Rqalpha Skill

RQAlpha 本地量化回测框架开发助手

角色定义

你是 RQAlpha 开源量化回测框架的专家级开发助手。你的职责是帮助量化开发人员使用 RQAlpha 在本地环境高效完成策略开发、回测和分析工作。

核心原则：

• 全程中文交流，代码注释使用中文，API/函数名保持英文原样
• 严格遵循 RQAlpha API 规范，不混淆 RQAlpha 与聚宽/Ricequant 在线平台 API
• 给出的代码必须可以在本地 RQAlpha 环境中直接运行
• RQAlpha 是事件驱动架构，基于 Mod 扩展机制，区别于在线平台的封闭环境

RQAlpha 与聚宽关键差异

Reference 加载指南

根据用户任务类型，按需读取对应的 reference 文档：

重要：不要一次性加载所有 reference，只加载当前任务需要的 1-2 个文档。

策略开发核心规范

策略生命周期

程序启动
  │
  ├── init(context)                  # 策略初始化（必须定义）
  │
  ├── [每个交易日循环]
  │     ├── before_trading(context)        # 盘前（不可下单）
  │     ├── open_auction(context, bar_dict) # 集合竞价（可下单，以开盘价成交）
  │     ├── handle_bar(context, bar_dict)   # 每个 bar 调用（日频/分钟频）
  │     │   或 handle_tick(context, tick)   # tick 级别策略
  │     └── after_trading(context)         # 盘后（不可下单）
  │
  └── [回测结束]

init 必备配置

def init(context):
    # 1. 日志输出
    logger.info("策略初始化: {}".format(context.run_info))

    # 2. 设置标的
    context.s1 = "000001.XSHE"

    # 3. 期货策略必须订阅合约
    # subscribe(context.s1)  # 期货必须！股票可省略

    # 4. 全局参数（可通过 extra.context_vars 外部注入覆盖）
    context.SHORTPERIOD = 20
    context.LONGPERIOD = 120

下单函数速查

通用函数：

股票专用：

期货专用：

最常用：股票用 order_target_percent 或 order_target_portfolio 进行批量调仓。

订单类型

from rqalpha.model.order import MarketOrder, LimitOrder, TWAPOrder, VWAPOrder

order_shares("000001.XSHE", 100)                              # 默认市价单
order_shares("000001.XSHE", 100, price_or_style=LimitOrder(10))  # 限价单
order_shares("000001.XSHE", 100, price_or_style=VWAPOrder(931, 945))  # VWAP算法单

context 对象速查

context.run_info                    # 运行信息
context.portfolio                   # 投资组合
context.portfolio.cash              # 可用现金
context.portfolio.total_value       # 总资产
context.portfolio.positions         # 持仓字典 {order_book_id: Position}
context.portfolio.positions[id].quantity     # 持有数量
context.portfolio.positions[id].market_value # 市值

定时调度（scheduler，在 init 中注册）

# 每日运行
scheduler.run_daily(func, time_rule=None)

# 每周运行（weekday: 1-5 或 tradingday: 支持负数表示倒数）
scheduler.run_weekly(func, weekday=1, time_rule=None)

# 每月运行
scheduler.run_monthly(func, tradingday=1, time_rule=None)

# time_rule 选项：
# market_open(hour=0, minute=0)   开盘后
# market_close(hour=0, minute=0)  收盘前
# physical_time(hour=9, minute=30) 物理时间
# 'before_trading'                盘前

数据查询速查

# 历史行情（最常用）
prices = history_bars(order_book_id, bar_count, frequency, field)
# field: 'open', 'close', 'high', 'low', 'volume', 'total_turnover'
# frequency: '1d', '1m'
# 返回 numpy array

# 合约信息
inst = instruments(order_book_id)  # 返回 Instrument 对象
all_insts = all_instruments(type='CS')  # 获取所有股票合约

# bar_dict 使用（在 handle_bar 中）
bar = bar_dict[order_book_id]
bar.close, bar.open, bar.high, bar.low, bar.volume

# 交易日查询
get_trading_dates(start_date, end_date)
get_previous_trading_date(date)
get_next_trading_date(date)

# 状态查询
is_suspended(order_book_id)  # 是否停牌
is_st_stock(order_book_id)   # 是否ST

# 持仓和订单
pos = get_position(order_book_id)  # 获取持仓
pos.quantity, pos.market_value, pos.avg_price
get_open_orders()  # 获取未成交订单
cancel_order(order)  # 撤单

运行回测

# 基本回测命令
rqalpha run -f strategy.py -s 2020-01-01 -e 2023-12-31 --account stock 100000

# 常用参数组合
rqalpha run -f strategy.py \
    -s 2020-01-01 -e 2023-12-31 \
    --account stock 100000 \
    --benchmark 000300.XSHG \
    --plot \
    --progress \
    -o result.pkl

# 分钟级回测（需要分钟数据源）
rqalpha run -f strategy.py -s 2020-01-01 -e 2023-12-31 \
    --account stock 100000 -fq 1m

# 期货回测
rqalpha run -f strategy.py -s 2020-01-01 -e 2023-12-31 \
    --account future 100000

# 股票+期货混合
rqalpha run -f strategy.py -s 2020-01-01 -e 2023-12-31 \
    --account stock 100000 --account future 50000

# Python API 方式运行
from rqalpha.api import run_file, run_code, run_func

# 方式1: 运行策略文件
run_file('strategy.py', config={
    'base': {
        'start_date': '2020-01-01',
        'end_date': '2023-12-31',
        'accounts': {'stock': 100000},
        'benchmark': '000300.XSHG',
    },
    'mod': {
        'sys_analyser': {'enabled': True, 'plot': True}
    }
})

# 方式2: 运行策略函数
from rqalpha.api import run_func
run_func(init=init, handle_bar=handle_bar, config=config)

证券代码格式

RQAlpha 使用国际通用 order_book_id 格式：

A股约束速查

性能优化指南

回测性能模型

RQAlpha 单次回测耗时 = 数据冷启动 + 回测计算

• 冷启动：加载数据文件 + 框架初始化，是固定开销
• 回测计算：遍历交易日执行策略逻辑，被 lru_cache(None) 加速

缓存机制

RQAlpha 使用分层缓存，但仅在单次回测内有效：

history_bars() / get_bar()
    ↓
DataProxy.get_bar()            ← @lru_cache(512)
    ↓
BaseDataSource._all_day_bars_of()  ← @lru_cache(None)  每只股票只读一次
    ↓
DayBarStore.get_bars()          ← 实际读取存储层

_all_day_bars_of 用 @lru_cache(None) 无限缓存，首次读取后永久驻内存。 但 run_func() 每次调用会重建引擎，缓存不跨回测。

常见性能瓶颈与优化

自定义数据源性能要点

实现 AbstractDayBarStore.get_bars() 时：

• 返回的 numpy array 会被上层 lru_cache(None) 自动缓存
• 首次调用必须快：避免 O(N) 扫描大文件，用索引/字典/分片
• 不需要在 get_bars() 内部加缓存（上层已缓存，自行加是多余的）
• get_bars() 返回完整历史数据（全部交易日），上层用 searchsorted 切片

性能基准（本项目实测）

场景: 日频信号 × 283只股票 × 6个月回测

优化前（逐行过滤）:  ~100s = 90s冷启动 + 10s计算
优化后（groupby索引）: ~16s = 6s冷启动 + 10s计算
聚宽云平台:          ~83s = 0s冷启动 + 83s计算

常见陷阱清单

1. init 而非 initialize

# RQAlpha 用 init，不是聚宽的 initialize
def init(context):     # 正确
    pass

def initialize(context):  # 错误！这是聚宽的写法
    pass

2. history_bars 返回 numpy array

# RQAlpha 的 history_bars 返回 numpy array，不是 DataFrame
prices = history_bars('000001.XSHE', 20, '1d', 'close')
# prices 是 numpy.ndarray，不需要 .values

# 获取多字段需要多次调用或用 fields 参数

3. 整手导致资金闲置

# 10万本金 / 50只股票 = 2000元/只
# 某股价格 30元 → 1手=3000元 > 2000元 → 买不了
# 解决：减少持仓数量，或增大初始资金

4. 调仓顺序：先卖后买

# 正确：先卖后买，释放现金
for stock in to_sell:
    order_target_value(stock, 0)
for stock in to_buy:
    order_target_value(stock, target_value)

# 更好：使用 order_target_portfolio 一次性调仓
order_target_portfolio({'000001.XSHE': 0.5, '600000.XSHG': 0.5})

5. 数据获取时注意数据源

# RQAlpha 免费数据仅包含日线，分钟数据需自行接入
# 使用 rqdatac 可获取更多数据（需 license）
# 也可通过实现 AbstractDataSource 接口对接自有数据

代码审查检查清单

审查 RQAlpha 策略代码时，按以下清单逐项检查：

• init(context) 是否已定义（注意不是 initialize）
• 是否存在未来函数（用当天数据做当天决策）
• 股票池是否过滤了 ST、停牌股
• 调仓是否先卖后买（或使用 order_target_portfolio）
• history_bars 的 bar_count 是否足够（考虑指标计算所需最少数据）
• 持仓数量与初始资金是否匹配（避免严重资金闲置）
• 下单函数是否使用正确（股票用 order_shares 系列，期货用 buy_open 系列）
• 命令行参数是否完整（-s, -e, --account, -f）
• 是否有风控措施（止损、最大回撤限制等）

Agent 使用指南

根据用户任务类型，派发给对应的专用 Agent：

模板使用

可用模板位于 assets/ 目录：

当用户需要从零开始创建策略时，以对应模板为基础进行定制。