DeepSeek HARNESS Quant

August 17, 2026 · View on GitHub

自然语言驱动的 A 股量化系统。低频。主观决策 + 写死引擎 + 数据裁决。

AI 不预测个股。这是硬约束，不是选项。

驱动层  语言模型        控制 · 挖因子 · 审计 · 牛散蒸馏
执行层  写死引擎        评分 · 回测 · 风控 · 扫描（确定性 Python，可复现）
事实层  数据系统        PIT · T+1 · 覆盖率分年核查（可证伪）

开始

新用户直接走一键部署。接入 AI API 后，数据源、配置、验证全交给 AI 向导，不必读本页其余内容。

接入 DeepSeek API

接入 API 后，语言模型接管驱动层。控制、挖因子、审计、魔改，全部解锁。不接入，则只有写死引擎，没有 AI。

前提：完整包（zip）已内置 HARNESS 运行时；单文件（exe）不含 HARNESS，AI 控制台不可用。系统需 Node.js 18+（https://nodejs.org），无则 HARNESS 自动跳过、量化系统照常。

最快方式：双击 接入API.cmd，粘贴 Key，自动写入并验证。

# 1. 获取 Key
#    https://platform.deepseek.com/api_keys

# 2. 复制凭据模板，填入 Key（或直接用接入API.cmd）
copy harness\home\.credentials.yaml.example harness\home\.credentials.yaml
#    编辑 .credentials.yaml：
#    DEEPSEEK_API_KEY: sk-<your-key>

# 3. 启动（打印「启动 DeepSeek HARNESS」即集成成功）
python launcher.py
#    http://127.0.0.1:8787/control

接入后，直接对话：

控制系统：发「1」触发自主推进（审计 / 修复 / 归档，系统自我进化）
挖因子：说「研究散户情绪量化」——AI 拆假设 → 生成因子 → 九步验证 → 入池或证伪
审计：让 AI 自查前视、覆盖率、共线性、过拟合
牛散：7 位牛散人格对话选股，决策自动入远期池验证
魔改：动态 Cordis 插件热更新，系统行为运行时改，不重编译

其余数据源（Tushare 等）接入后让 AI 指导完成。核心逻辑：先接 AI 的 API，AI 帮你接剩下的。

架构

模块	职责
data/	数据获取 + 本地缓存 + Point-in-Time（cache.py 唯一读取接口）
factors/	因子引擎 + 机会扫描 + 远期池（五池 T+1/5/20/60 验证）
strategy/	决策链（L0 择时 → L2 Pitch 审批 → T+1 执行）+ 组合构建
risk/	风控七道（数据审计 / 因子健康 / FRC 排雷 / Beneish / 竞价 / 单因子 / L0 门控）
backtest/	回测引擎（T+1 开盘 / 一字板过滤 / 成本模型 / 结论分级）
etf/	ETF 映射（策略暴露 → 可交易配置）
deck/ ui_v2/	Web 决策台（9 页，前端零硬编码）
harness/	DeepSeek HARNESS 运行时（AI 控制台 / 牛散桥 / 动态插件）
config/	策略注册表 / ETF 池 / 阈值，全部配置化 + .example 模板

因子

123+ 因子，全部 A 股本地实证（PIT / T+1 / 分年度）。九步入池，17+ 项证伪留档。

维度	代表	实证
换手率	turn_mid_prox / turnover / turn_std20	turn_mid_prox ICIR 0.87
低波动	lowvol / std20 / downside_vol	防守底仓主力
反转	reversal20 / o2c 日内反转族	limup_ex_5 ICIR 1.24
流动性	amihud	0.43，多空夏普 1.12
彩票/偏度	max_ret20 / skew20 / rmax	max_ret20 0.64
振幅/动量	amp20 / open_prem_20	open_prem_20 0.96
基本面低频	f_score / sue / accruals / asset_growth / bp	f_score 120日 0.49
短线涨跌停	limit_up_* / consec_limit_down	跌停排雷 0.97
机构行为	lhb_jg_cnt_20 / shebao_chg	lhb 0.90
行业层	ind_crowd_60 / ind_rs_20	拥挤 0.30
Alpha101	alpha015 / alpha050 / alpha006 / alpha003 / alpha044	alpha015 0.76

来源：学术复现 · 开源策略库复刻 · 事件驱动实证 · 牛散蒸馏 · AI 自动挖掘 · 机构资金行为。

Skill

12 个技能文件，封装方法论 + 资产 + 踩坑记录，AI 按需加载。

因子挖掘：factor-mining-workflow · alpha-gpt-factor-mining · alpha-gpt-researcher · backtest-acceptance
牛散蒸馏：niu-san-distillation + 林园 / 陈小群 / 章盟主 / 赵老哥 / 炒股养家 / 冯柳
系统维护：github-maintainer

安装与运行

# 源码
pip install -r requirements.txt
python data/demo/build_demo_db.py    # 生成演示数据
python launcher.py                   # deck:8787 + HARNESS:3080

# 单文件
QuantDeck.exe                        # 双击即用，自动开浏览器

# 完整包
DSHQuant-v1.0.9-Release.zip          # 解压即用，含 HARNESS 运行时

下载注意：从 Release 页 Assets 区下载 DSHQuant-v1.0.9-Release.zip（完整包，含 HARNESS 运行时）。不要下载页面底部的 "Source code (zip)" —— 那是源码包，harness/node_modules 被排除，没有 AI 控制台。判断：解压后 harness\node_modules 文件夹存在 = 完整包；不存在 = 下错了。

运行要求：Python 3.10+（源码）/ 无（exe）。HARNESS 控制台需 Node.js 18+（可选）。

数据

数据由用户自行获取。系统不分发数据。

行情来自第三方（Tushare 等）。仓库只含获取脚本 + 合成演示数据。
换手率 2019 年前缺失，2019 前换手类结论作废。
配置：config/params.yaml.example（Tushare token）。

许可

MIT。仅供研究学习。不构成投资建议。

文档

资产盘点 · 架构说明 · 一键部署 · 快速开始 · HARNESS 接入 · 数据说明 · 分钟数据接入