让研究的每一步，都有据可查

AIQUANT-LITE 面向 A 股研究者、量化开发者与小型研究团队，把数据平台、量化研究台和 Agent 工作流汇入一套本地优先的投研系统。数据、实验、风险和判断在同一条研究链路中衔接，让一次研究留下下一次能够复用的资产。

眼见为实：投研工作台

市场驾驶舱 → 机会排序 → 个股研究 → 风险检查 → 决策留存 → 模拟复盘，让研究视图跟随工作流程展开。

个股深研 · 事实与因子同屏

行情观察 · 价格与研究联动

界面来自实际 Web 工作台的开发契约样本；数值用于展示交互，演示模式在生产环境中禁用。产品图展示界面，流程图展示概念架构，均不作为实时行情或收益证明。

六个工作区，贯穿研究全程

研究实力，落在可核对的积累上

2,782,220 行历史日线、2,625,560 个 Replay 特征包、2,238,764 条 Strategy Lab 对齐输入，构成本地数据与实验积累。Strategy Lab 保留 202 个候选定义、0 / 20 / 40 / 60bp 四档成本、144 行 Walk-Forward 指标，让方案优劣接受统一协议检查。

项目同时沉淀 8 个研究知识主题：数据边界、PIT、实验协议、失败案例、故障治理、Hermes 工作流、Forward 观察和记忆治理。把“为什么有效、为什么不采用、下一步缺什么”一并留存。

统计来自 2026-10-19 单个本地安装的只读盘点。各表相互关联，不能相加；候选和指标行数不代表有效策略数。原始数据不随仓库分发。查看 数据边界、实验协议 与 机器可读证据摘要。

从市场事实，到可复用的研究资产

1. 采集事实：通过已配置数据源读取市场信息，标记来源、覆盖、业务日期和新鲜度。
2. 筛选与研究：确定性计算组织候选；按配置调用模型角色，区分事实与推断。
3. 验证方案：固定样本、标签和成本，对照简单基准、年度稳定性与滚动验证。
4. 留存证据：相关决策流程记录版本、风险与证据，支持完整性核对。
5. 人工复盘：检查模拟和观察结果，把经核查的方法与失败教训整理为知识。

不同 API 的边界分别定义；Hermes 的筛选结果需明确选择才进入决策评估，该集成工具不创建订单或 DecisionPacket。详见 Hermes 契约 与 研究工作流。

向成熟开源基础设施看齐

参考成熟项目的架构思想，聚焦 A 股语境、日常研究体验和决策证据链。

这些项目是设计参照；功能、数据覆盖、性能与投资收益没有被认定为等价。项目当前用于研究和人工决策支持，公开实现不接入券商、不自动提交实盘订单。

一套研究内核，多种工作入口

前端采用 Vue 3 + TypeScript + ECharts，后端以 FastAPI + DuckDB 组织事实、研究与证据。WebUI 的主库事实与评分请求通过 Router；图表和研究产物可按契约读取只读侧车。数据源适配包括 Tushare、AKShare / Eastmoney、BaoStock、CNInfo；金牛历史数据为需独立配置的可选实验能力。

当前代码包含多条有明确来源的评分路径，不能混称为同一种分数：

动作还受数据状态、持仓上下文、分位数阈值与风险 VETO 约束。更多说明见 架构文档 和 当前限制。

模型角色及其服务凭证按本地配置选择；外部连通性需独立核查。物理调用审计覆盖任务与独立研究请求，记录已知用量、失败原因与未关联数量，错误脱敏显示。见 调用审计 API。离线维护主库前需停止持有主库的在线服务。

快速开始

需要 Python 3.11、uv；构建 Web 工作台另需 Node.js 22.12+ 与 npm。项目提供 Windows 运维脚本；其他系统可分别启动 Python 服务。

1. 安装与配置

git clone https://github.com/Shixi216/aiquant-lite.git
cd aiquant-lite
uv sync --dev --frozen
Copy-Item .env.example .env
npm --prefix frontend ci
npm --prefix frontend run build

按需填写本地 .env 的数据与模型凭证。开源代码附带经过整理的研究摘要，不附带授权数据、个人数据库或完整实验结果集；完整研究链需要自行配置数据源并建立本地数据。

2. 启动工作台

Windows 上使用项目内脚本统一管理服务：

powershell -ExecutionPolicy Bypass -File scripts\start_hermes_opc.ps1
powershell -ExecutionPolicy Bypass -File scripts\status_hermes_opc.ps1

打开 本地投研工作台。Router 默认端口为 8765，Data Hub 为 8766。首次使用可运行 uv run python -m scripts.preflight_check 查看配置与服务状态。

也可在不同终端分别启动：

uv run python -m scripts.run_router_api
uv run python -m scripts.run_data_api
uv run python -m scripts.run_web_ui --host 127.0.0.1 --port 8767

3. 只看演示界面

完成前端构建后，可单独启动隔离的界面样本，无需数据凭证或启动 Router：

$env:WEBUI_DEV_FIXTURES="1"
$env:HERMES_ENV="development"
$env:ROUTER_URL="http://127.0.0.1:9"
uv run python -m scripts.run_web_ui --host 127.0.0.1 --port 8877

访问 http://127.0.0.1:8877；市场总览、机会排序与示例个股页面显示契约样本，其余视图会按缺失数据降级。结束演示后在新终端启动正常服务，或清除以上环境变量。

质量验证

软件质量有公开记录：源码 53022f7 的 Windows CI 留存 后端 1794 passed、0 failed、4 skipped、8 deselected；前端 5 passed，生产构建通过。当前分支检查见顶部 CI 标识。

uv run ruff check .
uv run python -m scripts.run_offline_tests --workers 2
uv run python -m scripts.check_no_live_execution
npm --prefix frontend test
npm --prefix frontend run build

验证使用隔离环境和临时数据库。模块独立进程是已验证模式；审核 Windows / Python 3.11.1 环境的长时间混合进程原生崩溃尚未解决。跳过项、外部服务及本地数据的未验证范围见 源码审核 和 研究资料审核。软件测试不代替数据质量与长期策略绩效检验。

代码地图

frontend/                  Vue 3 + TypeScript + ECharts 工作台
webui/                     GET-only 展示 API、图表链与研究产物读取
router/                    模型路由、研究编排、审计与统一 API
data_hub/                  行情、历史、财务、公告与市场数据
trading/scanner/            全市场扫描、查询与候选排序
trading/decision_support/   评分解析、风险、动作、仓位与决策包
trading/research/           因子、情绪、基本面与策略实验
trading/simulation/         本地模拟与组合研究
manual_tracking/           人工录入的外部成交事实
desktop/                   PySide6 桌面源码
database/migrations/       数据库结构演进
scripts/                   运维、研究与验证入口
tests/                     单元、接口、隔离与回归测试
docs/knowledge/            数据资产、研究协议、失败案例与知识治理

文档与路线

下一阶段聚焦：数据质量度量、评分来源一致性、策略证据积累、研究可复现性与工作台交互完善。规划内容不作为已经交付的能力。

参与建设

如果你关注 A 股数据质量、量化验证、Agent 工具或研究工作台，欢迎从一个明确问题开始：复现缺陷、补充数据语义、改进验证或完善交互。先阅读 贡献指南，通过 Issues 提交可复核的问题与建议。

喜欢这个方向，欢迎 Star，让更多认真做研究的人看到这个项目。

安全与许可

凭证只放在本地 .env；数据库、日志、缓存、运行状态和个人研究产物不进入公开仓库。服务默认绑定本机，远程使用需自行配置认证与网络控制。漏洞反馈见 SECURITY.md，贡献方式见 CONTRIBUTING.md。

本项目用于研究、教育、回测、模拟与人工决策支持，不构成投资建议，不承诺收益。第三方数据与模型的使用须遵守相应服务条款。源码采用 MIT License。