# ai_quant_trade **Repository Path**: BrucePan/ai_quant_trade ## Basic Information - **Project Name**: ai_quant_trade - **Description**: No description available - **Primary Language**: C++ - **License**: Apache-2.0 - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 2 - **Created**: 2024-05-12 - **Last Updated**: 2025-03-16 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 股票AI操盘手 [**ENGLISH VERSION**](https://github.com/charliedream1/ai_quant_trade/blob/master/README_EN.md) [![License](https://img.shields.io/badge/License-Apache%202.0-brightgreen.svg)](https://opensource.org/licenses/Apache-2.0) [![Python-Version](https://img.shields.io/badge/Python-3.8-brightgreen)](https://github.com/charliedream1/ai_quant_trade) [**AI炒股教程**](https://github.com/charliedream1/ai_quant_trade/tree/master/ai_wiki) | [**本地策略**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade) | [**辅助操盘**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_aide) | [**因子挖掘**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_alpha) | [**文本分析**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_fin_nlp) | [**数据处理**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_data) | [**在线投研平台**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_online_platform) | [**使用文档**](https://github.com/charliedream1/ai_quant_trade/tree/master/docs) drawing**如果喜欢本项目，或希望随时关注动态，请给我点个赞吧 (页面右上角的小星星)，欢迎分享到社区!**
**股票AI操盘手** - 一站式平台：从学习、模拟到实盘 - 炒股策略：因子挖掘、传统策略、机器学习、深度学习、强化学习、图网络、高频交易等 - 提供辅助操盘工具：辅助盯盘、股票推荐 - 实盘部署工具：C++/CPU/GPU等部署 ## :newspaper: 新特性 :fire: | **时间** | **特性** | **代码路径** | |:-------- |:-------| :-------| | 2023.04.09 | [**StructBERT市场情绪分析**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class) | egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class | | 2023.03.28 | [**强化学习多股票交易：年化收益53%**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade/rl/a002_finRL_tutorial/a01_Stock_NeurIPS2018) | egs_trade/rl/a002_finRL/a01_Stock_NeurIPS2018 | | 2023.02.28 | [**机器学习自动挖掘5000个因子及股票趋势预测**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_alpha/auto_alpha/tsfresh) | egs_alpha/auto_alpha/tsfresh | | 2023.02.05 | [**定制化看盘软件**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_aide/%E7%9C%8B%E7%9B%98%E7%A5%9E%E5%99%A8/v1) | egs_aide/看盘神器/v1 | | 2023.01.01 | [**本地深度强化学习策略**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade/rl/a001_proto_sb3) | egs_trade/rl/a001_proto_sb3 | | 2022.11.07 | [**Wind本地实盘模拟**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade/real_bid_simulate/wind) | egs_trade/real_bid_simulate/wind | | 2022.08.03 | [**基础回测框架 + 双均线策略**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade/vanilla/double_ma) | egs_trade/vanilla/double_ma | ## 目录 * [1. 简介](#1._简介) * [2. 使用](#2._使用) * [3. 本地量化平台](#3._本地量化平台) * [3.1 强化学习策略](#3.1_强化学习策略) * [3.2 图网络策略](#3.2_图网络策略) * [3.3 深度学习策略](#3.3_深度学习策略) * [3.4 机器学习策略](#3.4_机器学习策略) * [3.5 高频交易](#3.5_高频交易) * [3.6 传统策略](#3.7_传统策略) * [4. 实盘](#4._实盘) * [4.1 实盘模拟](#4.1_实盘模拟) * [5. 辅助操盘](#5._辅助操盘) * [6. 因子挖掘](#6._因子挖掘) * [7. 数据获取](#7._数据获取) * [8. 文本分析](#8._文本分析) * [9. AI-实践指南](#9.__AI-实践指南) * [10. 在线投研平台](#10._在线投研平台) * [10.1 聚宽平台](#10.1_聚宽平台) * [关注我](#关注我) * [讨论](#讨论) * [技术支持](#技术支持) * [常见问题](#常见问题) * [引用](#引用) ## 1. 简介 1. 本系统适合的人群： - 机构 - 散户 - 有编程基础 - 无编程基础 2. 本仓库代码结构和内容简介 ``` ai_quant_trade ├── ai_wiki (AI全栈教学知识，以Markdown, Jupyter Notebook汇总知识体系) │ ├── 基础：操作系统、软件编程、数学基础 │ ├── 进阶：机器学习、深度学习、强化学习、图网络 │ ├── 实战：量化交易与投资、模型部署 ├── docs (本仓库使用说明文档) ├── egs_aide (辅助操盘工具) │ ├── 看盘神器 ├── egs_alpha (因子库) ├── egs_data (数据获取及处理) │ ├── wind (Wind万得数据处理) ├── egs_fin_nlp (文本分析) │ ├── emotion_analysis (情感分析) ├── egs_online_platform (在线投研平台策略) │ ├── 优矿_Uqer │ ├── 聚宽_JoinQuant ├── egs_trade (本地量化炒股策略) │ ├── paper_trade (实盘模拟) │ ├── wind万得实盘模拟 │ ├── rl (强化学习炒股) │ ├── vanilla (传统规则类策略) ├── quant_brain (核心算法库) ├── runtime (模型的部署和实际使用) ├── tools (辅助工具) ├── requirements.txt └── README.md ``` ## 2. 使用 本仓库暂未进行封装成python包，拷贝整个项目源代码， 1. 安装所需库 ```shell pip install -r requirements.txt ``` 2. 查看egs策略文件夹下文档, 并运行对应实例即可 ## 3. 本地量化平台 [**本地量化平台**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade) 代码详细参见目录：egs_trade 可在本地可构建一套独立的量化交易系统，包含的策略： - AI策略 - 强化学习 - 图网络 - 深度学习 - 机器学习 - 高频交易 - 因子挖掘 - 传统规则类策略 ### 3.1 强化学习策略   代码详细参见目录：egs_trade/rl   自从2017年AlphaGo与柯洁围棋大战之后，深度强化学习大火。   相比于机器学习和深度学习, 强化学习是以最终目标为导向 (以交互作为目标) , 而很多其他方法是考虑孤立的子问题 (如“股价预测”,“大盘预测”,“交易决策”等) , 这并不能直接获得交互的动作, 比如“命令机器人炒股盈利”, 这个任务包含了“股价预测”,”大盘预测”等等, 而强化学习的目标则是“完成命令者的任务”, 可以直接得到“炒股盈利”的一连贯动作。 ![trades_on_k_line](.README_images/强化学习.png) 1. 样例介绍： | **序号** | **策略** | **代码路径** | **论文** | |:-------- |:-------- |:-------| :-------| | 1 | 原型 | egs_trade/rl/a001_proto_sb3 | | | 2 | FinRL教程0-NeurIPS2018 | egs_trade/rl/a002_finRL_tutorial/a01_Stock_NeurIPS2018 | Practical Deep Reinforcement Learning Approach for Stock Trading （https://arxiv.org/abs/1811.07522） | 2. 样例回测详情 | **序号** | **策略** | **市场** | **年化收益** | **最大回撤** | **夏普率** | |:-------- |:-------- |:-------| :-------| :-------| :-------| | 1 | 原型 | 中国A股 | | | | | 2 | FinRL教程0-NeurIPS2018 | 美股道儿琼斯30 | 53.1% | -10.4% | 2.17 | ### 3.2 图网络策略   图网络可以更好的构建股票和股票之间的关系，同时关联股票、新闻、情绪等各类信息，能更好的挖掘全局关系网。 (构建中，尽请期待。。。) ### 3.3 深度学习策略   自从2012年AlexNet在图像分类任务上，性能碾压传统机器学习性能后，深度学习大火， 随机开启第一波人工智能热潮。其主要用于股价和大盘的预测等。 (构建中，尽请期待。。。) ### 3.4 机器学习策略   机器学习以统计学为基础，以其坚实的数据基础，可解性，数据依赖少，资源占用低，训练速度快，在表格任务上， 仍然可以追平深度学习等优势，任有其应用价值。 (构建中，尽请期待。。。) ### 3.5 高频交易 (构建中，尽请期待。。。) ### 3.6 传统策略   传统策略虽然看似昨日黄花，但其可操作性更强，仍又一定使用价值。深度学习和机器学习，往往需要配合规则使用。 1. [双均线策略](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade/vanilla/double_ma) - [详细使用教程](https://github.com/charliedream1/ai_quant_trade/tree/master/docs/%E6%9C%AC%E4%BB%93%E5%BA%93%E6%95%99%E7%A8%8B) ![trades_on_k_line](.README_images/trades_on_k_line.png) 2. [投资组合管理7节教学](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade/vanilla/portfolio_optimization) ## 4. 实盘 ### 4.1 实盘模拟 参见目录：egs_trade/paper_trade * [**Wind本地实盘模拟：双均线策略**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_trade/paper_trade/wind) ## 5. 辅助操盘 代码详细参见目录：egs_aide | **序号** | **工具** | **代码路径** | |:-------- |:-------- |:-------| | 1 | 定制化看盘工具 | egs_aide/看盘神器/v1 | ## 6. 因子挖掘 **代码详细参见目录：egs_alpha** ### 6.1 因子挖掘 | **序号** | **策略** | **代码路径** | **论文** | |:-------- |:-------- |:-------| :-------| | 1 | 机器学习自动挖掘5000个因子及股票趋势预测 | egs_alpha/auto_alpha/tsfresh | | ### 6.2 因子库 | **序号** | **因子库** | |:-------- |:-------- | | 1 | alpha101 | | 2 | stockstats | | 3 | ta_lib | ## 7. 数据处理 - 各类常见数据源使用详解 - 统一数据源接口 ![](.README_images/数据源.png) ## 8. 文本分析 | **序号** | **工具** | **代码路径** | |:-------- |:-------- |:-------| | 1 | [**StructBERT市场情绪分析**](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class) | egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class | ## 9. AI-实践指南 [**AI-实践指南**](https://github.com/charliedream1/ai_quant_trade/tree/master/ai_wiki)   代码参见：ai_wiki   本部分代码独立同步至仓库[**AI-实践指南-**](https://github.com/charliedream1/ai_wiki)   这里汇总了各种量化相关的平台、开源资源和知识。这里是一个丰富的知识仓库和导航地图。   这里将汇总包括量化投资，windows, linux, shell, vim, markdown，python, c++,机器学习数学基础， leetcode(c++, python)，机器学习、 深度学习、强化学习、图神经网络，语音识别、NLP和图像识别等基础知识 1. 代码结构和内容简介 ``` ai_wiki (AI全栈教学知识，以Markdown, Jupyter Notebook汇总知识体系) ├── 01_系统平台 │ ├── 基础：常用网站、通用工具 │ ├── 系统：Windows/Linux ├── 02_程序代码 │ ├── 编程：python, c, c++, 数据库, LeetCode │ ├── 实战：常用工具、常见问题汇总 ├── 03_数学基础（程序员必备数学知识） ├── 04_算法原理（传统算法，优化算法，遗传算法） ├── 05_机器学习（资源+原理+实战） ├── 06_深度学习（资源+原理+实战） ├── 07_强化学习（资源+原理+实战） ├── 08_图网络（资源+原理+实战） ├── 09_模型部署（资源+原理+实战） ├── 10_实践应用 │ ├── 01_开源平台 │ ├── 02_音频 (语音识别、唤醒、声纹、语音合成、语音增强) │ ├── 03_文本处理 │ ├── 04_时间序列 │ ├── 05_图像识别 ├── 11_面试 ├── 12_量化交易与投资 └── README.md ``` 2. 量化相关资源 | **序号** | **工具** | **路径** | |:-------- |:-------- |:-------| | 1 | [**全网量化资源汇总**](https://github.com/charliedream1/ai_quant_trade/tree/master/ai_wiki/12_量化交易与投资/01_资源) | ai_wiki/12_量化交易与投资/01_资源 | ## 10. 在线投研平台 [**在线投研平台样例**](https://www.joinquant.com/)   国内量化平台，如聚宽、优矿、米筐、果仁和BigQuant等，如果感兴趣，也可以自行尝试。   投研平台是为量化爱好者（宽客）量身打造的云平台，提供免费股票数据获取、精准的回测功能、 高速实盘交易接口、易用的API文档、由易入难的策略库，便于快速实现和验证策略。( **注：如下策略仅在所述回测段有效，没有进行详细的调优和全周期验证。另外，没有策略能保证全周期有效的， 如果实盘使用如下策略，请慎重使用**) ### 10.1 聚宽平台 [**聚宽平台**](https://www.joinquant.com/) 欢迎在聚宽平台关注我：量客攻城狮 - 具体策略详细介绍和源码请单击如下对应策略链接访问查看 - 聚宽使用介绍请查看: [egs_online_platform/聚宽_JoinQuant](https://github.com/charliedream1/ai_quant_trade/tree/master/egs_online_platform/%E8%81%9A%E5%AE%BD_JoinQuant) - 该部分代码仅能在 [**聚宽平台**](https://www.joinquant.com/) 运行 1. 股票量化策略 | 策略 | 收益 | 最大回撤 | |:-------- |:-------:|:-------:| | [**机器学习-动态因子选择策略**](https://www.joinquant.com/view/community/detail/f2a9d2ec6d4ad18882fa0a364fb9123d) | 12.3% | 38.93% | | [**小市值+多均线量化炒股**](https://www.joinquant.com/view/community/detail/c754d315a391f39f61858dfe3275f45f) | 58.4% | 46.61% | | [**龙虎榜-看长做短**](https://www.joinquant.com/view/community/detail/0986c3b92578952cc22c52f0a5ea4664) | 41.82% | 26.89% | | [**强势股+趋势线判断+止损止盈**](https://www.joinquant.com/view/community/detail/c0390ceabdc1b3365df343490b7caf28) | 10.09% | 21.449% | 2. 股票分析研究 * [手把手教你"机器学习-动态多因子选股"(附保姆级教程) ](https://www.joinquant.com/view/community/detail/4fa769264b0bf6489b36351b43e37012) * [龙虎榜数据筛选和过滤](https://www.joinquant.com/view/community/detail/a3a95cc7e53092aaea510d93bab9cb96) * [概念板块数据获取和选股](https://www.joinquant.com/view/community/detail/d1bf674ad163654aa263dac859762c90) * [详解: 股票数据获取及图形分析(附详细代码)](https://www.joinquant.com/view/community/detail/8fe84d0d25dcf1a6da72e442460cdf36) ## 关注我 - [知乎](https://www.zhihu.com/people/yi-dui-ji-mu-zai-kuang-xiang) - [聚宽](https://www.joinquant.com/user/d7aafd0b8b767b735bfb6f3639c81a6c) ## 讨论 欢迎在 [Github Discussions](https://github.com/charliedream1/ai_quant_trade/discussions) 中发起讨论。 ## 技术支持 欢迎在 [Github Issues](https://github.com/charliedream1/ai_quant_trade/issues) 中提交问题。 ## 常见问题 请查看文档[**常见问题**]() ## 引用 ``` bibtex @misc{ai_quant_trade, author={Yi Li}, title={ai_quant_trade}, year={2022}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/charliedream1/ai_quant_trade}}, } ```