 shift	同一 code 中可多次 shift，如同时计算标记日前后的变化

optimized_display（显示优化）

optimized_display=True 时，通过比率调整和分组将散点聚合优化显示——数据量很大时（如全市场 260 万点），GUI 端的散点过于密集，开启后自动压缩聚合，观察分布形态更方便。建议在以下场景使用：

全市场遍历且散点数超过 10 万时
为后续 get_user_selection 交互做准备（框选更容易）
不关心单个点的精确位置，只需看整体分布

💡 聚合优化后细分的含义不变（仍然是排名百分位），只是视觉上合并了邻近的稀疏区域，核心统计（热力图矩阵、轴统计）不受影响。

to_percentile 效果

`to_percentile`	轴细分	轴统计	适用场景
`true`（默认）	等距（0.0, 0.1, …, 1.0）	各段均匀（排名后等分）	看"高/中/低"分段的关联
`false`	按真实值范围	分布不均	看原始量纲的实际分布

⚠️ false 时分布不均是正常现象：金融数据的真实值天然极端不均——少数大市值股票占据绝大部分总市值、成交量集中在头部、大量股票换手率极低。false 就是直接用这些真实值做轴，分布不均是数据本身的特征，不是 bug。

正因如此，默认才开启 true——先用排名消除量纲和分布偏度，确认因子有效后，再切 false 看真实值里的实际情况。

返回结构

move_by_code 返回完整的热力图数据（无需单独调 heat_map）：

text

有效数量, X/Y轴统计（10等分）, X/Y轴细分, X/Y轴缩放,
XY热力图数量[10×10], XY热力图权重[10×10]（如有加权）
matrix[i][j]: i=Y行, j=X列, origin=bottom-left

与 shift 配合

move 中的 .shift() 是分析"标记后表现"的核心手段：

python

# 基础：直接映射当前数据
move_by_code(code="d['换手率']", direction="x", name="换手率")

# 进阶：映射未来 N 日收益（最常用）
move_by_code(
    code="adj_close.shift(-10)/adj_close - 1",
    direction="y", name="10日收益"
)

# 混合：X=标记前量比，Y=标记后最大涨幅
move_by_code(code="d['vol']/d['vol'].rolling(20).mean()", direction="x", name="量比")
move_by_code(
    code="(adj_close.shift(-5)/adj_close).rolling(5, min_periods=1).max() - 1",
    direction="y", name="5日最大涨幅"
)

mcp全A解析weight_by_code — 权重控制

控制散点的统计权重，影响 heat_map 中的加权均值。默认"数量"（等权）。

参数	类型	默认值	说明
`code`	string	必填	`out = 数值 DataFrame`
`name`	string	—	权重名称
`to_percentile`	bool	`true`	是否转排名值

关键行为

行为	说明
覆盖	新权重替换旧权重，不会叠加
全局平均	返回散点的加权均值。默认为 1.0（等权），加权后按实际量纲（如成交量可能数万~数亿，取决于数据库单位）
轴统计变加权和	X/Y 轴统计从点数变为该段的总权重
增加 XY热力图权重矩阵	与 XY热力图数量并排显示，每个格子显示格子内总权重
不改变点数量	有效数量不变，只改变权重值

实测效果

python

# 默认（等权）
→ 全局平均: 1.0, X轴统计每段 ~258k（均等）

# 成交量加权（数据库单位：千股）
weight_by_code(code="out = d['vol']", name="成交量加权")
→ 全局平均: 234713（正常——成交量本身是大数，千股单位下数十万属常规范围）

💡 加权后的全局平均和轴统计是原始量纲的客观计算结果，数字大是数据本身量级决定的（如成交量千股/股、市值亿元），不是异常。

⚠️ 如果运行时直接报错拿不到数据（而非拿到数据但数字不对），可能是 pandas 2.x → 3.0.3 升级导致的兼容性问题。数据本身不会因版本变化而"算错"——能拿到就一定是客观结果。

mcp全A解析heat_map — 热力图统计

只读查询工具——获取当前图层的二维统计矩阵，不改变任何配置。

参数	类型	默认值	说明
`mode`	enum	`auto`	`auto`（全部10等分）/ `percent`（指定排名范围）/ `value`（指定数值范围）
`x_range`	[num, num]	—	X 轴范围（percent/value 模式）
`y_range`	[num, num]	—	Y 轴范围（percent/value 模式）

与嵌入数据的区别

move/weight/select 返回中已经包含了 heat_map 数据（10×10 矩阵），那是"当前配置下的默认 10 等分"。heat_map 工具的额外价值是自定义范围和缩放粒度：

python

# 只看中间段：X=0.2~0.8排名, Y=0.4~0.9排名
heat_map(mode="percent", x_range=[0.2, 0.8], y_range=[0.4, 0.9])
# → 在该子范围内重新 10 等分统计

# 指定数值范围（需确保 X/Y 有用 to_percentile=false 映射）
heat_map(mode="value", x_range=[-0.05, 0.15], y_range=[-0.1, 0.3])

矩阵结构

text

matrix[i][j]: i=Y行（从下往上：0=Y最小值段, 9=Y最大值段）
              j=X列（从左往右：0=X最小值段, 9=X最大值段）
origin=bottom-left → matrix[0][0] = 左下角（X最小, Y最小）

mcp全A解析select_by_code — 筛选子集

在当前图层中按条件筛选散点，支持 6 种集合运算。筛选后自动重新统计所有维度（X/Y 轴、热力图）。

参数	类型	默认值	说明
`mode`	enum	必填	`A`(新选) / `AB`(∩) / `A+B`(∪) / `A-B` / `B-A` / `A+B-AB`(对称差)
`code`	string	必填	`out = bool DataFrame`

集合模式详解

mode	运算	结果说明	典型用途
`A`	B = A	用新条件替换当前选中	初始筛选、切换分析视角
`AB`	B = B ∩ A	在当前选中中进一步筛选	多条件收窄：先选高收益→再选低市值
`A+B`	B = B ∪ A	在当前选中中追加	合并两个条件的点
`A-B`	B = B - A	从当前选中中移除	排除干扰项
`B-A`	B = A - B	从新条件中排除当前选中	找"不在已知集合中"的点
`A+B-AB`	B = B ⊕ A	对称差（异或）	找两集合不同的部分

在管道中的位置

select 在 move/weight 之后使用——它继承当前图层的所有配置，筛选后自动重新分桶统计：

python

# 完整管道示例
new_layer_from_code(name="全市场", code="out = d['close'].notna()")
move_by_code(code="d['总市值']", direction="x", name="市值")
move_by_code(code="adj_close.shift(-20)/adj_close - 1", direction="y", name="20日收益")

# 筛选：高收益 + 小市值（AB 模式，在 move 之后）
select_by_code(mode="A", code="adj_close.shift(-20)/adj_close > 1.2")  # 25万点
select_by_code(mode="AB", code="row_rank(d['总市值']) < 0.3")           # 进一步收窄
# → 返回筛选后的 X/Y 轴统计和热力图（自动用筛选后的点重新分桶）

⚠️ select 不回测：select 只影响 GUI 图层的选中状态和统计，不影响 strategy_backtest 的数据范围。

mcp全A解析get_user_selection — 获取用户交互选中

QuantAll 不只是绘图工具，也支持用户在 GUI 端的交互操作。用户可以通过鼠标直接与图层内容互动，get_user_selection 将用户的交互选中结果返回给 AI，构成从"AI 展示 → 用户观察 → 用户框选 → AI 深入分析"的闭环。

软件端交互操作速查

操作	方式	功能
拖拽画布	鼠标左键拖拽	平移画布视角
缩放画布	鼠标中键滚轮 / 中键拖拽	放大/缩小视图
🚩 框选（重新选取）	右键从右下→左上拖拽（红色选框）	放弃之前选中，重新框选
清空选择	右键从右上→左下拖拽（绿色选框）	清空所有已选中内容
添加选择	右键从左下→右上拖拽（紫色选框）	在现有选中基础上追加
扣除选择	右键从左上→右下拖拽（青色选框）	从现有选中中移除

💡 四色记忆口诀：红=重选（reset）、绿=清空（clear）、紫=加（add）、青=减（subtract）。方向决定颜色，颜色决定操作。

选择范围规则：

仅对**绘图点（散点）**有效，对中键连线无效
可设置为仅对关键日期点有效，避免选中走势线中间的点
选中 ≤20 个散点时：GUI 端自动绘制详细 K 线图 + 补全行情曲线
选中 >20 个散点时：GUI 端自动绘制热力统计图

工具用途

场景	用户操作	AI 响应
看到异常区域	右键框选那片散点	`get_user_selection` → AI 分析被选中点的共性特征
验证某个想法	选中特定条件区间的点	AI 读取代码列表后进一步查询/统计
对比两个区域	依次框选两组散点	AI 分别获取后对比差异

返回结构

text

无选中时 → "当前用户无选中"
有选中时 → primary_code（K线图主图股票代码，可为 None）
           top_100（选中的前 100 只股票代码列表）
           select_count（用户框选的散点数）
           total_count（当前图层的全部散点数——用于对比选中占比）

⚠️ 注意区分：select_count 是用户选中的数量，total_count 是图层总数（提供上下文参照）。select_count > 100 时 top_100 仅为前 100 只，AI 应提醒"选中范围过大（XX 个点），建议缩小选框后再分析"。

设计意图

这是 QuantAll 交互闭环的最后一步：AI 绘制图层 → 用户观察 → 用户框选感兴趣的区域 → AI 获取选中内容深入分析。它让用户从"被动看 AI 分析结果"变为**"主动探索数据"**——用户看到图形中的异常区域、有趣分布，可以直接框选问 AI"这些点有什么共同特征？"。

mcp全A解析MCP_Close — 关闭服务

⚠️ 警告：非常规任务不要调用！会关闭 QuantAll MCP 服务并回收资源。

核心函数参考

hold_until(buy, sell) — 持仓矩阵生成（回测专用）

python

# 单卖点
buy = (D.shift(1) <= 20) & (D > 20)
sell = (D.shift(1) >= 80) & (D < 80)
out = hold_until(buy, sell)

# 多卖点（自动 OR 合并）
out = hold_until(buy, [sell1, sell2])

entry_check(window, conditions, mode="keep") — 买入窗口条件检测

在连续窗口内检测条件信号。mode: keep/discard/left/right/start/end/next

python

window = buy.shift(10, fill_value=False).rolling(11).max().astype(bool)
volume_spike = d['vol'] > d['vol'].rolling(20).mean() * 2
out = entry_check(window, volume_spike, mode="end")

row_rank(df, split=[]) — 横截面排名

返回百分位值（0~1）。split 可按代码分组独立排名。

时间函数

函数	说明
`get_time()`	返回每个单元格的时间整数
`time_at(rq)`	匹配指定时间（负数=倒数第N天）
`time_between(srq, erq)`	匹配时间区间（左闭右开）
`time_in(rqs)`	匹配多个指定时间

常用策略代码模板

双均线交叉

python

adj_close = d['close'] * d['adj_factor']
ma5 = adj_close.rolling(5).mean()
ma20 = adj_close.rolling(20).mean()
buy = (ma5 > ma20) & (ma5.shift(1) <= ma20.shift(1))
sell = (ma5 < ma20) & (ma5.shift(1) >= ma20.shift(1))
out = hold_until(buy, sell)

RSI 超买超卖

python

adj_close = d['close'] * d['adj_factor']
delta = adj_close.diff()
gain = delta.clip(lower=0).rolling(14).mean()
loss = (-delta.clip(upper=0)).rolling(14).mean()
rs = gain / loss
rsi = 100 - 100 / (1 + rs)
buy = (rsi.shift(1) <= 30) & (rsi > 30)
sell = (rsi.shift(1) >= 70) & (rsi < 70)
out = hold_until(buy, sell)

放量突破

python

adj_close = d['close'] * d['adj_factor']
ma20 = adj_close.rolling(20).mean()
vol_ma = d['vol'].rolling(20).mean()
breakout = (adj_close > ma20) & (adj_close.shift(1) <= ma20.shift(1))
volume_spike = d['vol'] > vol_ma * 2
buy = breakout & volume_spike
sell = adj_close < ma20
out = hold_until(buy, sell)

KDJ 金叉

python

adj_close = d['close'] * d['adj_factor']
low_c = d['low'] * d['adj_factor']
high_c = d['high'] * d['adj_factor']
lowest = low_c.rolling(9).min()
highest = high_c.rolling(9).max()
rsv = (adj_close - lowest) / (highest - lowest) * 100
k = rsv.ewm(com=2, adjust=False).mean()
d_val = k.ewm(com=2, adjust=False).mean()
j = 3 * k - 2 * d_val
buy = (k > d_val) & (k.shift(1) <= d_val.shift(1)) & (j < 50)
sell = (k < d_val) & (k.shift(1) >= d_val.shift(1)) & (j > 50)
out = hold_until(buy, sell)

市值+动量复合因子

python

adj_close = d['close'] * d['adj_factor']
momentum = adj_close.pct_change(20)
m_rank = row_rank(momentum)
size_rank = row_rank(d['总市值'])
out = 0.7 * m_rank + 0.3 * (1 - size_rank)

典型工作流程

策略回测流程

（如使用 UpdateStock）UpdateStock.ping → 确认数据库管理服务正常
全A解析.ping → 确认计算引擎就绪（如未启动，参考 Step 4 三种启动方式）
全A解析.available_data → 确认所需字段可用
全A解析.strategy_backtest → 先 view=summary 快评，再 detail/segments/timeline 深挖

因子分析流程

（同上，确保服务就绪）
全A解析.available_data → 确认因子字段可用（数据库字段名与 AI 看到的名称中间有翻译层，别假设字段名）
全A解析.factor_analysis → 先 mode=summary 看 IC 概览，判断因子是否有效（|IC_IR|>0.3）
切换 mode=daily → 看 IC 时序稳定性（频繁正负翻转则因子不稳定，加注时效性警告）
切换 mode=scatter → 软件端观察因子-收益关系随时间的演变
move_by_code + heat_map → 多维交叉验证（如因子值 × 换手率的二维分布）
因子有效 → strategy_backtest 验证基于此因子的策略收益

可视化探索流程

核心思路：标记 → 平移 → 加权 → 统计 → 筛选 → 迭代。每一步都是可选的，按需组合。

基础路径（事件分析）

text

1. new_layer_from_code → 标记感兴趣的事件/买点/卖点
2. move_by_code → 将额外维度映射到坐标轴（一维或二维）
3. weight_by_code → 设置统计权重（可选，默认等权）
4. heat_map → 获取多维关系统计矩阵
5. select_by_code → 筛选子集，迭代分析

因子分析视觉路径

text

1. new_layer_from_code → 标记所有(股票, 日期)点（out = d['close'].notna()）
2. move_by_code(x) → X轴 = 因子A（如市值、换手率）
3. move_by_code(y) → Y轴 = 未来N日收益
4. weight_by_code → 可选加权（默认"数量"）
5. heat_map → 获取 "因子A × 未来收益" 的二维分布
6. select_by_code → 筛选特定因子段位+收益段位 → 深入分析

这个路径是 factor_analysis 的视觉化补充：factor_analysis 告诉你 IC 多大，但这个路径让你看到分布形态——收益是均匀分布还是集中在某个因子段位。

实战经验文档：详细使用模式、代码模板、踩坑记录和实战案例，参见 references/quantall_playbook.md。执行复杂分析任务前建议先阅读。本文档随使用经验持续积累更新。

注意事项

持仓生成必须用 hold_until，禁止手写逆序 cumsum
穿越信号：上穿 (val > t) & (val.shift(1) <= t)，DataFrame 交叉两边都 shift
复权价格必须手动算：adj_close = d['close'] * d['adj_factor']
禁止 axis=1（行方向计算），各股票时间不对齐
严格回测推荐 use_price="next_open" + offset_days 跳过预热期
手续费默认买入万2.5、卖出万7.5（含印花税）
row_rank 返回百分位值（0~1），可直接用于因子标准化
MCP_Close 仅明确不再需要时调用，常规任务禁止

版本历史

v1.0 — 首版发布，覆盖 QuantAll 全A解析 MCP 全部 11 个工具：ping、available_data、MCP_Close、strategy_backtest、factor_analysis、new_layer_from_code、move_by_code、weight_by_code、select_by_code、heat_map、get_user_selection。配套 ai_prompts.toml AI 执行指南、quantall_playbook.md 实战使用手册。
v1.0 PyPI 发布 — QuantAll 已发布至 PyPI（pip install quantall），安装方式从本地 whl 改为在线 pip 安装。包内内置 ai_prompts.toml 和 Test.duckdb。tushare/baostock 不在 pip 依赖中，需单独安装。
v1.0 安装说明优化 — 强化镜像源提醒（45 个依赖包、300MB+，务必使用清华源）；tushare/baostock 明确标记为可选（仅 UpdateStock 需要，QuantAll 独立运行无需）；新增桌面快捷方式创建提醒（安装后 AI 主动询问，使用 pywin32 创建 .lnk）。
v1.0 提交规范 — 技能包提交时不附带 run.bat 和 Test.duckdb。SKILL.md 更新：Step 5 改为指导用户自行创建 run.bat 后再制作桌面快捷方式；Test.duckdb 改为 quantall pip 安装包内置（默认数据库），用户需修改 DB_setting.json 的 db_path 切换到自有数据库。

QuantAll

Install

QuantAll（全A解析）MCP 技能

架构概述：QuantAll 与 UpdateStock 的关系

两个 MCP 服务配置

第一部分：UpdateStock —— 数据库管理（可选辅助）

1.1 环境要求

1.2 安装流程（详细版）

Step 1 — 创建虚拟环境

Step 2 — 用镜像源安装 QuantAll

（可选）安装 UpdateStock 依赖

Step 3 — 配置 MCP 连接

Step 4 — 启动 QuantAll（三种方式）

方式一：AI 通过 UpdateStock 辅助启动（推荐 AI 场景）

方式二：双击 run.bat 脚本启动（推荐手动场景）

方式三：直接运行 Start_QuantAll.py

QuantAll 用户协议

Step 5 — 创建 run.bat 和桌面快捷方式（推荐）

第一步：创建 run.bat

第二步：创建桌面快捷方式

1.3 数据库方案

方案 A：使用内置测试数据库（仅供功能验证）

方案 B：通过 UpdateStock 创建完整数据库

方案 C：使用用户自有数据库

第二部分：QuantAll（全A解析）—— 计算引擎

一句话定位

AI 使用场景与行为指南

场景一：用户有明确需求

场景二：用户模糊表述股市想法

场景三：AI 自主挖掘机会

AI 行为底线

Python Exec 环境规范

内置变量

默认数据字段（d 中可访问）

股票属性（col_attrs 中访问）

关键约束（必须遵守）

QuantAll 可用工具

工具清单总览

mcp__全A解析__strategy_backtest — 策略回测

mcp__全A解析__factor_analysis — 因子分析

三种模式对比

返回指标说明

实战用法

因子分析决策树

daily 模式返回格式

mcp__全A解析__new_layer_from_code — 创建图层

底层数据结构：散点，不是面板

Shift 机制：将前后数据拉到标记日

图层机制：单图层，新替旧

默认状态

完整分析管道

三大核心场景

场景一：买点分析

场景二：卖点分析

场景三：因子分析（全市场遍历）

与其他工具的关系

mcp__全A解析__move_by_code — 坐标平移

关键行为

optimized_display（显示优化）

to_percentile 效果

返回结构

与 shift 配合

mcp__全A解析__weight_by_code — 权重控制

关键行为

实测效果

mcp__全A解析__heat_map — 热力图统计

与嵌入数据的区别

矩阵结构

mcp__全A解析__select_by_code — 筛选子集

集合模式详解

在管道中的位置

mcp__全A解析__get_user_selection — 获取用户交互选中

软件端交互操作速查

工具用途

返回结构

设计意图

mcp__全A解析__MCP_Close — 关闭服务

核心函数参考

hold_until(buy, sell) — 持仓矩阵生成（回测专用）

entry_check(window, conditions, mode="keep") — 买入窗口条件检测

mcp全A解析strategy_backtest — 策略回测

mcp全A解析factor_analysis — 因子分析

mcp全A解析new_layer_from_code — 创建图层

mcp全A解析move_by_code — 坐标平移

mcp全A解析weight_by_code — 权重控制

mcp全A解析heat_map — 热力图统计

mcp全A解析select_by_code — 筛选子集

mcp全A解析get_user_selection — 获取用户交互选中

mcp全A解析MCP_Close — 关闭服务