ai_quant_trade

ai_quant_trade

股票AI操盘手:从学习、模拟到实盘,一站式平台。包含股票知识、策略实例、大模型、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、C++部署和聚宽实例代码等,可以方便学习、模拟及实盘交易

Stars: 2564

Visit
 screenshot

The ai_quant_trade repository is a comprehensive platform for stock AI trading, offering learning, simulation, and live trading capabilities. It includes features such as factor mining, traditional strategies, machine learning, deep learning, reinforcement learning, graph networks, and high-frequency trading. The repository provides tools for monitoring stocks, stock recommendations, and deployment tools for live trading. It also features new functionalities like sentiment analysis using StructBERT, reinforcement learning for multi-stock trading with a 53% annual return, automatic factor mining with 5000 factors, customized stock monitoring software, and local deep reinforcement learning strategies.

README:

AI量化交易操盘手

ENGLISH VERSION

License Python-Version

AI量化教程 | 本地策略 | 辅助操盘 | 因子挖掘 | 文本分析 | 大模型 | 数据处理 | 在线投研平台 | 使用文档

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!

AI量化交易操盘手

  • 一站式平台:从学习、模拟到实盘
  • 炒股策略:大模型、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
  • 资源汇总:全网资源汇总、实战案例、论文解读、代码实现
  • 提供辅助操盘工具:辅助盯盘、股票推荐
  • 覆盖股票、基金、加密货币等多个市场
  • 实盘部署工具:python/C++/CPU/GPU等部署

配套资源

本代码仓秉承收费和免费并行的原则。

收费资源

知识星球

知识星球官网注册,用户权益有保障。

星球内容介绍

🔥低至每日1毛|独家速成课|无痛学课|📺视频教程|答疑解惑| 开源避坑指南|自研工具代码|3分钟视频论文速度|图书馆| 全网最低价量化类星球之一|3天不满意免费退款

👇下方扫描二维码或者点击链接,都可以进入星球查看更详细的介绍🎏

星球视频介绍:

星球加入链接:

  • AI智投星球:AI量化交易速成、前沿技术、实战案例、资源库
  • AI速成营:作为子星球,深入补充编程、大模型、AI基础、原理及金融方向实战及求职等的速成和案例分享,为[AI智投星球]提供扎实的基础知识内容,形成互补

星球介绍:

福利限时放送:
🧧加入并帮助我们推广拉新可返现15元,详情请在星球或公众号内咨询管理员。🧧
🧧同时加入2个星球,立减30元(可先加入一个星球,联系管理员领取优惠卷之后,再加入另一个星球)🧧

👇扫码查看“星球”更详细的介绍(里面有搞笑漫画哦)!

知识星球

知识星球

🎈随着人数增加,以及内容的丰富和完善,后续会随时调整价格,请大家不要错过。欢迎大家加入!

🎯本代码仓会持续更新,但部分代码转为私有化维护仅在星球中可见,对应功能会在仓库中标注


免费资源

微信公众号

🔥最新资讯实时关注
🎁关注并点赞任一篇文章,私信管理员,领取精美量化资料包一份!!!

微信公众号



代码仓 (永久免费)
✨AI量化交易操盘手:

本仓库配套项目

为了便于维护,将原有的系统操作、编程基础、AI基础、AI实践等内容,独立同步至仓库[AI大模型避坑指南]

里面记录了很多我在实际中遇到的问题和解决方案,同时在实时关注更新技术发展的前沿,欢迎大家关注和star。

✨AI大模型避坑指南:


📰 新特性 🔥

时间 特性
2025.01.03 大模型金融市场分析(视频教程见星球或公众号)
2023
时间 特性
2023.04.09 StructBERT市场情绪分析
2023.03.28 强化学习多股票交易:年化收益53%
2023.02.28 机器学习自动挖掘5000个因子及股票趋势预测
2023.02.05 利用EXCEL看盘
2023.01.01 本地深度强化学习策略
2022
时间 特性
2022.11.07 Wind本地实盘模拟
2022.08.03 基础回测框架 + 双均线策略

目录

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_notes (金融量化交易知识,以Markdown, Jupyter Notebook汇总知识体系)
    │   ├── 资源:持续收录全网优秀资源
    │   ├── 实战:各类工具、框架、库的使用及踩坑实录
    │   ├── 热点:金融市场热点、技术热点、论文解读
    ├── 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)
    │   ├── 开源工具 (各类开源数据获取工具使用介绍)
    ├── egs_fin_nlp (文本分析)
    │   ├── emotion_analysis (情感分析)
    ├── egs_llm (大模型应用)
    ├── 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,在每个egs下的示例中均有详细的使用说明原理介绍

安装依赖包

pip install -r requirements.txt

3. 量化资源集合

(我们在知乎上2.6万阅读的文章)史上最全AI股票量化交易工具和开源项目汇总

以上是我们在知乎上2.6万阅读的文章,我们将所有工具重新进行了分类,并进行了点评, 收录在ai_notes文件夹下,方便大家查找。

🎯开发中

  • 陆续对所有工具进行点评,方便选择
  • 陆续记录各个工具的优缺点,形成一个对比表,方便选型
  • 陆续记录使用方法,方便使用:我们不做大而全的使用教程,那会让你迷失,我们只列举最常用且实用的功能,让你快速上手

⛳⛳⛳AI基础知识

为了便于维护,将原有的ai_wiki目录下内容,包括系统操作、编程基础、AI基础、AI实践等内容,独立同步至仓库[AI大模型避坑指南]

里面记录了很多我在实际中遇到的问题和解决方案,同时在实时关注更新技术发展的前沿,欢迎大家关注和star。

✨AI大模型避坑指南:

4. 本地量化平台

本地量化平台

🎯 每个实例我都尽可能配备完善的教程,从原理、使用到代码解读。

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
    • 大模型
  • 传统规则类策略

4.1 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

  1. 样例介绍:

    序号 策略 论文
    1 原型
    2 FinRL教程0-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

4.2 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。。。)

4.3 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。。。)

4.4 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。。。)

4.5 高频交易

(构建中,尽请期待。。。)

4.6 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+简易手写回测框架

    • 详细使用教程
    • 包含策略代码+自建纯手写回测框架
    • 包含良好的绘图,指示买点和卖点
    • 目标:通过这个实例了解量化交易的完整框架构建方式
  2. 投资组合管理7节教学

5. 实盘

代码详细参见目录:egs_trade

5.1 实盘模拟

  1. Wind本地实盘模拟:双均线策略
    • 利用wind软件实现的实盘模拟
    • wind常作为各大金融机构的首选数据源,由于价格高额,不适合散户使用
    • 使用对象:机构

6. 辅助操盘

代码详细参见目录:egs_aide

  1. 利用EXCEL看盘
    • 看盘是不容易被发现
    • 可以自己加入要盯盘的股票
    • 可以方便利用excel快速计算和处理数据

7. 因子挖掘

代码详细参见目录:egs_alpha

7.1 因子挖掘策略

序号 策略 论文
1 机器学习自动挖掘5000个因子及股票趋势预测

7.2 因子库

序号 因子库
1 alpha101
2 stockstats
3 ta_lib

8. 数据处理

  • 各类常见数据源使用详解
  • 统一数据源接口

9. 文本分析

代码详细参见目录:egs_fin_nlp

序号 工具
1 StructBERT市场情绪分析

10. 大模型

代码详细参见目录:egs_llm

序号 工具
1 大模型金融市场分析(视频教程见星球或公众号)

11. 编程及AI基础知识

为了便于维护,将原有的ai_wiki目录下内容,包括系统操作、编程基础、AI基础、AI实践等内容,独立同步至仓库[AI大模型避坑指南]

里面记录了很多我在实际中遇到的问题和解决方案,同时在实时关注更新技术发展的前沿,欢迎大家关注和star。

✨AI大模型避坑指南:

12. 在线投研平台

在线投研平台样例

  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)

12.1 聚宽平台

聚宽平台

欢迎在聚宽平台关注我:量客攻城狮

  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 12.3% 38.93%
    小市值+多均线量化炒股 58.4% 46.61%
    龙虎榜-看长做短 41.82% 26.89%
    强势股+趋势线判断+止损止盈 10.09% 21.449%
  2. 股票分析研究


打赏我

您的支持是我前进的动力,即便“1毛钱”我也很开心啊,感谢您的打赏和支持 (^o^)/

图片名称1

图片名称2

讨论

欢迎在 Github Discussions 中发起讨论。

技术支持

常见问题

请查看文档常见问题

引用

@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}},
}

For Tasks:

Click tags to check more tools for each tasks

For Jobs:

Alternative AI tools for ai_quant_trade

Similar Open Source Tools

For similar tasks

For similar jobs