前言¶

在 DeepSeek Harness（DSH）里做量化研究，常见做法是手写脚本、零散调用数据接口，再让智能体拼凑流程。步骤一多，对齐规则、回测边界和风控口径就容易不一致，模型也难以稳定复现端到端链路。

dsh-quant 把量化研究拆成可插拔模块，以 59 个 quant_* 工具暴露给智能体，覆盖数据、因子、模型、风控、执行与生态六个域，并提供一条 PDAT→PET 研究流水线。下面介绍它是什么、能做什么，以及如何安装与试用。

这是什么¶

dsh-quant 是维护者 pengpengyi92 发布的 DSH 插件，npm 包名为 dsh-quant（当前版本 0.90.0，MIT 许可证）。项目自述为「AI-native & DSH-native quant toolkit」，已在 awesome-dsh-plugin 收录，可通过 dsh-market 一键安装。

与「给人看的量化库」不同，它的首要使用者是智能体：工具 schema 注入系统提示，输出采用等长 null 对齐的规范 JSON，函数设计为纯函数、可并发调用。代码侧为 TypeScript 实现，仓库内无 Python 文件，运行时零依赖；需要 akshare、tushare 等 Python 数据源时，由 DSH 的 shell / subprocess 能力按需拉起，插件本身不携带 Python 运行时。

核心功能¶

五模块插件范式¶

项目把内部五团队范式开源为五个可替换模块：

data plugin   dsh-data      行情数据 / 数据源 / 质量检查
alpha plugin  dsh-alpha     指标 / 因子 / 评估
model plugin  dsh-ml        回测 / ML / DL / RL 框架
risk plugin   dsh-risk      VaR / 回撤 / 期权 / 债券
exec plugin   dsh-execution 模拟执行 / 基金 / 报告

公开的是模块如何组合、契约如何定义（null 对齐、禁止前视、手算基线校验），策略、模型与交易细节由使用者自行填充。

59 个 quant 工具与六域覆盖¶

README 列出 59 个 quant_* 工具，分布在数据、alpha、ML、风控、执行、生态六个域。典型能力包括：

• 数据：quant_market_fetch、quant_data_quality、quant_data_compare、quant_data_advice 等
• 因子与回测：quant_factor_evaluate、quant_backtest、quant_metrics
• 风控：quant_risk、quant_drawdown、quant_var_backtest（工具表在 README 中继续展开）
• 执行与报告：quant_execute_sim、quant_fund、quant_report

一条调用 quant_research_pipeline(symbol=BTCUSDT, limit=120) 可串起 PDAT→PET 全流程。

端到端流水线示例¶

安装后可用公开 BTC 数据跑通完整链路：

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)

另有 skill/quant-research 技能层，供模型自行加载研究工作流；详细契约见仓库内 mcp/AGENT_GUIDE.md，入门步骤见 docs/ONBOARDING.md。

CLI 与 UI（独立仓库）¶

终端 CLI 可用纯 Node 浏览工具目录、机构档案索引与 K 线表格，例如：

node cli/main.mjs repo
node cli/main.mjs kline BTCUSDT --limit 20

全局安装后命令可简写为 dsh-quant repo。可视化工作台在独立项目 dsh-quant-ui，在线演示：https://dsh-quant-ui.pages.dev。

安装与启用¶

DSH 用户按 README 官方方式安装：

npm i dsh-quant

在 cordis.yml 中增加一行：

- name: 'dsh-quant'

保存后 59 个工具会自动注册。插件依赖 @deepseek-ai/cordis、@deepseek-ai/dsh-tools、@deepseek-ai/dsh-system-prompt 等 peer 依赖，需与当前 DSH 版本匹配。

社区目录页：https://www.skillhub.cn/plugins/pengpengyi92/dsh-quant（SkillHub 为独立社区站点，与 DeepSeek / 幻方无官方从属关系）。

典型用法¶

一键研究流水线¶

在已启用插件的 DSH 会话中，让智能体调用：

quant_research_pipeline(symbol=BTCUSDT, limit=120)

一次返回数据质量、因子评估、回测指标、风险与模拟执行等结果。ML/DL 相关说明见 docs/ML_GUIDE.md；可执行演示：

npx tsx demos/ml-workflow.ts

分步调用¶

若需逐步验证，可按 README 顺序分别调用 quant_market_fetch、quant_backtest、quant_risk 等工具，再汇总到 quant_report。智能体落地仓库时，可先读根目录 AGENTS.md 与 plugin/CASE_STUDY.md。

适用场景与注意¶

适合谁

• 已在 DSH 中运行智能体，希望用统一契约做量化研究、回测与纸面交易模拟的开发者
• 需要可插拔数据源、因子、模型与风控模块，并愿意自行填充策略细节的团队
• 希望工具可被模型并行调用、输出结构可机器解析的 AI-native 量化场景

使用前注意

• 插件在 DSH 进程权限下运行，安装前应阅读源码与 MIT 许可证，确认工具行为符合你的合规要求
• 公开的是方法与框架，「secrets internal」——内部 alpha、实盘接口需自行接入对应插件位
• 数值方法以手算基线与单元测试（README 称 215 个）校验，但仍需结合你的数据频率与市场规则做二次验证
• 需要 Python 数据源时，依赖 DSH 拉起外部进程，环境需自行准备

结尾¶

dsh-quant 把量化研究的 PDAT→PET 链路插件化，用 59 个 quant_* 工具服务智能体而非仅服务人工脚本，适合在 DSH 里搭建可组合、可验证的量化工作流。若要扩展数据源或执行模块，可关注仓库 Issue #27 的插件征集。

• 社区目录：https://www.skillhub.cn/plugins/pengpengyi92/dsh-quant
• GitHub：https://github.com/pengpengyi92/dsh-quant
• 项目站点：https://dsh-quant-site.pages.dev