内容
\# QuantAll-mcp 技能
\*\*让 AI 从“数据搬运工”升级为“数据分析师”——用代码算出客观结果。\*\*
QuantAll (全A解析)是一个通过 MCP（Model Context Protocol）协议提供服务的\*\*本地 股市全市场向量化计算引擎\*\*。它基于 DuckDB，支持 5000+ 股票的因子计算、策略回测、因子 IC 分析及 GPU 多维可视化，完全免费且独立运行（不依赖外部 API）。
\---
\## ✨ 功能特性
\- \*\*全市场向量化计算\*\*：将 5500+ 股票、150+ 维度的数据抽象为统一矩阵，AI 编写向量化代码即可快速运算。
\- \*\*策略回测\*\*：支持自定义持仓矩阵，一键获取收益、夏普、回撤、胜率等绩效指标。
\- \*\*因子分析\*\*：单因子 IC 分析、批量因子横向对比，支持 IC 时序稳定性和散点分布可视化。
\- \*\*可视化探索\*\*：通过图层标记、坐标平移、权重控制、热力图统计，直观挖掘数据规律。
\- \*\*交互式分析\*\*：用户可在 GUI 端框选散点，AI 获取选中内容并深入分析，形成“展示 → 观察 → 提问 → 验证”的闭环。
\- \*\*完全本地化\*\*：所有数据存储在本地 DuckDB 中，无需联网（除数据更新外），保护隐私且免费。
\---
\## 🚀 快速开始
\### 1. 安装 QuantAll 包
本技能的核心计算引擎已发布至 PyPI，推荐使用虚拟环境隔离依赖。
```bash
\# 克隆或下载技能包（假设已从 SkillHub 获取）
cd \~/.workbuddy/skills/quantall
\# 创建虚拟环境（以 Windows 为例）
python -m venv scripts/.venv
\# 激活虚拟环境并安装 QuantAll（务必使用清华镜像源）
scripts/.venv/Scripts/python.exe -m pip install quantall -i https://pypi.tuna.tsinghua.edu.cn/simple
```
> \*\*注意\*\*：QuantAll 依赖约 45 个包（含 PySide6 等大型库），总大小约 300MB，强烈建议使用国内镜像源加速。
\### 2. 配置 MCP 客户端
在 MCP 客户端的配置文件（如 `\~/.workbuddy/mcp.json`）中添加以下条目：
```json
{
  "mcpServers": {
  "全A解析": {
  "url": "http://127.0.0.1:8686/mcp",
  "disabled": false
  }
  }
}
```
> 如果已有其他 MCP 配置，请合并到 `mcpServers` 中，不要覆盖已有条目。
\### 3. 启动 QuantAll 服务
进入 `scripts/` 目录，运行启动脚本：
```bash
scripts/.venv/Scripts/python.exe scripts/Start\_QuantAll.py
```
服务将在 `http://127.0.0.1:8686` 启动，提供 HTTP MCP 接口。
> \*\*推荐做法\*\*：创建桌面快捷方式，方便一键启动。具体方法参见技能包中的 `SKILL.md`。
\### 4. 信任 MCP 连接（WorkBuddy 用户）
由于 QuantAll 是 HTTP MCP（非 stdio），WorkBuddy 不会自动发现新服务。请在 \*\*连接器管理\*\* 页面中找到 \*\*全A解析\*\*，点击 \*\*信任\*\* 按钮授权，或直接重启 WorkBuddy。
\---
\## 🧰 可用工具一览
| 工具 | 功能 |
|------|------|
| `ping` | 健康检查 |
| `available\_data` | 查看当前数据库中可用的数据字段 |
| `strategy\_backtest` | 策略回测（支持 summary/detail/segments/timeline 视图） |
| `factor\_analysis` | 单因子 IC 分析（summary/daily/scatter 模式） |
| `batch\_factor\_analysis` | 批量因子 IC 分析（一次传入多个因子） |
| `save\_factor\_result` | 保存因子分析结果到数据库 |
| `new\_layer\_from\_code` | 创建自定义图层（标记感兴趣的事件/条件） |
| `move\_by\_code` | 将数据维度映射到 X/Y 轴（坐标平移） |
| `weight\_by\_code` | 设置统计权重 |
| `select\_by\_code` | 筛选子集（支持 6 种集合运算） |
| `heat\_map` | 获取二维热力图统计矩阵（支持自定义范围） |
| `get\_user\_selection` | 获取用户在 GUI 端框选的散点信息 |
| `MCP\_Close` | 关闭服务（谨慎使用） |
详细参数说明和使用示例请参考技能包中的 `SKILL.md`。
\---
\## 📊 典型工作流
\### 策略回测
1\. `ping` 确认服务就绪
2\. `available\_data` 确认所需字段
3\. `strategy\_backtest`（先 `view=summary` 快速评估，再根据需要深入 `detail`/`segments`/`timeline`）
\### 因子分析
1\. `factor\_analysis`（`mode=summary`）判断因子有效性（|IC\_IR|>0.3）
2\. 若有效，切换 `mode=daily` 或 `scatter` 查看时序和分布
3\. 使用 `batch\_factor\_analysis` 横向对比多个因子
4\. 将有效因子用于策略回测验证
\### 可视化探索
1\. `new\_layer\_from\_code` 标记感兴趣的事件（如买入信号、全市场点）
2\. `move\_by\_code` 将因子映射到 X/Y 轴
3\. `weight\_by\_code` 设置权重（可选）
4\. `heat\_map` 获取分布矩阵
5\. `select\_by\_code` 筛选子集，迭代分析
6\. 用户框选感兴趣的散点 → `get\_user\_selection` → AI 深入分析
\---
\## 📁 数据管理
QuantAll 本身不生产数据，而是读取用户本地 DuckDB 数据库。技能包内置了一个测试数据库（仅含沪深 300 近两年基础行情），仅供功能验证。
\- \*\*使用自有数据库\*\*：修改 `scripts/DB\_setting.json` 中的 `db\_path` 指向您的 DuckDB 文件，并确保表结构符合要求（详见 `SKILL.md`）。
\- \*\*使用 UpdateStock 辅助工具\*\*：如果需要通过 AI 自动创建和更新数据库，可以额外配置 `UpdateStock` MCP（需 tushare API key，具体见技能包中的说明）。
\---
\## ⚠️ 注意事项
\- 所有需要 `code` 参数的工具均运行在 \*\*Python Exec 环境\*\*，代码必须\*\*向量化\*\*，禁止使用 `import`、循环、`lambda`、`df.apply()` 等。
\- 每股类因子必须除以 `d\['close']`（非复权价）以消除量纲。
\- 回测中持仓矩阵使用内置函数 `hold\_until(buy, sell)` 生成。
\- \*\*不支持并行工具调用\*\*——所有 MCP 工具必须串行执行。
\---
\## 🔄 更新技能
当技能包版本更新时，请同步升级 Python 库：
```bash
scripts/.venv/Scripts/python.exe -m pip install --upgrade quantall -i https://pypi.tuna.tsinghua.edu.cn/simple
```
然后重启 QuantAll 服务，并在客户端中重连 MCP。
\---
\## 📄 许可证
本技能遵循 \[MIT License](LICENSE)或具体参见技能包中的许可证文件。
备注：仅本技能，非python包quantall
\---
\## 📖 更多文档
详细的使用模式、代码模板、实战案例和踩坑记录，请参阅技能包中的 `SKILL.md` 和 `references/quantall\_playbook.md`。
\---
\*\*享受用代码探索市场的乐趣！\*\* 🚀
```
