把缠论结构，变成可计算的研究工具。
Rust 核心 · Python 接口 · 多周期分析 · 信号与策略研究
内测邀请码：6293WHZ96DZ82MEJ · 新手路线 · 研究方法 · 使用案例 · 产品介绍
CZSC 是面向缠论分析与量化研究的开源工具：从 K 线出发，识别分型、笔与中枢，组织多周期信号，并连接策略回测与可视化。
缠论结构可视化 · 模拟行情，仅用于功能演示，不代表实盘或策略收益
| 从哪里开始 | CZSC 提供什么 |
|---|---|
| 看清结构 | 自动识别分型、笔、中枢，把结构叠加到 K 线上 |
| 组织信号 | 使用信号函数与事件组合，把交易想法转成可计算条件 |
| 联立周期 | 合成不同周期 K 线，开展多周期分析与策略研究 |
| 验证与分享 | 连接 wbt 权重回测，输出可交互 HTML 图表与报告 |
需要 Python ≥ 3.10。优先安装预编译包，无需先搭建 Rust 开发环境。
pip install -U czsc下面用模拟行情生成第一张缠论结构图：
from czsc import CZSC, Freq, format_standard_kline
from czsc.mock import generate_symbol_kines
from czsc.utils.plotting.lightweight import plot_czsc
# 模拟行情：仅用于演示
frame = generate_symbol_kines("000001", "30分钟", "20240101", "20240601", seed=42)
bars = format_standard_kline(frame, freq=Freq.F30)
chart = CZSC(bars)
plot_czsc(chart, output="html", path="czsc.html")在浏览器打开 czsc.html，查看 K 线、分型与笔。此绘图方式需联网加载图表依赖。
更多端到端案例汇总见飞书 wiki：CZSC 1.0.X 版本使用说明和案例。
| 序号 | 案例 | 一句话介绍 |
|---|---|---|
| 1 | 基于 Event 的策略回测 + wbt HTML 报告 | 5 行命令跑通 Event → Position → 回测 8000 可交互 HTML 报告的完整闭环。 |
| 2 | lightweight_charts 缠论可视化 | 几行代码把缠论结构（分型/笔/线段/中枢）导出为交互式 HTML，便于分享与嵌入。 |
| 3 | 把信号函数画到 K 线主图（plot_czsc_signals） | 把信号触发点叠在 K 线主图上，直观调试 signals_config 与多周期联立。 |
| 4 | 性能基准测试：在本地复现 CZSC / CzscTrader 吞吐量 | 一行命令本地评估吞吐量，配套关键指标速查表，用于容量规划与加速效果核对。 |
| 5 | 信号函数模块深入介绍 | 系统讲解 czsc-signals 架构与 246 个信号函数的模块划分、参数模板、信号表达示例。 |
按需展开，不必在开始使用前读完所有 API。
进阶示例：多周期、信号生成、权重回测与策略研究
from czsc import BarGenerator, Freq
# 使用 BarGenerator 进行 K 线合成
bg = BarGenerator(base_freq='1分钟', freqs=['5分钟', '30分钟', '日线'])
for bar in raw_bars:
bg.update(bar)
# 获取各周期 K 线
bars_5m = bg.bars['5分钟']
bars_30m = bg.bars['30分钟']from czsc import generate_czsc_signals, get_signals_config, get_signals_freqs
# 配置信号序列（使用 Rust 实现的信号函数）
signals_seq = [
"czsc._native.signals.bar.bar_end_V230331",
"czsc._native.signals.cxt.cxt_bi_status_V230101",
]
# 解析信号所需的周期配置
freqs = get_signals_freqs(signals_seq)
config = get_signals_config(signals_seq)
# 生成信号序列
results = generate_czsc_signals(bars, signals_seq)from czsc import WeightBacktest
from czsc.mock import generate_klines_with_weights
# 生成带权重的模拟数据
dfw = generate_klines_with_weights(seed=42)
# 运行权重回测
wb = WeightBacktest(dfw, fee_rate=0.0002)
print(wb.stats) # 回测统计汇总from czsc import run_research, run_replay
# 单品种回放
run_replay(bars, signals_seq, pos_seq, res_path='./results/')
# 批量品种研究
run_research(symbols, signals_seq, pos_seq, res_path='./results/')架构与核心 API
CZSC 1.0 采用 Rust + Python 混合架构：
czsc (Python 包)
├── czsc._native ← Rust 扩展（PyO3），缠论核心
│ ├── CZSC / FX / BI / ZS / RawBar / NewBar / BarGenerator
│ ├── Freq / Mark / Direction / Signal / Event / Position / Operate
│ ├── CzscTrader / CzscSignals / generate_czsc_signals
│ ├── signals.* ← 220+ 信号函数（Python 端 7 个子模块；详见 crates/czsc-signals/src/）
│ └── ta.* ← Rust TA 算子 (ema/sma/boll 等，本次清理 起仅内部使用)
├── czsc.traders ← Python 门面，汇聚 Rust 交易 API
├── czsc.utils ← 工具函数（绘图/缓存/统计/交易工具）
├── czsc.connectors ← 数据源连接器（天勤/Tushare/CCXT/本地缓存）
├── czsc.strategies ← 策略门面（CzscStrategyBase/CzscJsonStrategy）
├── czsc.fsa ← 飞书自动化工具
├── czsc.mock ← 测试用模拟数据（转发自 wbt）
└── czsc.envs ← 环境变量管理
底层 Rust workspace 包含 9 个 crate：czsc / czsc-core / czsc-derive / czsc-signals /
czsc-trader / czsc-utils / czsc-ta / czsc-signal-macros /
czsc-python（PyO3 绑定入口）。
| 类型 | 符号 | 说明 |
|---|---|---|
| 缠论对象 | CZSC, FX, BI, ZS |
缠论核心数据结构（Rust） |
| K线对象 | RawBar, NewBar, BarGenerator |
K线与合成器（Rust） |
| 枚举 | Freq, Mark, Direction, Operate |
方向/频率等枚举（Rust） |
| 信号/事件 | Signal, Event, Position |
信号与持仓逻辑（Rust） |
| 分析工具 | check_fx, check_bi, remove_include |
分型/笔校验工具（Rust） |
| TA算子顶层别名 | czsc.ema, czsc.sma, czsc.rolling_rank, czsc.boll_positions, czsc.ultimate_smoother |
技术指标算子顶层别名（Rust） |
| 交易器 | CzscTrader, CzscSignals |
多级别交易决策（Rust） |
| 信号生成 | generate_czsc_signals |
批量信号生成（Rust） |
| 权重回测 | WeightBacktest |
权重序列回测（来自 wbt） |
| 策略 | CzscStrategyBase, CzscJsonStrategy |
策略封装（Python） |
| 模拟数据 | generate_symbol_kines |
测试用 K线数据（来自 wbt） |
| 格式转换 | format_standard_kline |
DataFrame → RawBar 列表 |
数据源与可视化接口
czsc.connectors 提供多个数据源适配器：
| 模块 | 数据源 | 说明 |
|---|---|---|
tq_connector.py |
天勤（TQSdk） | 期货实时/历史行情 |
ts_connector.py |
Tushare | A股历史数据 |
ccxt_connector.py |
CCXT | 数字货币交易所 |
local_data.py |
投研数据本地缓存 | CZSC 共享数据本地读取入口 |
可视化统一以 plotly + lightweight-charts 输出 HTML：
| 模块 | 功能 |
|---|---|
czsc.utils.plotting.kline |
单周期 K 线 + 缠论结构（plotly Figure） |
czsc.utils.plotting.weight |
权重时序图（plotly Figure） |
czsc.utils.plotting.lightweight |
lightweight-charts 自包含 HTML，多周期联立 + 信号叠加 |
| 累计收益 / 回撤 / 月度热力图 / 综合回测概览 | 改用 wbt.generate_backtest_report 或直接 plotly，见 docs/migration/cleanup-non-czsc-core.md |
使用 plot_czsc、plot_czsc_trader 或 plot_czsc_signals 生成自包含 HTML 后，可直接在浏览器中打开。
源码安装、开发与环境变量
注意： Python 版本必须 ≥ 3.10
从 PyPI 安装预编译版本（推荐）：
pip install czsc -U使用 uv 安装（推荐开发环境）：
uv pip install czsc从源码构建（需要 Rust 工具链和 maturin）：
# 安装 Rust：https://rustup.rs/
# 安装 maturin
pip install maturin
# 克隆并构建
git clone https://github.com/waditu/czsc.git
cd czsc
maturin develop --releaseRust 构建环境约束：底层依赖
pyo3/pyo3-stub-gen0.22 要求 Python ≥ 3.10。 当系统默认 Python 低于 3.10 时，请通过环境变量显式指定：export PYO3_PYTHON=$(which python3.12) # 或任意 3.10+ 的解释器否则
cargo build/cargo test会在crates/czsc-python/build.rs提前 panic 并给出修复建议。 用uv sync --extra dev走 UV 流程时，UV 会自动选择项目声明的 Python，不需要额外设置。
# 使用 UV 管理依赖（推荐）
uv sync --extra dev
# 构建 Rust 扩展（开发模式）
maturin develop
# 运行测试
uv run pytest tests/ -v
# 代码格式化
uv run ruff format czsc/ tests/
uv run ruff check czsc/ tests/| 变量 | 说明 | 默认值 |
|---|---|---|
CZSC_MIN_BI_LEN |
最小笔长度 | 6 |
CZSC_MAX_BI_NUM |
最大笔数量 | 50 |
CZSC_VERBOSE |
是否输出详细日志 | False |
CZSC 专注结构与信号，其余环节按需组合。
| 项目 | 定位 | 依赖关系 |
|---|---|---|
| wbt | 权重回测与报告 | CZSC 的运行时依赖 |
| wmr | 权重持久化与查询 | 下游配套，非硬依赖 |
| talib-rs | TA 算子一致性校验 | 仅测试可选 |
| czsc_skills | CZSC 相关技能 | 按需使用 |
欢迎关注微信公众号 「胜可知QUANT」，交流量化研究方法、策略复现与 AI 辅助投研实践。
| 方向 | 文章 |
|---|---|
| 研究入门 | 不写一行代码，也能把量化研究跑完 |
| 策略复现 | 主观策略复现：从交易经验到系统化研究 |
| 工具实践 | 使用 skz-auto-research skill 复现主观策略 |
| 策略研究 | 策略为什么会出现收益能力的衰减？ |
| 研究分工 | AI能批量做研究，研究员该把时间花在哪里？ |
| B 站视频教程 · 投研数据共享 · 信号编写规范 · DeepWiki |
原文备份、精华摘录与资料下载
学了本ID的理论，去再看其他的理论，就可以更清楚地看到其缺陷与毛病，因此，广泛地去看不同的理论，不仅不影响本ID理论的学习，更能明白本ID理论之所以与其他理论不同的根本之处。
为什么要去了解其他理论，就是这些理论操作者的行为模式，将构成以后我们猎杀的对象，他们操作模式的缺陷，就是以后猎杀他们的最好武器，这就如同学独孤九剑，必须学会发现所有派别招数的缺陷，这也是本ID理论学习中一个极为关键的步骤。
真正的预测，就是不测而测。所有预测的基础，就是分类，把所有可能的情况进行完全分类。有人可能说，分类以后，把不可能的排除，最后一个结果就是精确的。 这是脑子锈了的想法，任何的排除，等价于一次预测，每排除一个分类，按概率的乘法原则，就使得最后的所谓精确变得越不精确，最后还是逃不掉概率的套子。 对于预测分类的唯一正确原则就是不进行任何排除，而是要严格分清每种情况的边界条件。任何的分类，其实都等价于一个分段函数，就是要把这分段函数的边界条件确定清楚。 边界条件分段后，就要确定一旦发生哪种情况就如何操作，也就是把操作也同样给分段化了。然后，把所有情况交给市场本身，让市场自己去当下选择。 所有的操作，其实都是根据不同分段边界的一个结果，只是每个人的分段边界不同而已。因此，问题不是去预测什么，而是确定分段边界。
- 链接：https://pan.baidu.com/s/1RXkP3188F0qu8Yk6CjbxRQ
- 提取码：vhue
遇到问题请提交 Issue，附版本、最小复现与错误信息。项目开源仅用于技术交流，不构成投资建议。