[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-charliedream1--ai_quant_trade":3,"tool-charliedream1--ai_quant_trade":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159636,2,"2026-04-17T23:33:34",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":137},8974,"charliedream1\u002Fai_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","ai_quant_trade 是一款专为量化交易打造的一站式开源平台，旨在帮助用户从零开始掌握股票 AI 操盘技能。它打通了从理论学习、策略模拟到实盘部署的全流程，有效解决了量化新手入门难、策略复现复杂以及实盘落地门槛高等痛点。\n\n无论是希望系统学习量化知识的初学者，还是寻求高效工具链的开发者与研究人员，都能在此找到所需资源。平台不仅涵盖了传统技术指标和机器学习策略，更深度融合了大语言模型、因子挖掘、强化学习、图神经网络及高频交易等前沿技术。其独特的技术亮点在于提供了丰富的实战案例代码、详细的论文解读，并支持灵活的 C++ 高性能部署与多市场（股票、基金、加密货币）覆盖。\n\n此外，ai_quant_trade 还集成了辅助盯盘与智能选股工具，让投资决策更加科学高效。作为一个开放共享的社区项目，它汇聚了全网优质资源，既适合个人投资者构建自己的交易系统，也适合专业团队进行策略研发与快速验证，是通往智能投资领域的得力助手。","# AI量化交易操盘手  \n\n[**ENGLISH VERSION**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fblob\u002Fmaster\u002FREADME_EN.md)\n\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-brightgreen.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0)\n[![Python-Version](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.8-brightgreen)](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade)\n\n[**AI量化教程**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fai_wiki)\n| [**本地策略**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade)\n| [**辅助操盘**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_aide)\n| [**因子挖掘**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_alpha)\n| [**文本分析**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_fin_nlp)\n| [**大模型**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_llm)\n| [**数据处理**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_data)\n| [**在线投研平台**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_online_platform)\n| [**使用文档**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fdocs)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcharliedream1_ai_quant_trade_readme_c8d5d5f7c398.png\" alt=\"drawing\" width=\"25\"\u002F>**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!**\n\n\u003Cdiv align=\"center\"> \u003Cimg src=\".README_images\u002FLOGO_NEW.png\" width = 290 height = 300 \u002F> \u003C\u002Fdiv>\n\n**AI量化交易操盘手**\n\n- 一站式平台：从学习、模拟到实盘\n- 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\n- 资源汇总：全网资源汇总、实战案例、论文解读、代码实现\n- 提供辅助操盘工具：辅助盯盘、股票推荐\n- 覆盖股票、基金、加密货币等多个市场\n- 实盘部署工具：python\u002FC++\u002FCPU\u002FGPU等部署\n\n---\n\n## 配套资源\n\n本代码仓秉承收费和免费并行的原则。\n\n### 收费资源\n\n**知识星球**\n\n知识星球官网注册，用户权益有保障。\n\n[星球内容介绍](docs\u002F03_星球使用和介绍)\n\n\u003Cfont face=\"逐浪立楷\" color=#00bfff>\n🔥低至每日1毛|独家速成课|无痛学课|📺视频教程|答疑解惑|   \n开源避坑指南|自研工具代码|3分钟视频论文速度|图书馆|    \n全网最低价量化类星球之一|3天不满意免费退款\n\u003C\u002Ffont>\n\n👇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🎏\n\n星球视频介绍：\n- 星球使用指南：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FSGc49e0xf24q5aUbf3rO0g?token=2028063978&lang=zh_CN\n- 学习路线及群内资源使用：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F3-U048mc0riVsdETrKr77g\n\n星球加入链接：\n- [AI智投星球](https:\u002F\u002Ft.zsxq.com\u002FdHt9l)：AI量化交易速成、前沿技术、实战案例、资源库\n- [AI速成营](https:\u002F\u002Ft.zsxq.com\u002Fq42Js)：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\n\n星球介绍：\n- [**星球内容介绍**](docs\u002F03_星球使用和介绍\u002F01_星球介绍.md)  \n- [**新人使用指南**](docs\u002F03_星球使用和介绍\u002F02_新人使用指南.md)  \n\n福利限时放送：    \n🧧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。🧧        \n🧧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）🧧 \n\n👇扫码查看“星球”更详细的介绍（里面有搞笑漫画哦）！\n\n\u003Ccenter class=\"half\">\n\u003Cimg src=\".README_images\u002F知识星球_量化.jpg\" width=245 height = \"350\" alt=\"知识星球\"\u002F>\n\u003Cimg src=\".README_images\u002F知识星球_大模型.jpg\" width=245 height = \"350\" alt=\"知识星球\"\u002F>\n\u003C\u002Fcenter>\n\n🎈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！\n\n\u003Cfont color= orange>🎯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\u003C\u002Ffont>  \n\n---\n\n### 免费资源\n\n**微信公众号**\n\n🔥最新资讯实时关注       \n🎁\u003Cfont color= orange>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！！！\u003C\u002Ffont>\n\n\u003Cimg src=\".README_images\u002F公众号链接.png\" width = \"320\" height = \"120\" alt=\"微信公众号\" align=center \u002F>\n\n---\n\n- [知乎：576关注者](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fyi-dui-ji-mu-zai-kuang-xiang)\n- [聚宽：599关注者](https:\u002F\u002Fwww.joinquant.com\u002Fuser\u002Fd7aafd0b8b767b735bfb6f3639c81a6c)\n\n---\n\n**代码仓 (永久免费)**   \n✨AI量化交易操盘手: \n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\n- Gitee（国内镜像）: https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_quant_trade.git \n\n**本仓库配套项目**\n\n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**]\n\n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。\n\n✨AI大模型避坑指南：\n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki\n- Gitee（国内镜像）：https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_wiki.git\n- 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\n\n---\n\n## :newspaper: 新特性 :fire:\n\n| **时间**     | **特性**                                                                                    |   \n|:-----------|:------------------------------------------------------------------------------------------|\n| 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）**](egs_courses\u002F01_推理型股价预测大模型训练教程.md)                   |\n| 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）**](egs_llm\u002Fa01_train\u002Fa01_unsloth_stock_forcaster) |\n| 2025.01.03 | [**大模型金融市场分析（视频教程见星球或公众号）**](egs_llm\u002Fb01_app\u002Fa01_hot_topic_report\u002Fv1_proto_internet)      |\n\n\u003Cdetails> \n\u003Csummary>\u003Cb>2023\u003C\u002Fb>\u003C\u002Fsummary>\n\n| **时间**     | **特性**                                                                                                                                      |   \n|:-----------|:--------------------------------------------------------------------------------------------------------------------------------------------|\n| 2023.04.09 | [**StructBERT市场情绪分析**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_fin_nlp\u002Femotion_analysis\u002F01_StructBert_Binary_Class) | \n| 2023.03.28 | [**强化学习多股票交易：年化收益53%**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Frl\u002Fa002_finRL_tutorial\u002Fa01_Stock_NeurIPS2018) | \n| 2023.02.28 | [**机器学习自动挖掘5000个因子及股票趋势预测**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_alpha\u002Fauto_alpha\u002Ftsfresh)                      | \n| 2023.02.05 | [**利用EXCEL看盘**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_aide\u002F%E7%9C%8B%E7%9B%98%E7%A5%9E%E5%99%A8\u002Fv1)               | \n| 2023.01.01 | [**本地深度强化学习策略**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Frl\u002Fa001_proto_sb3)                                   | \n\n\u003C\u002Fdetails>\n\n\u003Cdetails> \n\u003Csummary>\u003Cb>2022\u003C\u002Fb>\u003C\u002Fsummary>\n\n| **时间**     | **特性**                                                                                                                                      |   \n|:-----------|:--------------------------------------------------------------------------------------------------------------------------------------------|\n| 2022.11.07 | [**Wind本地实盘模拟**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Freal_bid_simulate\u002Fwind)                              | \n| 2022.08.03 | [**基础回测框架 + 双均线策略**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Fvanilla\u002Fdouble_ma)                               |\n\n\u003C\u002Fdetails>\n\n## 目录   \n* [1. 简介](#1-简介)  \n* [2. 使用](#2-使用)  \n* [3. 量化资源集合](#3-量化资源集合)  \n* [4. 本地量化平台](#4-本地量化平台)  \n    * [4.1 强化学习策略](#41-强化学习策略)  \n    * [4.2 图网络策略](#42_图网络策略)  \n    * [4.3 深度学习策略](#43_深度学习策略)  \n    * [4.4 机器学习策略](#44_机器学习策略)  \n    * [4.5 高频交易](#45_高频交易)  \n    * [4.6 传统策略](#46_传统策略)  \n* [5. 实盘](#5_实盘)  \n    * [5.1 实盘模拟](#51_实盘模拟)  \n* [6. 辅助操盘](#6_辅助操盘) \n* [7. 因子挖掘](#7_因子挖掘)   \n* [8. 数据获取](#8_数据获取)   \n* [9. 文本分析](#9_文本分析)   \n* [10. 大模型](#10_大模型)   \n* [11. 编程及AI基础知识](#11_编程及AI基础知识)  \n* [12. 在线投研平台](#12_在线投研平台)  \n    * [12.1 聚宽平台](#121_聚宽平台)  \n* [打赏我](#打赏我)\n* [讨论](#讨论)  \n* [技术支持](#技术支持)  \n* [常见问题](#常见问题)  \n* [引用](#引用)  \n\n## 1. 简介\n\n1. 本系统适合的人群：\n    - 机构\n    - 散户\n        - 有编程基础\n        - 无编程基础\n\n2. 本仓库代码结构和内容简介\n    ```\n    ai_quant_trade\n    ├── ai_notes (金融量化交易知识，以Markdown, Jupyter Notebook汇总知识体系)\n    │   ├── 资源：持续收录全网优秀资源\n    │   ├── 实战：各类工具、框架、库的使用及踩坑实录\n    │   ├── 热点：金融市场热点、技术热点、论文解读\n    ├── docs (本仓库使用说明文档)\n    ├── egs_aide (辅助操盘工具)\n    │   ├── 看盘神器\n    ├── egs_alpha (因子库)\n    ├── egs_data (数据获取及处理)\n    │   ├── wind (Wind万得数据处理)\n    │   ├── 开源工具 (各类开源数据获取工具使用介绍)\n    ├── egs_fin_nlp (文本分析)\n    │   ├── emotion_analysis (情感分析)\n    ├── egs_llm (大模型应用)\n    ├── egs_online_platform (在线投研平台策略)\n    │   ├── 优矿_Uqer\n    │   ├── 聚宽_JoinQuant\n    ├── egs_trade (本地量化炒股策略)\n    │   ├── paper_trade (实盘模拟)\n    │       ├── wind万得实盘模拟\n    │   ├── rl (强化学习炒股)\n    │   ├── vanilla (传统规则类策略)\n    ├── quant_brain (核心算法库)\n    ├── runtime (模型的部署和实际使用)\n    ├── tools (辅助工具)\n    ├── requirements.txt\n    └── README.md\n    ```\n\n## 2. 使用\n\n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**。\n\n安装依赖包\n\n>pip install -r requirements.txt\n\n## 3. 量化资源集合\n\n[(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](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F562878605)\n\n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，\n收录在[ai_notes](ai_notes)文件夹下，方便大家查找。\n\n🎯**开发中**\n- 陆续对所有工具进行点评，方便选择\n- 陆续记录各个工具的优缺点，形成一个对比表，方便选型\n- 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\n\n⛳⛳⛳**AI基础知识**\n\n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**]\n\n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。\n\n✨AI大模型避坑指南：\n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki\n- Gitee（国内镜像）：https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_wiki.git\n- 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\n\n## 4. 本地量化平台\n\n[**本地量化平台**](egs_trade)  \n\n🎯 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。\n\n可在本地可构建一套独立的量化交易系统，包含的策略：\n\n- AI策略\n    - 强化学习\n    - 图网络\n    - 深度学习\n    - 机器学习\n    - 高频交易\n    - 因子挖掘\n    - 大模型\n- 传统规则类策略\n\n### 4.1 强化学习策略\n\n  代码详细参见目录：egs_trade\u002Frl\n\n  自从2017年AlphaGo与柯洁围棋大战之后，深度强化学习大火。\n\n  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) , \n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, \n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”, \n可以直接得到“炒股盈利”的一连贯动作。 \n\n![trades_on_k_line](.README_images\u002F强化学习.png)\n\n1. 样例介绍：\n\n    | **序号**    | **策略**                                                                         | **论文**                                                 |   \n    |:-------- |:-------------------------------------------------------------------------------|:-------------------------------------------------------| \n    | 1 | [原型](egs_trade\u002Frl\u002Fa001_proto_sb3)                                              | 无                                            |\n    | 2 | [FinRL教程0-NeurIPS2018](egs_trade\u002Frl\u002Fa002_finRL_tutorial\u002Fa01_Stock_NeurIPS2018) | Practical Deep Reinforcement Learning Approach for Stock Trading （https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.07522） |\n\n2. 样例回测详情\n\n    | **序号**    | **策略**  | **市场**  | **年化收益** |  **最大回撤** |  **夏普率** | \n    |:-------- |:-------- |:-------| :-------| :-------| :-------| \n    | 1 | [原型](egs_trade\u002Frl\u002Fa001_proto_sb3) | 中国A股 |  |  | | \n    | 2 | [FinRL教程0-NeurIPS2018](egs_trade\u002Frl\u002Fa002_finRL_tutorial\u002Fa01_Stock_NeurIPS2018) | 美股道儿琼斯30 | 53.1% | -10.4%  | 2.17 |\n\n### 4.2 图网络策略\n  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。\n\n(构建中，尽请期待。。。)\n\n### 4.3 深度学习策略\n  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，\n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。\n\n(构建中，尽请期待。。。)\n\n### 4.4 机器学习策略\n  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，\n仍然可以追平深度学习等优势，任有其应用价值。\n\n(构建中，尽请期待。。。)\n\n### 4.5 高频交易\n(构建中，尽请期待。。。)\n\n### 4.6 传统策略\n  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。\n\n1. [双均线策略+简易手写回测框架](egs_trade\u002Fvanilla\u002Fdouble_ma)\n    - [详细使用教程](egs_trade\u002Fvanilla\u002Fdouble_ma\u002F文档教程)\n    - 包含策略代码+自建纯手写回测框架\n    - 包含良好的绘图，指示买点和卖点\n    - 目标：通过这个实例了解量化交易的完整框架构建方式\n    \n2. [投资组合管理7节教学](egs_trade\u002Fvanilla\u002Fportfolio_optimization)\n\n## 5. 实盘\n\n**代码详细参见目录：[egs_trade](egs_trade)**\n\n### 5.1 实盘模拟\n\n1. [**Wind本地实盘模拟：双均线策略**](egs_trade\u002Fpaper_trade\u002Fwind)\n    - 利用wind软件实现的实盘模拟\n    - 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\n    - 使用对象：机构\n\n## 6. 辅助操盘\n\n**代码详细参见目录：[egs_aide](egs_tools)**\n\n1. [利用EXCEL看盘](egs_tools\u002Fa01_market_monitor_via_excel\u002Fv1)\n    - 看盘是不容易被发现\n    - 可以自己加入要盯盘的股票\n    - 可以方便利用excel快速计算和处理数据\n\n## 7. 因子挖掘\n\n**代码详细参见目录：[egs_alpha](egs_alpha)**\n\n### 7.1 因子挖掘策略\n\n| **序号**    | **策略**                     |  **论文** |   \n|:-------- |:---------------------------|:--------| \n| 1 | [机器学习自动挖掘5000个因子及股票趋势预测](egs_alpha\u002Fauto_alpha\u002Ftsfresh) |         |\n\n### 7.2 因子库\n\n| **序号**    | **因子库**                                                               | \n|:-------- |:----------------------------------------------------------------------|\n| 1 | [alpha101](egs_alpha\u002Falpha_libs\u002Falpha101)                             | \n| 2 | [stockstats](egs_alpha\u002Falpha_libs\u002Fstockstats)                         | \n| 3 | [ta_lib](egs_alpha\u002Falpha_libs\u002Fta_lib)                                 | \n\n## 8. 数据处理 \n\n- 各类常见数据源使用详解\n- 统一数据源接口\n\n![](.README_images\u002F数据源.png)\n\n\n## 9. 文本分析\n\n**代码详细参见目录：[egs_fin_nlp](egs_fin_nlp)**\n\n| **序号**    | **工具**  |  \n|:-------- |:-------- |\n| 1 | [**StructBERT市场情绪分析**](egs_fin_nlp\u002Femotion_analysis\u002F01_StructBert_Binary_Class) |\n\n## 10. 大模型\n\n**代码详细参见目录：[egs_llm](egs_llm)**\n\n| **序号** | **工具**                                                                       |  \n|:-------|:-----------------------------------------------------------------------------|\n| 1      | [**大模型金融市场分析（视频教程见星球或公众号）**](egs_llm\u002Fb01_app\u002Fa01_hot_topic_report\u002Fv1_proto_internet) |\n| 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）**](egs_llm\u002Fa01_train\u002Fa01_unsloth_stock_forcaster) |\n\n\n## 11. 编程及AI基础知识\n\n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**]\n\n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。\n\n✨AI大模型避坑指南：\n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki\n- Gitee（国内镜像）：https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_wiki.git\n- 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\n\n## 12. 在线投研平台\n\n[**在线投研平台样例**](https:\u002F\u002Fwww.joinquant.com\u002F)\n\n  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。\n\n  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、\n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。(\u003Cfont color=red>\n**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，\n如果实盘使用如下策略，请慎重使用**\u003C\u002Ffont>)\n\n### 12.1 聚宽平台\n\n[**聚宽平台**](https:\u002F\u002Fwww.joinquant.com\u002F)\n\n欢迎在聚宽平台关注我：量客攻城狮\n- 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\n- 聚宽使用介绍请查看: [egs_online_platform\u002F聚宽_JoinQuant](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_online_platform\u002F%E8%81%9A%E5%AE%BD_JoinQuant)  \n- 该部分代码仅能在 [**聚宽平台**](https:\u002F\u002Fwww.joinquant.com\u002F) 运行\n\n\n1. 股票量化策略      \n\n    | 策略    | 收益 | 最大回撤 |   \n    |:-------- |:-------:|:-------:|\n    | [**机器学习-动态因子选择策略**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Ff2a9d2ec6d4ad18882fa0a364fb9123d) | 12.3% | 38.93% |\n    | [**小市值+多均线量化炒股**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fc754d315a391f39f61858dfe3275f45f) | 58.4% | 46.61% |\n    | [**龙虎榜-看长做短**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002F0986c3b92578952cc22c52f0a5ea4664) | 41.82% | 26.89% |\n    | [**强势股+趋势线判断+止损止盈**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fc0390ceabdc1b3365df343490b7caf28) | 10.09% | 21.449% |\n\n2. 股票分析研究\n    * [手把手教你\"机器学习-动态多因子选股\"(附保姆级教程) ](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002F4fa769264b0bf6489b36351b43e37012)\n    * [龙虎榜数据筛选和过滤](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fa3a95cc7e53092aaea510d93bab9cb96)\n    * [概念板块数据获取和选股](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fd1bf674ad163654aa263dac859762c90)\n    * [详解: 股票数据获取及图形分析(附详细代码)](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002F8fe84d0d25dcf1a6da72e442460cdf36)\n\n---\n\n## 打赏我 \n\n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^)\u002F\n\n\u003Cimg src=\".README_images\u002F支付宝收款码_alma_new.jpg\" width = \"300\" height = \"390\" alt=\"图片名称1\" align=center \u002F>\n\u003Cimg src=\".README_images\u002F微信收款码_alma_new.jpg\" width = \"300\" height = \"390\" alt=\"图片名称2\" align=center \u002F>\n\n\n## 讨论\n欢迎在 [Github Discussions](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fdiscussions) 中发起讨论。\n\n\n## 技术支持\n\n- 欢迎在 [Github Issues](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fissues) 中提交问题。\n- 加入知识星球，获取更多技术支持。\n  - [AI智投星球](https:\u002F\u002Ft.zsxq.com\u002FdHt9l)：专注AI量化交易知识分享\n  - [大模型避坑指南](https:\u002F\u002Ft.zsxq.com\u002Fq42Js)：专注编程、大模型、AI应用赋能\n  \n## 常见问题\n\n请查看文档[**常见问题**](docs\u002F02_常见问题)\n\n## 引用\n\n``` bibtex\n@misc{ai_quant_trade,\n  author={Yi Li},\n  title={ai_quant_trade},\n  year={2022},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade}},\n}\n\n```\n","# AI量化交易操盘手  \n\n[**英文版本**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fblob\u002Fmaster\u002FREADME_EN.md)\n\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-brightgreen.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0)\n[![Python版本](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.8-brightgreen)](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade)\n\n[**AI量化教程**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fai_wiki)\n| [**本地策略**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade)\n| [**辅助操盘**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_aide)\n| [**因子挖掘**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_alpha)\n| [**文本分析**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_fin_nlp)\n| [**大模型**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_llm)\n| [**数据处理**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_data)\n| [**在线投研平台**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_online_platform)\n| [**使用文档**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fdocs)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcharliedream1_ai_quant_trade_readme_c8d5d5f7c398.png\" alt=\"drawing\" width=\"25\"\u002F>**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!**\n\n\u003Cdiv align=\"center\"> \u003Cimg src=\".README_images\u002FLOGO_NEW.png\" width = 290 height = 300 \u002F> \u003C\u002Fdiv>\n\n**AI量化交易操盘手**\n\n- 一站式平台：从学习、模拟到实盘\n- 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\n- 资源汇总：全网资源汇总、实战案例、论文解读、代码实现\n- 提供辅助操盘工具：辅助盯盘、股票推荐\n- 覆盖股票、基金、加密货币等多个市场\n- 实盘部署工具：python\u002FC++\u002FCPU\u002FGPU等部署\n\n---\n\n## 配套资源\n\n本代码仓秉承收费和免费并行的原则。\n\n### 收费资源\n\n**知识星球**\n\n知识星球官网注册，用户权益有保障。\n\n[星球内容介绍](docs\u002F03_星球使用和介绍)\n\n\u003Cfont face=\"逐浪立楷\" color=#00bfff>\n🔥低至每日1毛|独家速成课|无痛学课|📺视频教程|答疑解惑|   \n开源避坑指南|自研工具代码|3分钟视频论文速度|图书馆|    \n全网最低价量化类星球之一|3天不满意免费退款\n\u003C\u002Ffont>\n\n👇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🎏\n\n星球视频介绍：\n- 星球使用指南：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FSGc49e0xf24q5aUbf3rO0g?token=2028063978&lang=zh_CN\n- 学习路线及群内资源使用：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002F3-U048mc0riVsdETrKr77g\n\n星球加入链接：\n- [AI智投星球](https:\u002F\u002Ft.zsxq.com\u002FdHt9l)：AI量化交易速成、前沿技术、实战案例、资源库\n- [AI速成营](https:\u002F\u002Ft.zsxq.com\u002Fq42Js)：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\n\n星球介绍：\n- [**星球内容介绍**](docs\u002F03_星球使用和介绍\u002F01_星球介绍.md)  \n- [**新人使用指南**](docs\u002F03_星球使用和介绍\u002F02_新人使用指南.md)  \n\n福利限时放送：    \n🧧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。🧧        \n🧧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）🧧 \n\n👇扫码查看“星球”更详细的介绍（里面有搞笑漫画哦）！\n\n\u003Ccenter class=\"half\">\n\u003Cimg src=\".README_images\u002F知识星球_量化.jpg\" width=245 height = \"350\" alt=\"知识星球\"\u002F>\n\u003Cimg src=\".README_images\u002F知识星球_大模型.jpg\" width=245 height = \"350\" alt=\"知识星球\"\u002F>\n\u003C\u002Fcenter>\n\n🎈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！\n\n\u003Cfont color= orange>🎯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\u003C\u002Ffont>  \n\n---\n\n### 免费资源\n\n**微信公众号**\n\n🔥最新资讯实时关注       \n🎁\u003Cfont color= orange>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！！！\u003C\u002Ffont>\n\n\u003Cimg src=\".README_images\u002F公众号链接.png\" width = \"320\" height = \"120\" alt=\"微信公众号\" align=center \u002F>\n\n---\n\n- [知乎：576关注者](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fyi-dui-ji-mu-zai-kuang-xiang)\n- [聚宽：599关注者](https:\u002F\u002Fwww.joinquant.com\u002Fuser\u002Fd7aafd0b8b767b735bfb6f3639c81a6c)\n\n---\n\n**代码仓 (永久免费)**   \n✨AI量化交易操盘手: \n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\n- Gitee（国内镜像）: https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_quant_trade.git \n\n**本仓库配套项目**\n\n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**]\n\n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。\n\n✨AI大模型避坑指南：\n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki\n- Gitee（国内镜像）：https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_wiki.git\n- 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\n\n---\n\n## :newspaper: 新特性 :fire:\n\n| **时间**     | **特性**                                                                                    |   \n|:-----------|:------------------------------------------------------------------------------------------|\n| 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）**](egs_courses\u002F01_推理型股价预测大模型训练教程.md)                   |\n| 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）**](egs_llm\u002Fa01_train\u002Fa01_unsloth_stock_forcaster) |\n| 2025.01.03 | [**大模型金融市场分析（视频教程见星球或公众号）**](egs_llm\u002Fb01_app\u002Fa01_hot_topic_report\u002Fv1_proto_internet)      |\n\n\u003Cdetails> \n\u003Csummary>\u003Cb>2023\u003C\u002Fb>\u003C\u002Fsummary>\n\n| **时间**     | **特性**                                                                                                                                      |   \n|:-----------|:--------------------------------------------------------------------------------------------------------------------------------------------|\n| 2023.04.09 | [**StructBERT市场情绪分析**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_fin_nlp\u002Femotion_analysis\u002F01_StructBert_Binary_Class) | \n| 2023.03.28 | [**强化学习多股票交易：年化收益53%**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Frl\u002Fa002_finRL_tutorial\u002Fa01_Stock_NeurIPS2018) | \n| 2023.02.28 | [**机器学习自动挖掘5000个因子及股票趋势预测**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_alpha\u002Fauto_alpha\u002Ftsfresh)                      | \n| 2023.02.05 | [**利用EXCEL看盘**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_aide\u002F%E7%9C%8B%E7%9B%98%E7%A5%9E%E5%99%A8\u002Fv1)               | \n| 2023.01.01 | [**本地深度强化学习策略**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Frl\u002Fa001_proto_sb3)                                   | \n\n\u003C\u002Fdetails>\n\n\u003Cdetails> \n\u003Csummary>\u003Cb>2022\u003C\u002Fb>\u003C\u002Fsummary>\n\n| **时间**     | **特性**                                                                                                                                      |   \n|:-----------|:--------------------------------------------------------------------------------------------------------------------------------------------|\n| 2022.11.07 | [**Wind本地实盘模拟**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Freal_bid_simulate\u002Fwind)                              | \n| 2022.08.03 | [**基础回测框架 + 双均线策略**](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_trade\u002Fvanilla\u002Fdouble_ma)                               |\n\n\u003C\u002Fdetails>\n\n## 目录   \n* [1. 简介](#1-简介)  \n* [2. 使用](#2-使用)  \n* [3. 量化资源集合](#3-量化资源集合)  \n* [4. 本地量化平台](#4-本地量化平台)  \n    * [4.1 强化学习策略](#41-强化学习策略)  \n    * [4.2 图网络策略](#42_图网络策略)  \n    * [4.3 深度学习策略](#43_深度学习策略)  \n    * [4.4 机器学习策略](#44_机器学习策略)  \n    * [4.5 高频交易](#45_高频交易)  \n    * [4.6 传统策略](#46_传统策略)  \n* [5. 实盘](#5_实盘)  \n    * [5.1 实盘模拟](#51_实盘模拟)  \n* [6. 辅助操盘](#6_辅助操盘) \n* [7. 因子挖掘](#7_因子挖掘)   \n* [8. 数据获取](#8_数据获取)   \n* [9. 文本分析](#9_文本分析)   \n* [10. 大模型](#10_大模型)   \n* [11. 编程及AI基础知识](#11_编程及AI基础知识)  \n* [12. 在线投研平台](#12_在线投研平台)  \n    * [12.1 聚宽平台](#121_聚宽平台)  \n* [打赏我](#打赏我)\n* [讨论](#讨论)  \n* [技术支持](#技术支持)  \n* [常见问题](#常见问题)  \n* [引用](#引用)\n\n## 1. 简介\n\n1. 本系统适合的人群：\n    - 机构\n    - 散户\n        - 有编程基础\n        - 无编程基础\n\n2. 本仓库代码结构和内容简介\n    ```\n    ai_quant_trade\n    ├── ai_notes (金融量化交易知识，以Markdown, Jupyter Notebook汇总知识体系)\n    │   ├── 资源：持续收录全网优秀资源\n    │   ├── 实战：各类工具、框架、库的使用及踩坑实录\n    │   ├── 热点：金融市场热点、技术热点、论文解读\n    ├── docs (本仓库使用说明文档)\n    ├── egs_aide (辅助操盘工具)\n    │   ├── 看盘神器\n    ├── egs_alpha (因子库)\n    ├── egs_data (数据获取及处理)\n    │   ├── wind (Wind万得数据处理)\n    │   ├── 开源工具 (各类开源数据获取工具使用介绍)\n    ├── egs_fin_nlp (文本分析)\n    │   ├── emotion_analysis (情感分析)\n    ├── egs_llm (大模型应用)\n    ├── egs_online_platform (在线投研平台策略)\n    │   ├── 优矿_Uqer\n    │   ├── 聚宽_JoinQuant\n    ├── egs_trade (本地量化炒股策略)\n    │   ├── paper_trade (实盘模拟)\n    │       ├── wind万得实盘模拟\n    │   ├── rl (强化学习炒股)\n    │   ├── vanilla (传统规则类策略)\n    ├── quant_brain (核心算法库)\n    ├── runtime (模型的部署和实际使用)\n    ├── tools (辅助工具)\n    ├── requirements.txt\n    └── README.md\n    ```\n\n## 2. 使用\n\n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**。\n\n安装依赖包\n\n>pip install -r requirements.txt\n\n## 3. 量化资源集合\n\n[(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](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F562878605)\n\n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，\n收录在[ai_notes](ai_notes)文件夹下，方便大家查找。\n\n🎯**开发中**\n- 陆续对所有工具进行点评，方便选择\n- 陆续记录各个工具的优缺点，形成一个对比表，方便选型\n- 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\n\n⛳⛳⛳**AI基础知识**\n\n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**]\n\n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。\n\n✨AI大模型避坑指南：\n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki\n- Gitee（国内镜像）：https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_wiki.git\n- 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\n\n## 4. 本地量化平台\n\n[**本地量化平台**](egs_trade)  \n\n🎯 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。\n\n可在本地可构建一套独立的量化交易系统，包含的策略：\n\n- AI策略\n    - 强化学习\n    - 图网络\n    - 深度学习\n    - 机器学习\n    - 高频交易\n    - 因子挖掘\n    - 大模型\n- 传统规则类策略\n\n### 4.1 强化学习策略\n\n  代码详细参见目录：egs_trade\u002Frl\n\n  自从2017年AlphaGo与柯洁围棋大战之后，深度强化学习大火。\n\n  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) , \n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, \n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”, \n可以直接得到“炒股盈利”的一连贯动作。 \n\n![trades_on_k_line](.README_images\u002F强化学习.png)\n\n1. 样例介绍：\n\n    | **序号**    | **策略**                                                                         | **论文**                                                 |   \n    |:-------- |:-------------------------------------------------------------------------------|:-------------------------------------------------------| \n    | 1 | [原型](egs_trade\u002Frl\u002Fa001_proto_sb3)                                              | 无                                            |\n    | 2 | [FinRL教程0-NeurIPS2018](egs_trade\u002Frl\u002Fa002_finRL_tutorial\u002Fa01_Stock_NeurIPS2018) | Practical Deep Reinforcement Learning Approach for Stock Trading （https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.07522） |\n\n2. 样例回测详情\n\n    | **序号**    | **策略**  | **市场**  | **年化收益** |  **最大回撤** |  **夏普率** | \n    |:-------- |:-------- |:-------| :-------| :-------| :-------| \n    | 1 | [原型](egs_trade\u002Frl\u002Fa001_proto_sb3) | 中国A股 |  |  | | \n    | 2 | [FinRL教程0-NeurIPS2018](egs_trade\u002Frl\u002Fa002_finRL_tutorial\u002Fa01_Stock_NeurIPS2018) | 美国道琼斯30 | 53.1% | -10.4%  | 2.17 |\n\n### 4.2 图网络策略\n  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。\n\n(构建中，尽请期待。。。)\n\n### 4.3 深度学习策略\n  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，\n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。\n\n(构建中，尽请期待。。。)\n\n### 4.4 机器学习策略\n  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，\n仍然可以追平深度学习等优势，任有其应用价值。\n\n(构建中，尽请期待。。。)\n\n### 4.5 高频交易\n(构建中，尽请期待。。。)\n\n### 4.6 传统策略\n  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。\n\n1. [双均线策略+简易手写回测框架](egs_trade\u002Fvanilla\u002Fdouble_ma)\n    - [详细使用教程](egs_trade\u002Fvanilla\u002Fdouble_ma\u002F文档教程)\n    - 包含策略代码+自建纯手写回测框架\n    - 包含良好的绘图，指示买点和卖点\n    - 目标：通过这个实例了解量化交易的完整框架构建方式\n    \n2. [投资组合管理7节教学](egs_trade\u002Fvanilla\u002Fportfolio_optimization)\n\n## 5. 实盘\n\n**代码详细参见目录：[egs_trade](egs_trade)**\n\n### 5.1 实盘模拟\n\n1. [**Wind本地实盘模拟：双均线策略**](egs_trade\u002Fpaper_trade\u002Fwind)\n    - 利用wind软件实现的实盘模拟\n    - 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\n    - 使用对象：机构\n\n## 6. 辅助操盘\n\n**代码详细参见目录：[egs_aide](egs_tools)**\n\n1. [利用EXCEL看盘](egs_tools\u002Fa01_market_monitor_via_excel\u002Fv1)\n    - 看盘是不容易被发现\n    - 可以自己加入要盯盘的股票\n    - 可以方便利用excel快速计算和处理数据\n\n## 7. 因子挖掘\n\n**代码详细参见目录：[egs_alpha](egs_alpha)**\n\n### 7.1 因子挖掘策略\n\n| **序号**    | **策略**                     |  **论文** |   \n|:-------- |:---------------------------|:--------| \n| 1 | [机器学习自动挖掘5000个因子及股票趋势预测](egs_alpha\u002Fauto_alpha\u002Ftsfresh) |         |\n\n### 7.2 因子库\n\n| **序号**    | **因子库**                                                               | \n|:-------- |:----------------------------------------------------------------------|\n| 1 | [alpha101](egs_alpha\u002Falpha_libs\u002Falpha101)                             | \n| 2 | [stockstats](egs_alpha\u002Falpha_libs\u002Fstockstats)                         | \n| 3 | [ta_lib](egs_alpha\u002Falpha_libs\u002Fta_lib)                                 | \n\n## 8. 数据处理 \n\n- 各类常见数据源使用详解\n- 统一数据源接口\n\n![](.README_images\u002F数据源.png)\n\n\n## 9. 文本分析\n\n**代码详细参见目录：[egs_fin_nlp](egs_fin_nlp)**\n\n| **序号**    | **工具**  |  \n|:-------- |:-------- |\n| 1 | [**StructBERT市场情绪分析**](egs_fin_nlp\u002Femotion_analysis\u002F01_StructBert_Binary_Class) |\n\n## 10. 大模型\n\n**代码详细参见目录：[egs_llm](egs_llm)**\n\n| **序号** | **工具**                                                                       |  \n|:-------|:-----------------------------------------------------------------------------|\n| 1      | [**大模型金融市场分析（视频教程见星球或公众号）**](egs_llm\u002Fb01_app\u002Fa01_hot_topic_report\u002Fv1_proto_internet) |\n| 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）**](egs_llm\u002Fa01_train\u002Fa01_unsloth_stock_forcaster) |\n\n\n## 11. 编程及AI基础知识\n\n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**]\n\n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。\n\n✨AI大模型避坑指南：\n- Github: https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki\n- Gitee（国内镜像）：https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_wiki.git\n- 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\n\n## 12. 在线投研平台\n\n[**在线投研平台样例**](https:\u002F\u002Fwww.joinquant.com\u002F)\n\n  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。\n\n  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、\n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。（\u003Cfont color=red>\n**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，\n如果实盘使用如下策略，请慎重使用**\u003C\u002Ffont>)\n\n### 12.1 聚宽平台\n\n[**聚宽平台**](https:\u002F\u002Fwww.joinquant.com\u002F)\n\n欢迎在聚宽平台关注我：量客攻城狮\n- 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\n- 聚宽使用介绍请查看: [egs_online_platform\u002F聚宽_JoinQuant](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Ftree\u002Fmaster\u002Fegs_online_platform\u002F%E8%81%9A%E5%AE%BD_JoinQuant)  \n- 该部分代码仅能在 [**聚宽平台**](https:\u002F\u002Fwww.joinquant.com\u002F) 运行\n\n\n1. 股票量化策略      \n\n    | 策略    | 收益 | 最大回撤 |   \n    |:-------- |:-------:|:-------:|\n    | [**机器学习-动态因子选择策略**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Ff2a9d2ec6d4ad18882fa0a364fb9123d) | 12.3% | 38.93% |\n    | [**小市值+多均线量化炒股**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fc754d315a391f39f61858dfe3275f45f) | 58.4% | 46.61% |\n    | [**龙虎榜-看长做短**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002F0986c3b92578952cc22c52f0a5ea4664) | 41.82% | 26.89% |\n    | [**强势股+趋势线判断+止损止盈**](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fc0390ceabdc1b3365df343490b7caf28) | 10.09% | 21.449% |\n\n2. 股票分析研究\n    * [手把手教你\"机器学习-动态多因子选股\"(附保姆级教程) ](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002F4fa769264b0bf6489b36351b43e37012)\n    * [龙虎榜数据筛选和过滤](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fa3a95cc7e53092aaea510d93bab9cb96)\n    * [概念板块数据获取和选股](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002Fd1bf674ad163654aa263dac859762c90)\n    * [详解: 股票数据获取及图形分析(附详细代码)](https:\u002F\u002Fwww.joinquant.com\u002Fview\u002Fcommunity\u002Fdetail\u002F8fe84d0d25dcf1a6da72e442460cdf36)\n\n---\n\n## 打赏我 \n\n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^)\u002F\n\n\u003Cimg src=\".README_images\u002F支付宝收款码_alma_new.jpg\" width = \"300\" height = \"390\" alt=\"图片名称1\" align=center \u002F>\n\u003Cimg src=\".README_images\u002F微信收款码_alma_new.jpg\" width = \"300\" height = \"390\" alt=\"图片名称2\" align=center \u002F>\n\n\n## 讨论\n欢迎在 [Github Discussions](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fdiscussions) 中发起讨论。\n\n\n## 技术支持\n\n- 欢迎在 [Github Issues](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fissues) 中提交问题。\n- 加入知识星球，获取更多技术支持。\n  - [AI智投星球](https:\u002F\u002Ft.zsxq.com\u002FdHt9l)：专注AI量化交易知识分享\n  - [大模型避坑指南](https:\u002F\u002Ft.zsxq.com\u002Fq42Js)：专注编程、大模型、AI应用赋能\n  \n## 常见问题\n\n请查看文档[**常见问题**](docs\u002F02_常见问题)\n\n## 引用\n\n``` bibtex\n@misc{ai_quant_trade,\n  author={Yi Li},\n  title={ai_quant_trade},\n  year={2022},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade}},\n}\n\n```","# AI 量化交易操盘手 (ai_quant_trade) 快速上手指南\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.8 及以上版本\n*   **依赖管理**：已安装 `pip`\n*   **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）。\n\n## 2. 安装步骤\n\n本项目暂未封装为 Python 包，需直接克隆源代码并使用。\n\n### 2.1 获取源代码\n\n推荐使用 Gitee 国内镜像加速克隆，或使用 GitHub 主仓库：\n\n```bash\n# 方案一：使用 Gitee 国内镜像（推荐国内用户）\ngit clone https:\u002F\u002Fgitee.com\u002Fcharlie1\u002Fai_quant_trade.git\n\n# 方案二：使用 GitHub\ngit clone https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade.git\n```\n\n进入项目目录：\n```bash\ncd ai_quant_trade\n```\n\n### 2.2 安装依赖\n\n在项目根目录下执行以下命令安装所需库：\n\n```bash\npip install -r requirements.txt\n```\n\n> **提示**：若下载速度较慢，可添加国内镜像源参数：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 3. 基本使用\n\n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。\n\n### 3.1 运行传统策略示例（双均线）\n\n这是最基础的入门示例，包含自建回测框架和策略逻辑。\n\n1.  进入策略目录：\n    ```bash\n    cd egs_trade\u002Fvanilla\u002Fdouble_ma\n    ```\n2.  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）。\n3.  运行策略脚本（具体文件名请参考目录内容，通常为 `.py` 文件）：\n    ```bash\n    python main.py  # 示例命令，具体入口文件请以目录内实际文件为准\n    ```\n\n### 3.2 运行强化学习策略示例\n\n体验基于 FinRL 的强化学习股票交易。\n\n1.  进入强化学习目录：\n    ```bash\n    cd egs_trade\u002Frl\u002Fa002_finRL_tutorial\u002Fa01_Stock_NeurIPS2018\n    ```\n2.  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。\n\n### 3.3 使用辅助操盘工具\n\n利用 Excel 进行看盘监控。\n\n1.  进入辅助工具目录：\n    ```bash\n    cd egs_aide\u002F看盘神器\u002Fv1\n    ```\n    *(注：根据实际路径调整，原文档中路径为 `egs_tools\u002Fa01_market_monitor_via_excel\u002Fv1` 或 `egs_aide` 下相关目录)*\n2.  按照说明配置需要监控的股票列表并启动程序。\n\n## 4. 更多资源与进阶\n\n*   **因子挖掘**：查看 `egs_alpha` 目录，包含自动挖掘 5000+ 因子的示例。\n*   **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。\n*   **文本分析**：查看 `egs_fin_nlp` 目录，包含基于 StructBERT 的市场情绪分析。\n*   **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](https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki)。\n\n> **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。","某量化研究员试图构建基于大模型的股价预测系统，却受限于数据清洗繁琐、模型复现困难及实盘部署复杂等多重阻碍。\n\n### 没有 ai_quant_trade 时\n- **数据与策略分散**：需手动从不同源收集股票数据、因子库及论文代码，花费数周时间整理格式，难以统一标准。\n- **模型复现门槛高**：面对最新的推理型股价预测大模型（如 Unsloth 架构），缺乏现成的训练脚本和调参指南，自行摸索极易报错。\n- **实盘落地断层**：本地模拟跑通的策略，因缺乏 C++ 部署支持或对接实盘接口文档，无法转化为实际交易能力，只能停留在纸面回测。\n- **学习曲线陡峭**：从传统机器学习到图网络、强化学习，缺乏系统化的实战案例和避坑指南，试错成本极高。\n\n### 使用 ai_quant_trade 后\n- **一站式资源整合**：直接调用仓库内清洗好的多市场数据及涵盖传统至深度学习的策略实例，半天内即可搭建完整实验环境。\n- **前沿模型即插即用**：利用内置的“推理型股价预测大模型训练教程”和 Unsloth 代码模板，快速复现准确率提升 20% 的 SOTA 模型，并支持可解释性分析。\n- **全链路闭环打通**：借助提供的 C++ 部署工具及聚宽实盘实例代码，无缝将 Python 原型策略转化为低延迟实盘程序，真正实现从模拟到交易。\n- **体系化进阶指引**：跟随\"AI 量化教程”和“避坑指南”，按图索骥掌握因子挖掘到大模型微调的全栈技能，大幅缩短研发周期。\n\nai_quant_trade 通过提供从理论学习、模型复现到 C++ 实盘部署的全栈式解决方案，让量化开发者能将精力聚焦于策略创新而非重复造轮子。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcharliedream1_ai_quant_trade_2848a705.png","charliedream1","Optimus Prime","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcharliedream1_f7dc6144.jpg",null,"https:\u002F\u002Fgithub.com\u002Fcharliedream1",[78,82,86],{"name":79,"color":80,"percentage":81},"Jupyter Notebook","#DA5B0B",84.1,{"name":83,"color":84,"percentage":85},"Python","#3572A5",15.6,{"name":87,"color":88,"percentage":89},"Shell","#89e051",0.2,5472,1054,"2026-04-18T02:55:51","Apache-2.0","未说明","未说明 (项目支持 CPU\u002FGPU 部署，大模型训练可能需 GPU)",{"notes":97,"python":98,"dependencies":99},"项目未封装为 Python 包，需克隆整个仓库运行。依赖通过 'pip install -r requirements.txt' 安装。支持股票、基金、加密货币等多市场。包含大模型、强化学习、因子挖掘等多种策略。部分高级代码或教程仅在付费知识星球中提供。","3.8",[100],"requirements.txt 中定义的具体库未列出",[14],[103,104,105,106,107,108,109,110,111,112,113],"cpp","jupyter-notebook","keras","python","sklearn","tensorflow","trading-bot","trading-platform","trading-strategies","mlflow","pytorch","2026-03-27T02:49:30.150509","2026-04-18T17:04:42.528984",[117,122,127,132],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},40279,"是否有聚宽策略的本地运行版本，以避免网页调试的不便？","有的。目前代码仓中的 egs_strategy 目录下已经包含一个可以本地运行的版本。该版本正在持续完善中，用户可以下载该目录下的代码进行本地调试和开发。","https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fissues\u002F1",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},40276,"如何使用 Java 实现查询账户、查询 10 档行情及下单的自动化实盘交易？","企业用户可以直接在交易所开户获取量化接口。个人用户推荐使用聚宽（JoinQuant）、优矿（Uqer）或 VnPy 等平台。虽然主流接口多为 C++ 和 Python，但聚宽等平台支持通过 Java 调用下单及查询委托接口。具体需查阅相关平台的接口文档确认对 Java 的支持情况及券商（如浙商证券）的兼容性。","https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fissues\u002F4",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},40277,"README 中的 AI 量化教程链接无法访问，哪里可以找到替代资源？","原教程地址已变更，新的教程仓库地址为：https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_wiki。此外，项目根目录下的 ai_notes 文件夹中也包含针对股票量化的相关内容。","https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fissues\u002F15",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},40278,"运行代码时提示找不到 quant_brain->fetch_data->get_tushare_data.py 目录或文件怎么办？","该问题通常由路径配置引起。如果在 PyCharm 等 IDE 中运行，确保项目根目录已正确标记；如果在命令行运行，需要在 Python 脚本头部加入文件主目录路径，或者在运行命令前将主目录添加到环境变量中，以便程序能正确识别头文件路径。","https:\u002F\u002Fgithub.com\u002Fcharliedream1\u002Fai_quant_trade\u002Fissues\u002F2",[138],{"id":139,"version":140,"summary_zh":141,"released_at":142},323705,"v0.0.1","功能：\n1. 全网资源汇总\n2. 使用文档\n3. 聚宽平台使用+策略\n4. 纯自己搭建的建议策略+回测框架\n5. Wind实盘模拟\n6. 强化学习样例\n7. 大模型及NLP样例\n8. 因子挖掘","2025-02-15T04:42:26"]