yats (Skyliquid22)

YATS——又一种交易系统

机构级交易研究和执行平台。YATS自动化了整个生命周期：多供应商数据摄取、确定性特征计算、强化学习训练、实验评估、资格门控、影子执行以及静态风险合约下的纸上/现场交易。

YATS是 MCP本地 --所有功能都以MCP工具的形式公开，可由代理或笔记本电脑调用。没有CLI或仪表板。

建筑

┌─────────────────────────────────────────────────────────┐
│  Layer 1: Interface (TypeScript)                        │
│  MCP Server — @modelcontextprotocol/sdk                 │
│  76 tools across 12 domains                             │
├─────────────────────────────────────────────────────────┤
│  Layer 2: Orchestration (TypeScript → Python bridge)    │
│  Dagster GraphQL │ Python subprocess │ QuestDB client   │
├─────────────────────────────────────────────────────────┤
│  Layer 3: Compute + Storage (Python + QuestDB)          │
│  Dagster pipelines │ research/ modules │ QuestDB        │
│  .yats_data/ filesystem artifacts                       │
└─────────────────────────────────────────────────────────┘

TypeScript 处理MCP协议层和网桥。 python 处理所有计算：RL训练、评估、特征计算、执行。 QuestDB 是所有时间序列、元数据和审计跟踪的共享数据平面。 Dagster 以完全可观察性编排管道。

先决条件

• Node.js>=20
• Python>=3.11
• QuestDB（PG线在默认端口8812上运行，ILP在默认端口9009上运行）
• Dagster(pip install dagster dagster-webserver)

API密钥

设置

# TypeScript (MCP server)
npm install
npm run build

# Python (pipelines + research)
pip install -e ".[dev]"

# QuestDB tables
python -c "from pipelines.yats_pipelines.utils.create_tables import create_all_tables; create_all_tables()"

# Dagster
dagster dev -m pipelines.yats_pipelines.definitions

快速入门

YATS工具通过MCP调用。以下是典型的工作流程：

1. Ingest data         →  data.ingest (Alpaca OHLCV + FD fundamentals)
2. Canonicalize        →  data.canonicalize (raw → canonical with lineage)
3. Compute features    →  features.compute (32 v1 features)
4. Create experiment   →  experiment.create (spec with policy, universe, params)
5. Train + evaluate    →  experiment.run (PPO/SAC training + deterministic eval)
6. Shadow replay       →  shadow.run (forward-only historical replay)
7. Qualify             →  qualify.run (candidate vs baseline, hard/soft gates)
8. Promote             →  promote.to_candidate → promote.to_production
9. Paper trade         →  execution.start_paper (Alpaca paper endpoint)

目录结构

yats/
  src/                    # TypeScript MCP server
    server.ts             # Entry point (stdio transport)
    tools/                # 12 tool domains (data, features, experiment, ...)
    bridge/               # dagster-client, python-runner, questdb-client
    auth/                 # Role-based permissions, SQL safety, rate limiting
    types/                # TypeScript type definitions
    vendors/              # Alpaca + financialdatasets.ai API clients

  pipelines/              # Python Dagster pipelines
    yats_pipelines/
      jobs/               # 14 pipeline jobs (ingest, canonicalize, train, ...)
      resources/          # QuestDB, Alpaca, FD resources
      io/                 # QuestDB I/O manager

  research/               # Python research modules
    envs/                 # SignalWeightEnv (old Gym API)
    training/             # PPO + SAC trainers (SB3), reward shaping
    eval/                 # Deterministic evaluation, regime slicing
    experiments/          # ExperimentSpec, registry
    shadow/               # ShadowEngine, ReplayMarketDataSource
    execution/            # Paper/live trading, broker adapter, kill switches
    promotion/            # Qualification gates, promotion tiers
    features/             # Feature registry, OHLCV/fundamental/regime features
    hierarchy/            # ModeController, per-mode allocators
    policies/             # SMA, equal-weight policies
    risk/                 # Risk config, weight projection

  compute/                # Standalone compute modules
    stats/                # ADF, bootstrap, deflated Sharpe, PBO
    risk/                 # Stress test, tail analysis, correlation

  configs/                # Configuration files
    risk.yml              # Risk policy thresholds (15 constraints)
    feature_sets/         # Feature set definitions (YAML)
    universes/            # Ticker lists (sp500, sectors)
    regime_detectors/     # Pluggable regime detection configs
    regime_thresholds.yml # Regime bucketing thresholds
    vendors.yml           # Vendor configuration

  .yats_data/             # Runtime artifacts (not in git)
    experiments/          # Per-experiment specs, checkpoints, metrics
    promotions/           # Immutable promotion records
    shadow/               # Shadow execution logs

  tests/                  # Test suite
    research/             # Python module tests
    pipelines/            # Dagster pipeline tests
    integration/          # End-to-end tests

数据供应商

所有数据都通过一个两层模型流动： 原始 （仅附加，每个供应商）→ 规范的 （已对账，仅下游输入）。规范表包含完整的沿袭（源供应商、对账方法、验证状态）。

实验生命周期

ExperimentSpec (canonical config)
    ↓
experiment.create → content-addressed ID (SHA256)
    ↓
experiment.run → train (PPO/SAC) + evaluate
    ↓
qualify.run → candidate vs baseline (hard/soft gates)
    ↓
promote.to_candidate → promote.to_production
    ↓
execution.start_paper → paper trading via Alpaca

政策：PPO、SAC、SMA、等权重、分层（模式控制器+每模式分配器）

奖励版本：v1（身份日志返回），v2（形状：营业额+提款+成本处罚）

风险引擎

风险政策是 静态合同 --任何策略或模型都不能覆盖它。在运行时，在6个组中强制执行15个约束：

1. 紧急停止开关：每日损失限额，追踪提款
2. 全球限额：总/净敞口、杠杆率、日交易额
3. 按符号：最大体重、位置计数、注意力、ADV参与度
4. 波动性：vol缩放，vol状态制动器
5. 信号：信心门控，最小保持期
6. 现金下限：最低现金储备

所有风险决策均已记录至QuestDB。终止开关状态机：TRADING→ 停止→ 停止→ 恢复→ 贸易。

安全

基于角色的访问控制，分为5层： intern （只读）→ researcher → risk_officer → pm → managing_partner （完全控制）。SQL查询使用每个角色的表白名单进行参数化。Python子进程在沙盒中运行（无网络、受限制的文件系统、内存限制）。

文档

• 参考指南 --MCP工具目录、QuestDB模式、配置参考
• 贡献 --开发工作流程和惯例
• 产品需求文档 --完整的产品要求文件

许可证

麻省理工学院