TSP · A股智能量化工作台

Tick Stock Panel（TSP） 是由开发者 shy3130 发起并持续维护的开源 A 股智能量化工作台，核心定位是“一个自托管、零运维、把策略、回测、监控、因子挖掘和 AI 助手全部装进单个容器的个人量化中枢——数据全落本地 Parquet，核心能力全部开放成接口，不荐股、不预测，只把研究的工具链交给你自己”。它不满足于做又一个“看盘软件”或“AI 选股黑盒”，而是将能力路由矩阵、策略引擎、指标流水线、回测研究、因子平台与因子挖掘、市场环境识别、异动监控、监控中心、个股分析、连板梯队、数据扩展、开放 API、MCP 服务器、AI 对话助手整合于一套完整的开源体系中，全部配有 Docker 一条命令启动（docker run -d -p 3018:3018 ghcr.io/shy3130/tick-stock-panel:latest）、单容器零外部数据库、3000+ 测试全绿、毫秒级全市场策略扫描，以及 MIT 开源协议。

一、Tick Stock Panel 是什么

Tick Stock Panel 采用“核心引擎 + 扩展层”的双层架构，通过 GitHub 完全开源发布，采用 MIT 许可证。项目由开发者 shy3130 发起并持续维护，后端 Python 3.11+（FastAPI + Polars + DuckDB + Parquet），前端 React 18 + TypeScript（TanStack Query、TradingView Lightweight Charts、dnd-kit），当前版本已迭代至 v0.3.7，路线图覆盖从仓库骨架到模拟盘重构的完整演进。

它的运作机制与市面上所有“量化平台”和“看盘软件”都有本质区别。项目开篇就划清了边界：“不作为投资软件或者看盘软件”，“明确不做：不对标同花顺 / 通达信，不内置‘AI 荐股 / 涨停预测’”。TSP 真正做的事是：把量化研究中最耗散、最容易口径不一致的环节——数据源、策略、回测、监控、复盘——收进一条统一的 enriched 数据口径链，让你换数据源不换指标口径，策略、回测、监控、复盘共用同一套语义。架构上，核心域（8 个） 拥有数据与语义，扩展域（5 条通道） 只消费核心契约——“核心是引擎，其余皆插件”，删除目录即卸载、复制目录即导入，连 AI 对话助手都是扩展域的参考实现。

二、Tick Stock Panel 能做什么

能力路由矩阵——换数据源，不换口径（路）——不是“绑死一家数据源，换源重写整套代码”，而是“6 类数据集按源能力独立路由，指标与回测口径不变”。数据源已插件化，支持 TickFlow 官方 SDK、fuyao（同花顺 REST）、TdxQuant（通达信量化，实时/五档/日K/复权/分钟） 以及 YAML 自定义源插件。你可以在不同源之间切换，策略代码和回测结果的可比性保持不变。

策略引擎与指标流水线——毫秒级扫全 A 股（策）——不是“写个脚本跑半天”，而是“Polars 列式引擎 + enriched 预计算 + 谓词下推，毫秒级完成全市场策略扫描”。支持全自定义策略、自定义信号和 AI 生成策略。指标流水线只存 15 列基础数据，现算 68 列指标与信号，分层缓存做到“存储最小化、读取零冗余、写入即失效”。

回测研究——T+1、费用、滑点、因子归因（回）——不是“只给一条净值曲线”，而是“因子/策略/分钟回测，内置 T+1、手续费、滑点和因子归因”。回测跑在子进程隔离中，不卡主服务，刷新重连不丢任务（持久 run ID + 并发闸）。结果可导出 CSV、存候选一键复测。

因子平台与因子挖掘——DSL 自定义 + 样本外搜索（因）——不是“只给几个内置因子”，而是“DSL 自定义因子 + 检验组合，与策略双向联动”；因子挖掘支持样本外搜索多因子组合，但显式发布、永不上线——研究归研究，生产归生产。

市场环境、异动监控与监控中心——竞价/盘中/偏移全时段覆盖（监）——不是“靠人盯盘”，而是“情绪周期 6 阶段 + 概念/行业主线排名”判断市场环境；竞价/盘中/偏移三类异动一页覆盖；监控中心支持四类规则 AND/OR 组合，实时弹窗、语音播报、飞书推送，告警落盘走唯一入口。

个股分析与连板梯队——9 类关键价位 + AI 四维分析（析）——不是“只看 K 线”，而是“9 类关键价位 + AI 四维分析”；连板梯队提供连板统计、概念轮动和盘后 AI 复盘。

开放 API + MCP 服务器——核心能力全部契约化（开）——不是“只能点页面”，而是“65 端点契约化、六档 scope、SSE 事件流、12 个 MCP 工具”。Token 权限分为 read:market / read:ext / write:ext / read:analysis / run:backtest / paper:trade 六档，管理面永不开放给 Token。网络门禁默认仅本机/内网调用，公网一律 403。契约有快照测试 + CI 守护，开放面增删必须显式确认。

AI 对话助手——一句话问全站数据，工具足迹逐条可核对（AI）——不是“让 AI 随便猜”，而是“助手在本地真实数据上调用工具取数，逐字流式作答，每次取数可展开核对”。支持 21 个查询工具 + 5 个动作工具（生成信号、创建策略草稿、跑回测、加自选、补数据），写操作先弹确认卡，你点确认才执行。

扩展页面与页面插件——删目录即卸载、上传即挂载（扩）——不是“功能写死在宿主里”，而是“11 个官方页面本身就是单文件扩展，删目录即卸载、复制即导入；页面插件打包上传即挂载，免重建宿主，刷新生效”。

三、Tick Stock Panel 适合谁用

有自己研究框架、不想被“AI 荐股”忽悠的个人量化研究者——你需要的是数据口径统一、回测透明、研究过程可追溯的工作台，而不是一个告诉你“买/卖”的黑盒。TSP 明确不荐股、不预测，把策略、回测、监控和因子研究的工具链交给你自己。

受够了“换数据源就要重写整套代码”的开发者——你用脚本拼凑过量化流程，最痛的往往是“数据源绑死，换一家要重写整套拉数代码”。TSP 的能力路由矩阵让 6 类数据集按源能力独立路由，指标与回测口径不变。

想用 AI 辅助研究、但不想让 AI 替你做决定的用户——TSP 的 AI 对话助手在本地真实数据上调用工具取数，取数过程逐条可见、可展开核对；写操作需要确认卡放行。AI 是研究助手，不是决策者。

对数据主权有要求的自托管用户——数据全部落在本地 Parquet，单容器零外部数据库（Parquet + DuckDB 文件型），Docker 一条命令启动，零运维。

希望把面板能力接入自己程序或 AI 客户端的开发者——65 端点契约、六档 scope、SSE 事件流、12 个 MCP 工具——你的脚本、机器人或 AI 客户端可以平等消费面板的核心能力，而不是靠爬页面。

需要注意的是它不适合谁：如果你想要的是“打开就能看盘、能荐股”的消费级炒股软件，TSP 明确不对标同花顺/通达信；如果你只有 2 GB 内存的机器，官方明确建议不要在 2 GB 机器上跑回测/稳健优化/因子挖掘，单任务约 800 MB，与主进程叠加必然超出。

四、Tick Stock Panel 的应用场景是什么

统一口径的量化研究流水线场景——你有一只自选股票池，需要从数据拉取 → 指标计算 → 策略扫描 → 回测验证 → 盘中监控 → 盘后复盘，走完一条链。TSP 的 enriched 数据口径让策略、回测、监控、复盘共用同一套语义，不会出现“回测和实盘用的指标口径对不上”。

毫秒级全市场策略扫描与异动捕捉场景——盘前竞价、盘中、偏移时段，你希望用自定义信号扫全 A 股并及时收到提醒。Polars 列式引擎 + enriched 预计算做到毫秒级全市场扫描；监控中心支持四类规则 AND/OR 组合，实时弹窗 + 语音播报 + 飞书推送。

因子研究与样本外挖掘场景——你想验证一个因子组合是否在样本外依然有效。因子平台用 DSL 自定义因子并与策略双向联动；因子挖掘做样本外搜索，但显式发布、永不上线——研究结果和实盘执行之间有明确的边界。

AI 辅助数据问答与操作场景——你不想在多个页面之间来回点，想直接问“今天市场怎么样”“我的自选表现如何”“我的扩展数据表里有什么”，或者让助手“生成一个放量站上 20 日线的信号”“检查一下数据完整性”。AI 对话助手通过工具足迹卡逐条展示取数过程，写操作需要确认卡放行。

开放接口与 MCP 生态集成场景——你有一个自己的交易脚本、机器人或 AI 客户端，希望直接调用 TSP 的面板能力。65 端点契约 + 六档 scope + SSE 事件流 + 12 个 MCP 工具，让外部程序与 AI 客户端平等消费面板能力，而不是靠爬页面。

五、Tick Stock Panel 为什么值得关注

从“拼凑脚本”到“统一口径的量化工作台”的认知升维。用脚本拼凑量化流程的人，大概率遇到过三个问题：数据源绑死、换源重写整套代码；策略、回测、监控各用一套工具，口径对不上；盘中异动靠人盯盘，错过就是错过。TSP 的解法不是“再加一个脚本”，而是把口径统一这件事做成架构——能力路由矩阵让换源不换口径，enriched 数据口径让策略→回测→监控→复盘走同一条链。这种“口径一致性优先”的设计，是它区别于所有零散量化工具最核心的价值。

“核心是引擎，其余皆插件”——一个把可替换性写进架构的项目。大多数量化平台是“核心和功能混在一起”，想换掉某个页面或某个数据源，往往牵一发动全身。TSP 明确划分核心域（8 个） 和扩展域（5 条通道）：扩展域只消费核心契约，可整体替换或移除而不伤核心——删除目录即卸载、复制目录即导入；11 个官方页面本身就是单文件扩展；连 AI 对话助手都是扩展域的参考实现。这种“引擎与插件分离”的架构，让“定制”不是“改核心”，而是“换插件”。

“单容器零外部数据库 + 3000+ 测试全绿”——自托管量化平台的工程纪律。量化平台常见的部署噩梦是“要装数据库、要配消息队列、要管一堆服务”。TSP 用 Parquet + DuckDB 文件型存储做到单容器零外部数据库，Docker 一条命令启动。同时，3000+ 测试全绿，约 100 秒跑完，CI 守护后端全量和前端构建。在一个“自托管工具往往测试覆盖率堪忧”的生态里，这种工程纪律本身就是可信度的来源。

“不荐股、不预测”——一个极其清醒的产品边界声明。AI 投研和量化工具最容易滑向的陷阱是“给你一个买卖信号”。TSP 开篇就把这条线划死了：不作为投资软件或看盘软件，不对标同花顺/通达信，不内置 AI 荐股/涨停预测，数据源已插件化，仅供学习研究。AI 对话助手的写操作需要确认卡放行，MCP 工具刻意不把模拟盘交易交给 AI。这种“知道自己不该做什么”的克制，在量化工具中极为罕见。

MIT 协议 + 分发须保留版权声明——开放但有底线的许可边界。项目采用 MIT 许可证，允许自由使用、修改甚至商业分发，但明确要求：分发本软件或其任何部分时，必须完整保留原始版权声明与许可文本；未经书面许可移除、遮蔽或篡改版权署名、许可声明，或在再分发时隐匿来源，构成协议违约与著作权侵权。这种“开放使用 + 署名保留”的许可设计，在开源项目中兼顾了自由与尊重。

现实挑战与生态成熟度。Tick Stock Panel 并非没有短板。首先，它明确不是“看盘软件”也不是“投资建议工具”——它提供的是研究工具链，策略是否有效、回测是否可信、实盘如何执行，仍然取决于使用者自己的判断和验证。其次，内存门槛不低——主进程常驻 1 GB 以上，回测/优化/因子挖掘的独立 worker 单个约 800 MB，官方明确建议不要在 2 GB 机器上跑重任务，并提供了 mem_limit 和 RSS 上限的环境变量来防止 OOM。再次，数据端点的质量和可用性受数据源制约——TickFlow、fuyao、TdxQuant 各有自己的服务条款和 Key 要求，数据准确性以数据源官方为准。