前言¶

在 DeepSeek Harness（DSH）裏做量化研究，常見做法是手寫腳本、零散調用數據接口，再讓智能體拼湊流程。步驟一多，對齊規則、回測邊界和風控口徑就容易不一致，模型也難以穩定復現端到端鏈路。

dsh-quant 把量化研究拆成可插拔模塊，以 59 個 quant_* 工具暴露給智能體，覆蓋數據、因子、模型、風控、執行與生態六個域，並提供一條 PDAT→PET 研究流水線。下面介紹它是什麼、能做什麼，以及如何安裝與試用。

這是什麼¶

dsh-quant 是維護者 pengpengyi92 發佈的 DSH 插件，npm 包名爲 dsh-quant（當前版本 0.90.0，MIT 許可證）。項目自述爲「AI-native & DSH-native quant toolkit」，已在 awesome-dsh-plugin 收錄，可通過 dsh-market 一鍵安裝。

與「給人看的量化庫」不同，它的首要使用者是智能體：工具 schema 注入系統提示，輸出採用等長 null 對齊的規範 JSON，函數設計爲純函數、可併發調用。代碼側爲 TypeScript 實現，倉庫內無 Python 文件，運行時零依賴；需要 akshare、tushare 等 Python 數據源時，由 DSH 的 shell / subprocess 能力按需拉起，插件本身不攜帶 Python 運行時。

核心功能¶

五模塊插件範式¶

項目把內部五團隊範式開源爲五個可替換模塊：

data plugin   dsh-data      行情數據 / 數據源 / 質量檢查
alpha plugin  dsh-alpha     指標 / 因子 / 評估
model plugin  dsh-ml        回測 / ML / DL / RL 框架
risk plugin   dsh-risk      VaR / 回撤 / 期權 / 債券
exec plugin   dsh-execution 模擬執行 / 基金 / 報告

公開的是模塊如何組合、契約如何定義（null 對齊、禁止前視、手算基線校驗），策略、模型與交易細節由使用者自行填充。

59 個 quant 工具與六域覆蓋¶

README 列出 59 個 quant_* 工具，分佈在數據、alpha、ML、風控、執行、生態六個域。典型能力包括：

• 數據：quant_market_fetch、quant_data_quality、quant_data_compare、quant_data_advice 等
• 因子與回測：quant_factor_evaluate、quant_backtest、quant_metrics
• 風控：quant_risk、quant_drawdown、quant_var_backtest（工具表在 README 中繼續展開）
• 執行與報告：quant_execute_sim、quant_fund、quant_report

一條調用 quant_research_pipeline(symbol=BTCUSDT, limit=120) 可串起 PDAT→PET 全流程。

端到端流水線示例¶

安裝後可用公開 BTC 數據跑通完整鏈路：

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 技能層，供模型自行加載研究工作流；詳細契約見倉庫內 mcp/AGENT_GUIDE.md，入門步驟見 docs/ONBOARDING.md。

CLI 與 UI（獨立倉庫）¶

終端 CLI 可用純 Node 瀏覽工具目錄、機構檔案索引與 K 線表格，例如：

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

全局安裝後命令可簡寫爲 dsh-quant repo。可視化工作臺在獨立項目 dsh-quant-ui，在線演示：https://dsh-quant-ui.pages.dev。

安裝與啓用¶

DSH 用戶按 README 官方方式安裝：

npm i dsh-quant

在 cordis.yml 中增加一行：

- name: 'dsh-quant'

保存後 59 個工具會自動註冊。插件依賴 @deepseek-ai/cordis、@deepseek-ai/dsh-tools、@deepseek-ai/dsh-system-prompt 等 peer 依賴，需與當前 DSH 版本匹配。

社區目錄頁：https://www.skillhub.cn/plugins/pengpengyi92/dsh-quant（SkillHub 爲獨立社區站點，與 DeepSeek / 幻方無官方從屬關係）。

典型用法¶

一鍵研究流水線¶

在已啓用插件的 DSH 會話中，讓智能體調用：

quant_research_pipeline(symbol=BTCUSDT, limit=120)

一次返回數據質量、因子評估、回測指標、風險與模擬執行等結果。ML/DL 相關說明見 docs/ML_GUIDE.md；可執行演示：

npx tsx demos/ml-workflow.ts

分步調用¶

若需逐步驗證，可按 README 順序分別調用 quant_market_fetch、quant_backtest、quant_risk 等工具，再彙總到 quant_report。智能體落地倉庫時，可先讀根目錄 AGENTS.md 與 plugin/CASE_STUDY.md。

適用場景與注意¶

適合誰

• 已在 DSH 中運行智能體，希望用統一契約做量化研究、回測與紙面交易模擬的開發者
• 需要可插拔數據源、因子、模型與風控模塊，並願意自行填充策略細節的團隊
• 希望工具可被模型並行調用、輸出結構可機器解析的 AI-native 量化場景

使用前注意

• 插件在 DSH 進程權限下運行，安裝前應閱讀源碼與 MIT 許可證，確認工具行爲符合你的合規要求
• 公開的是方法與框架，「secrets internal」——內部 alpha、實盤接口需自行接入對應插件位
• 數值方法以手算基線與單元測試（README 稱 215 個）校驗，但仍需結合你的數據頻率與市場規則做二次驗證
• 需要 Python 數據源時，依賴 DSH 拉起外部進程，環境需自行準備

結尾¶

dsh-quant 把量化研究的 PDAT→PET 鏈路插件化，用 59 個 quant_* 工具服務智能體而非僅服務人工腳本，適合在 DSH 裏搭建可組合、可驗證的量化工作流。若要擴展數據源或執行模塊，可關注倉庫 Issue #27 的插件徵集。

• 社區目錄：https://www.skillhub.cn/plugins/pengpengyi92/dsh-quant
• GitHub：https://github.com/pengpengyi92/dsh-quant
• 項目站點：https://dsh-quant-site.pages.dev