AI量化交易操盘手

英文版本

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

如果你喜欢这个项目，或者希望随时关注动态，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：

• 星球使用指南：https://mp.weixin.qq.com/s/SGc49e0xf24q5aUbf3rO0g?token=2028063978&lang=zh_CN
• 学习路线及群内资源使用：https://mp.weixin.qq.com/s/3-U048mc0riVsdETrKr77g

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：

• 星球内容介绍
• 新人使用指南

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）！

🎈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！！！

---

• 知乎：576关注者
• 聚宽：599关注者

---

代码仓 (永久免费)
✨AI量化交易操盘手:

• Github: https://github.com/charliedream1/ai_quant_trade
• Gitee（国内镜像）: https://gitee.com/charlie1/ai_quant_trade.git

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：

• Github: https://github.com/charliedream1/ai_wiki
• Gitee（国内镜像）：https://gitee.com/charlie1/ai_wiki.git
• 简介：分享各种实用案例，追踪前沿技术发展，囊括 AI 全栈知识，涵盖大模型、编程技术、机器学习、深度学习、强化学习、图神经网络、语音识别、NLP 及图像识别等领域

---

:newspaper: 新特性 :fire:

时间	特性
2025.08.09	推理型股价预测大模型训练教程（预测准确率提升20%，且可解析）
2025.05.17	Unsloth推理型股价预测大模型（代码见本仓库、详细指南+模型见星球）
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
• 2. 使用
• 3. 量化资源集合
• 4. 本地量化平台
  • 4.1 强化学习策略
  • 4.2 图网络策略
  • 4.3 深度学习策略
  • 4.4 机器学习策略
  • 4.5 高频交易
  • 4.6 传统策略
• 5. 实盘
  • 5.1 实盘模拟
• 6. 辅助操盘
• 7. 因子挖掘
• 8. 数据获取
• 9. 文本分析
• 10. 大模型
• 11. 编程及AI基础知识
• 12. 在线投研平台
  • 12.1 聚宽平台
• 打赏我
• 讨论
• 技术支持
• 常见问题
• 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_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和原理介绍。

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：

• Github: https://github.com/charliedream1/ai_wiki
• Gitee（国内镜像）：https://gitee.com/charlie1/ai_wiki.git
• 简介：分享各种实用案例，追踪前沿技术发展，囊括 AI 全栈知识，涵盖大模型、编程技术、机器学习、深度学习、强化学习、图神经网络、语音识别、NLP 及图像识别等领域

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。

1. 样例介绍：

   序号	策略	论文
   1	原型	无
   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	美国道琼斯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）
2	Unsloth推理型股价预测模型训练（代码开源、详细指南+模型见星球）

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：

• Github: https://github.com/charliedream1/ai_wiki
• Gitee（国内镜像）：https://gitee.com/charlie1/ai_wiki.git
• 简介：分享各种实用案例，追踪前沿技术发展，囊括 AI 全栈知识，涵盖大模型、编程技术、机器学习、深度学习、强化学习、图神经网络、语音识别、NLP 及图像识别等领域

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

• 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
• 该部分代码仅能在 聚宽平台 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	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

   • 手把手教你"机器学习-动态多因子选股"(附保姆级教程)
   • 龙虎榜数据筛选和过滤
   • 概念板块数据获取和选股
   • 详解: 股票数据获取及图形分析(附详细代码)

---

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^)/

讨论

欢迎在 Github Discussions 中发起讨论。

技术支持

• 欢迎在 Github Issues 中提交问题。
• 加入知识星球，获取更多技术支持。
  • AI智投星球：专注AI量化交易知识分享
  • 大模型避坑指南：专注编程、大模型、AI应用赋能

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}},
}

AI 量化交易操盘手 (ai_quant_trade) 快速上手指南

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.8 及以上版本
• 依赖管理：已安装 pip
• 网络环境：由于部分依赖包较大，国内用户建议配置国内镜像源以加速下载（如清华源、阿里源）。

2. 安装步骤

本项目暂未封装为 Python 包，需直接克隆源代码并使用。

2.1 获取源代码

推荐使用 Gitee 国内镜像加速克隆，或使用 GitHub 主仓库：

# 方案一：使用 Gitee 国内镜像（推荐国内用户）
git clone https://gitee.com/charlie1/ai_quant_trade.git

# 方案二：使用 GitHub
git clone https://github.com/charliedream1/ai_quant_trade.git

进入项目目录：

cd ai_quant_trade

2.2 安装依赖

在项目根目录下执行以下命令安装所需库：

pip install -r requirements.txt

提示：若下载速度较慢，可添加国内镜像源参数： pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

本项目采用模块化设计，核心策略和工具位于 egs_ 开头的目录中。每个子目录均包含独立的使用说明和原理介绍。

3.1 运行传统策略示例（双均线）

这是最基础的入门示例，包含自建回测框架和策略逻辑。

1. 进入策略目录：

   cd egs_trade/vanilla/double_ma
   

2. 查看该目录下的文档教程（通常在 文档教程 文件夹或直接查看脚本注释）。
3. 运行策略脚本（具体文件名请参考目录内容，通常为 .py 文件）：

   python main.py  # 示例命令，具体入口文件请以目录内实际文件为准
   

3.2 运行强化学习策略示例

体验基于 FinRL 的强化学习股票交易。

1. 进入强化学习目录：

   cd egs_trade/rl/a002_finRL_tutorial/a01_Stock_NeurIPS2018
   

2. 参照目录内的说明运行训练或回测脚本。该示例基于美股道琼斯 30 指数数据，展示了年化收益 53% 的策略实现。

3.3 使用辅助操盘工具

利用 Excel 进行看盘监控。

1. 进入辅助工具目录：

   cd egs_aide/看盘神器/v1
   

   (注：根据实际路径调整，原文档中路径为 egs_tools/a01_market_monitor_via_excel/v1 或 egs_aide 下相关目录)
2. 按照说明配置需要监控的股票列表并启动程序。

4. 更多资源与进阶

• 因子挖掘：查看 egs_alpha 目录，包含自动挖掘 5000+ 因子的示例。
• 大模型应用：查看 egs_llm 目录，包含股价预测大模型及金融市场分析案例。
• 文本分析：查看 egs_fin_nlp 目录，包含基于 StructBERT 的市场情绪分析。
• 知识体系：详细的学习路线、论文解读及避坑指南请参阅 ai_notes 目录或关联仓库 AI 大模型避坑指南。

注意：部分高级功能或最新私有化代码可能仅在配套的“知识星球”中提供，开源仓库将持续更新基础与核心功能。