金融领域的超酷AI

全球金融市场每天都有数以百万计的交易发生。数据增长迅速，但人类难以完全理解。借助最新的人工智能研究成果，人们可以自动且智能地进行分析与交易。本列表汇集了用于战胜市场的研究、工具和代码。

[中文资源]

目录

• 代理
• 大语言模型
• 论文
• 课程与书籍
• 策略与研究
  • 时间序列数据
  • 投资组合管理
  • 高频交易
  • 事件驱动
  • 加密货币策略
  • 技术分析
  • 彩票与赌博
  • 套利
• 数据源
• 研究工具
• 交易系统
• TA Lib
• 交易所API
• 文章
• 其他

代理

• 🌟🌟 nofx - 多交易所人工智能交易平台，具备多AI竞争自进化机制及实时仪表盘。
• TradingAgents - 基于大语言模型的多代理金融交易框架。
• 🌟 FinRobot - 开源AI代理平台，利用大语言模型进行金融分析。
• AgentFund - 去中心化AI代理众筹平台，在Base区块链上采用基于里程碑的托管机制。
• 🌟 ATLAS - 自我改进型AI交易系统，包含25个代理、卡帕西风格的自动研究、达尔文式选择、自主代理生成以及多队列元加权。
• InvicTrade - 基于AI的交易信号，历史胜率高达74%，结合多位传奇投资者的策略，运用多模型AI智能。
• OpenFinClaw - 原生AI的一人对冲基金平台。专家代理团队可在60秒内将自然语言转化为量化策略。支持多市场（美股、港股、A股、加密货币），具备自进化策略流水线及社区排行榜。
• ProfitPlay Agent Arena - 开放式预测市场竞技场，AI代理在其中实时参与BTC/ETH/SOL预测游戏。提供Python和Node.js SDK，拥有9个实时市场，并支持REST + WebSocket API。

大语言模型

• 🌟🌟🌟 Nof1 - 用于衡量AI投资能力的基准测试。每个模型均获得1万美元真实资金，在真实市场中使用相同提示和输入数据进行操作。
• 🌟 AI对冲基金 - 探索如何利用AI做出交易决策。
• 🌟🌟 MarS - 基于生成式基础模型的金融市场模拟引擎。
• 🌟🌟 大型语言模型在财务报表分析中的应用 - GPT-4在预测未来盈利变化、生成有用叙事性见解以及制定更高夏普比率和阿尔法值的交易策略方面，表现优于专业财务分析师，这表明大语言模型有望在金融决策中发挥核心作用。
• FinRpt - 用于股票研究报告生成的数据集、评估体系及基于大语言模型的多代理框架。
• PIXIU - 开源资源，提供金融领域大型语言模型、包含13.6万条指令样本的数据集以及全面的评估基准。
• FinGPT - 为所有对金融领域的大语言模型和自然语言处理感兴趣的人士提供实践平台。
• MACD + RSI + ADX策略（由ChatGPT驱动）由TradeSmart提供 - 向ChatGPT询问了最流行的交易指标。我们采纳了其所有建议。
• 一款由ChatGPT开发的交易算法在股市中实现了500%的回报。我对这对对冲基金和散户投资者意味着什么的解读
• 使用ChatGPT调整策略参数
• 动手实践大语言模型：训练并部署实时金融顾问 - 使用Falcon 7B和CometLLM训练并部署实时金融顾问聊天机器人。
• OctoBot的ChatGPT策略 - 利用ChatGPT根据技术指标决定交易哪种加密货币。
• 大语言模型与金融 - 一种三阶段微调流程（SFT → DPO → 合成数据强化学习），将Qwen2.5和DeepSeek-R1适配到Open FinLLM排行榜上的金融任务中，同时探讨了金融领域的跨任务迁移和数据规模法则。

技能

• XVARY股票研究 — Claude Code技能，适用于公开的SEC EDGAR数据及市场数据：/analyze、/score、/compare。MIT。

论文

• 投机理论 L. 巴舍利耶，1900年 - 决定证券交易所波动的因素是。
• 股市中的布朗运动 奥斯本，1959年 - 普通股价格可以被视为处于统计平衡状态的一组决策。
• 算法交易领域中强化学习技术应用研究，2015年
• 用于金融投资组合管理问题的深度强化学习框架
• 1994年：强化学习在交易中的应用
• 龙王、黑天鹅与危机预测 迪迪埃·索内特 - 在各种系统中广泛存在的条件下，事件规模分布中的幂律现象。
• 金融交易作为博弈：一种深度强化学习方法 - 深度强化学习为这种交易智能体的端到端训练提供了一个框架。
• 机器学习在交易中的应用 - 通过合理选择奖励函数，强化学习技术可以成功应对风险规避的情况。
• 2018年：机器学习的十大金融应用 - 幻灯片回顾了几种重要的金融机器学习应用。
• FinRL：量化金融中用于自动化股票交易的深度强化学习库，2020年 - 介绍一个名为FinRL的深度强化学习库，帮助初学者接触量化金融并开发自己的股票交易策略。
• 2020年：基于深度强化学习的自动化股票交易——集成策略 - 提出一种集成策略，利用深度强化学习方案来学习最大化投资回报的股票交易策略。

课程、书籍和博客

• 🌟 QuantResearch - 定量分析、策略与回测 https://letianzj.github.io/
• 纽约大学：金融领域强化学习高级方法概述
• 优达学城：用于交易的人工智能
• 金融人工智能 - 在线学习金融科技。
• Advanced-Deep-Trading - 基于《金融机器学习进展》一书的实验。
• 金融机器学习进展 - 利用先进的机器学习解决方案来克服现实世界的投资难题。
• 使用生成式AI构建金融软件 - 一本关于如何使用ChatGPT和Copilot等生成式AI工具动手构建金融软件的书。
• 金融AI实战 - 一本关于创建盈利且符合监管要求的金融应用程序的书。
• 程序员的投资之道 - 一本关于如何利用Python和生成式AI来最大化投资组合、分析市场并做出数据驱动型投资决策的书。
• 精通Python金融编程 - 《精通Python金融编程（第二版）》的源代码。
• MLSys-NYU-2022 - 纽约大学坦登工程学院2022年“金融中的机器学习”课程的幻灯片、脚本和相关资料。
• 训练并部署无服务器API以预测加密货币价格 - 在本教程中，你不会构建一个让你一夜暴富的机器学习系统。但你将掌握所需的MLOps框架和工具，这些工具结合大量的实验，最终可能带你走向成功。
• KeepRule - 一款由AI驱动的投资纪律平台，其原则源自包括巴菲特、芒格和达利欧在内的26位传奇投资者。

策略与研究

时间序列数据

带有技术分析指标的价格与成交量数据处理

• 🌟🌟 stockpredictionai - 一个完整的股票价格走势预测流程。
• 🌟 Personae - 实现了用于量化交易的深度强化学习与监督学习环境。
• 🌟 Ensemble-Strategy - 面向自动化股票交易的深度强化学习。
• FinRL - 用于量化金融中自动化股票交易的深度强化学习库。
• AutomatedStockTrading-DeepQ-Learning - 构建深度Q学习强化代理模型作为自动化交易机器人。
• tf_deep_rl_trader - 交易环境（OpenAI Gym）+ PPO（TensorForce）。
• trading-gym - 用于训练短期交易智能体的交易环境。
• trading-rl - 基于价格追踪的金融交易深度强化学习。
• deep_rl_trader - 交易环境（OpenAI Gym）+ DDQN（Keras-RL）。
• Quantitative-Trading - 实现量化交易的相关论文与代码。
• gym-trading - 用于强化学习算法交易模型的环境。
• zenbrain - 机器学习机器人框架。
• DeepLearningNotes - 量化分析中的机器学习应用。
• stock_market_reinforcement_learning - 使用Keras实现的深度强化学习，结合OpenAI Gym环境进行股市交易。
• Chaos Genius - 基于机器学习的异常检测与根本原因分析引擎。
• mlforecast - 可扩展的基于机器学习的时间序列预测工具。
• patternity - 一种确定性算法，专注于历史数据中的模式识别，用于股票价格预测。
• Quantium Research - 探索非常规量化技术的研究实验。

投资组合管理

• Deep-Reinforcement-Stock-Trading - 一个轻量级的深度强化学习框架，用于投资组合管理。
• qtrader - 用于投资组合管理的强化学习方法。
• PGPortfolio - 针对金融投资组合管理问题的深度强化学习框架。
• DeepDow - 利用深度学习进行投资组合优化。
• skfolio - 基于scikit-learn构建的投资组合优化Python库。

高频交易

• High-Frequency-Trading-Model-with-IB - 使用Interactive Brokers API，结合配对交易和均值回归策略的高频交易模型。
• 🌟 SGX-Full-OrderBook-Tick-Data-Trading-Strategy - 基于全订单簿逐笔数据，运用数据科学方法（机器学习）开发的高频交易（HFT）策略解决方案。
• HFT_Bitcoin - 对比特币交易所高频交易的分析。

事件驱动

• 🌟🌟 stockpredictionai - 完整的股票价格走势预测流程。
• 🌟 trump2cash - 一款由特朗普推文驱动的股票交易机器人。

加密货币策略

• LSTM-Crypto-Price-Prediction - 使用LSTM-RNN预测加密货币市场的价格趋势，以指导交易。
• tforce_btc_trader - TensorForce比特币交易机器人。
• Tensorflow-NeuroEvolution-Trading-Bot - 一种种群模型，可迭代地繁殖和变异，用于加密货币交易。
• gekkoga - 使用Gekko求解交易策略优化问题的遗传算法。
• Gekko_ANN_Strategies - 针对Gekko交易机器人设计的ANN交易策略。
• gekko-neuralnet - Gekko的神经网络交易策略。
• bitcoin_prediction - Siraj Raval在YouTube上发布的“比特币预测”相关代码。

技术分析

• QTradeX - 一个功能强大且灵活的 Python 框架，用于设计、回测、优化和部署算法交易机器人。
• quant-trading - Python 量化交易策略。
• Gekko-Bot-Resources - Gekko 机器人资源。
• gekko_tools - Gekko 策略、工具等。
• gekko RSI_WR - Gekko RSI_WR 策略。
• gekko HL - 计算下行峰值并据此交易。
• EthTradingAlgorithm - 使用 Python 3.5 和 ZipLine 库的以太坊交易算法。
• gekko_trading_stuff - 强大的加密货币交易平台。
• forex.analytics - 基于 OHLC 数据集，利用遗传算法进行技术分析的 Node.js 原生库。
• Bitcoin_MACD_Strategy - 比特币 MACD 交叉交易策略回测。
• crypto-signal - 针对 Bittrex、Binance、GDAX 等平台的自动化加密货币交易及技术分析（TA）机器人。
• Gekko-Strategies - Gekko 交易机器人的策略，附带回测结果和一些实用工具。
• gekko-gannswing - Gekko 交易机器人使用的江恩摆动交易策略。
• Chartscout - 基于模式识别算法，实时检测加密货币图表形态并发出自动预警。

• MarginSafe.ai - 专注于内在价值和威科夫时机判断的人工智能股票分析平台。

彩票与博彩

• LotteryPredict - 使用 LSTM 预测彩票号码。

套利

• ArbitrageBot - 目前可在 Bittrex 和 Poloniex 上运行的套利机器人。
• r2 - 由 Node.js + TypeScript 驱动的自动化套利交易系统。
• cryptocurrency-arbitrage - 一款加密货币套利机会计算器，覆盖超过 800 种币种和 50 个市场。
• bitcoin-arbitrage - 比特币套利机会检测器。
• blackbird - 多空市场中性策略。

数据源

传统市场

• 🌟 Quandl - 通过一个免费的API，从数百家数据提供商获取数百万个金融和经济数据集。
• yahoo-finance - 用于从Yahoo! Finance获取股票数据的Python模块。
• Tushare - TuShare是一个用于抓取中国股票历史数据的工具。
• Congressional Stock Brain - 免费的AI驱动工具，根据重要性对美国《STOCK法案》中的议员交易披露进行评分。考虑委员会权重、时机分析，跟踪537名议员。
• Financial Data - 股票市场和金融数据API。
• StockAInsights - 提供机构级财务报表API，利用AI从SEC文件中提取数据——而非XBRL格式。覆盖国内外申报者（20-F、6-K、40-F），提供标准化的季度和年度数据。
• ValueRay - 提供股票和ETF的技术、量化及情绪数据，并附带风险指标、同行百分位排名和市场状态信号。专为AI/LLM代理优化。

加密货币

• CryptoInscriber - 实时加密货币历史交易记录簿。可从任何加密交易所下载实时历史交易数据。
• CoinPulse - 用于加密货币投资组合追踪的Python SDK，提供实时价格、盈亏计算、回测和价格提醒功能。免费版：每小时25次请求。
• Gekko-Datasets - Gekko交易机器人数据转储。可下载并使用SQLite格式的历史数据文件。
• Frostbyte Crypto API - 免费的实时加密货币价格数据API。支持BTC、ETH、SOL等20多种代币。基础端点无需注册或API密钥。返回JSON格式响应，包含价格、24小时变化、市值和交易量。
• CoinPaprika API - 免费的加密货币市场数据API，提供7,000多种币种的价格、成交量、市值和OHLCV数据。无需API密钥。包含MCP服务器，便于AI代理集成。
• DexPaprika API - 免费的DEX和DeFi数据API——实时流动性池数据、代币价格、OHLCV以及跨链交易历史。无需API密钥，无速率限制。包含MCP服务器，供AI代理使用。
• Philidor - 针对9个协议、6条链上700多个金库的机构级DeFi风险评分。提供REST API和MCP服务器（Claude、Cursor、Windsurf）。确定性的0–10风险评分、等级划分（Prime/Core/Edge）、投资组合分析、预言机监控。无需API密钥。
• PreReason - 预先分析好的金融市场简报，专为AI代理消费优化。共17份简报，涵盖BTC链上数据、宏观因素（美联储资产负债表、M2、国债收益率）以及跨资产相关性。以Markdown格式返回市场状态分类、趋势信号和置信度评分。
• Satoshi API - 比特币费用情报API，提供108个端点，用于费用估算、内存池分析、区块数据和挖矿统计。可自行托管，采用Apache 2.0许可。
• TBD Predict - 基于Solana的预测市场，用于收集人类意见。提供代理CLI和AGENTS.md规范，允许AI代理通过JSON友好的命令进行身份验证、列出意见活动并下注。

新闻数据

• WorldMonitor - AI驱动的新闻聚合、地缘政治监测和基础设施跟踪，整合在一个统一的情势感知界面中。

替代数据

• Pizzint - 五角大楼披萨指数（PizzINT）是一个实时的五角大楼周边披萨店活动追踪器，能够可视化异常活动。该信号通常与深夜高节奏行动和突发新闻相关联。

预测市场

• Parsec API - 统一的预测市场基础设施，适用于Polymarket、Kalshi、Opinion、Limitless和PredictFun等平台，提供标准化数据、执行和实时流。配备MCP服务器，支持AI代理交易。提供慷慨的免费层级。
• PolyMind - 实时Polymarket交易提醒，结合多AI分析（Groq、Claude、Gemini）。可追踪鲸鱼投注、成交量激增、协同钱包操作以及12种信号类型。提供免费层级。

研究工具

• Synthical - AI驱动的协作式研究环境。
• 🌟🌟 TensorTrade - 利用强化学习高效交易。
• ML-Quant - 来自ArXiv（sanity）、SSRN、RePec、期刊、播客、视频和博客的量化资源。
• JAQS - 开源量化策略研究平台。
• pyfolio - Python中的投资组合和风险分析工具。
• alphalens - 用于分析预测性（alpha）股票因子表现的工具。
• empyrical - 常用的金融风险和绩效指标。被Zipline和pyfolio使用。
• zvt - 零向量交易者。
• CongressionalStockBrain - AI驱动的工具，用于解析美国《STOCK法案》中的议员交易披露，并将其转化为面向散户投资者的机器评分信号。
• WFGY - 开源框架，用于调试和压力测试LLM代理及RAG管道。包含16种故障模式图和长周期压力测试，对金融研究代理非常有用。
• ChainPulse - AI驱动的比特币网络情报CLI，可通过自然语言查询内存池、手续费、区块和挖矿分析。
• CRNG - 应急随机数生成器，能生成具有真实市场厚尾分布（K=5-220）和波动率聚类的随机数。其结果与真实市场的匹配度达86%，而NumPy仅为14%。内置市场状态检测器。
• Chart Library - 可视化图表形态搜索引擎。上传截图或输入股票代码+日期，即可找到最相似的10个历史图表形态，并查看后续走势。拥有2400万条嵌入数据、19,000个标的，提供REST API和MCP服务器。
• Coinugget - 面向加密货币交易者的实时RSI信号、价格行为及成交量激增仪表盘。免费，无需注册。

交易系统

用于回测与实盘交易

传统市场

系统

• the0 - 自托管的算法交易机器人执行引擎。支持 Python、TypeScript、Rust、C++、C#、Scala 和 Haskell。每个机器人运行在隔离的容器中，可按计划或流式执行。
• 🌟🌟🌟 OpenBB - 基于 AI 的开源研究与分析工作区。
• 🌟🌟 zipline - 一个 Python 算法交易库。
• 🌟 TradingView - 获取实时信息和市场洞察。
• rqalpha - 一个可扩展、可替换的 Python 算法回测与交易框架。
• backtrader - 用于交易策略的 Python 回测库。
• kungfu - 功夫大师交易系统。
• finclaw - 原生 AI 的量化交易引擎，内置 484 种阿尔法因子、遗传算法策略进化、向前递推回测及模拟交易功能。支持 A 股、加密货币，并提供 MCP 服务器以集成 AI 代理。
• lean - 专为便捷策略研究、回测和实盘交易而构建的算法交易引擎。

组合与重建

• pylivetrader - 具有 zipline 接口的 Python 实时交易执行库。
• CoinMarketCapBacktesting - 作为币种交易策略的回测框架。

加密货币

• zenbot - 使用 Node.js 和 MongoDB 的命令行加密货币交易机器人。
• bot18 - 由 Zenbot 开发的高频加密货币交易机器人。
• magic8bot - 使用 Node.js 和 MongoDB 的加密货币交易机器人。
• catalyst - 用于加密资产的 Python 算法交易库。
• QuantResearchDev - 量化研究开发者与交易员的开源项目。
• MACD - Zenbot MACD 自动交易器。
• abu - 基于 Python 的量化交易系统。

插件

• CoinMarketCapBacktesting - 测试 bt 和 Quantopian Zipline 作为币种交易策略的回测框架。
• Gekko-BacktestTool - 用于 Gekko 交易机器人的批量回测、导入及策略参数优化工具。

技术分析库

• pandas_talib - Python Pandas 实现的技术分析指标。
• finta - 在 Python-Pandas 中实现的常用金融技术指标（70 多种）。
• tulipnode - Tulip 指标的官方 Node.js 封装。提供超过 100 种技术分析叠加和指标函数。
• techan.js - 基于 D3 构建的可视化技术分析与图表库（蜡烛图、OHLC、指标等）。

交易所 API

在真实世界中操作！

• Trade It - 用于在常见券商（Robinhood、ETrade、Schwab、Webull、Public、tastytrade、Coinbase、Kraken 等）上进行交易的 MCP。
• IbPy - 交互式经纪商在线交易系统的 Python API。
• HuobiFeeder - 连接 HUOBIPRO 交易所，获取市场/历史数据，用于 ABAT 交易平台的回测分析和实盘交易。
• ctpwrapper - 上海期货交易所 CTP API。
• PENDAX - 用于 FTX、FTXUS、OKX、Bybit 等加密货币交易所的交易/数据 API 和 WebSockets 的 JavaScript SDK。

框架

• tf-quant-finance - 高性能的 TensorFlow 量化金融库。

可视化

• playground - 与神经网络互动。
• netron - 深度学习和机器学习模型的可视化工具。
• KLineChart - 高度可定制的专业轻量级金融图表。

GYM 环境

• 🌟 TradingGym - 用于训练强化学习智能体的交易与回测环境。
• TradzQAI - 用于 RL 智能体训练、回测的交易环境。
• btgym - 可扩展、事件驱动、适合深度学习的回测库。

文章

• The-Economist - 《经济学人》。
• nyu-mlif-notes - 纽约大学金融领域的机器学习笔记。
• 使用 LSTM 将情绪转化为交易

其他

• zipline-tensorboard - 将 TensorBoard 用作 Zipline 的仪表板。
• gekko-quasar-ui - 使用 Quasar 框架为 Gekko 交易机器人开发的 UI 端口。
• Floom 专为开发者打造的 AI 网关与市场，支持将 AI 功能以最简化且波动最小的方式无缝集成到产品中。
• LendTrain - 面向 Claude Code 的原生 AI 抵押贷款再融资插件，提供实时机构级定价、各州特定的结案成本、FHA Streamline 和 VA IRRRL 自动检测以及合规性保障。采用 MCP（模型上下文协议）将大语言模型与实时抵押贷款定价系统连接。
• Registry Broker - 通用 AI 代理索引，用于跨 Virtuals 协议、NANDA、MCP 及其他注册中心发现交易代理。
• KeepRule - 基于 AI 的投资纪律跟踪平台，汇集了包括巴菲特、芒格和达利欧在内的 26 位传奇投资者的精选原则，帮助交易者保持理性决策。
• Philidor - 专为 AI 代理设计的 DeFi 风险基础设施：提供用于金库风险评分、投资组合分析及尽职调查的 MCP 服务器和 REST API。无需 API 密钥，覆盖 700 多个金库、9 个协议和 6 条链。
• Hindsight - Vectorize 推出的面向 AI 代理的先进长期记忆解决方案。开源且可自行部署，支持与 LangChain、CrewAI、MCP 等集成，为金融交易代理提供跨会话的持久化记忆。

其他资源

• 🌟🌟🌟 Stock-Prediction-Models - 股票预测模型合集，汇集了用于股票预测的机器学习和深度学习模型，包含交易机器人和模拟工具。
• 🌟🌟 Financial Machine Learning - 精选的实用金融机器学习（FinML）工具与应用列表，主要以 Python 为主。
• 🌟 Awesome-Quant-Machine-Learning-Trading - 专注于机器学习的量化/算法交易资源。
• awesome-quant - 为量化金融从业者精心整理的超赞库、包和资源清单。
• FinancePy - 一个专注于金融衍生品定价与风险管理的 Python 库，涵盖固定收益、权益、外汇及信用衍生品。
• 探索金融服务类库与项目 - 在 Kandi 上浏览精选的热门与新兴金融科技库、顶尖作者、趋势项目套件、讨论区、教程及学习资源。
• AgentMarket - 面向 AI 代理的 B2A 市场。现有 189 个代理列表，超过 2800 万条真实能源数据记录，并支持 LangChain/MCP 集成。

awesome-ai-in-finance 快速上手指南

awesome-ai-in-finance 并非单一的可安装软件包，而是一个精选的开源项目、研究论文、数据集和工具框架的资源列表。本指南将指导你如何基于该列表中的核心资源（以热门的 FinRL 和 TradingAgents 为例）搭建本地开发环境并运行第一个 AI 交易策略。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 20.04+), macOS, 或 Windows (建议使用 WSL2)。
• Python 版本: 3.8 - 3.10 (部分金融库对高版本 Python 支持尚不完善)。
• 前置依赖:
  • git: 用于克隆仓库。
  • pip 或 conda: 包管理工具。
  • CCXT: 如果需要连接加密货币交易所。
  • TA-Lib: 技术分析库（系统级依赖，需单独安装）。

国内加速建议： 推荐使用清华源或阿里源加速 Python 包下载：

export PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple

安装系统级依赖 (TA-Lib)

许多量化策略依赖 TA-Lib，请先在系统层面安装：

Ubuntu/Debian:

sudo apt-get update
sudo apt-get install -y build-essential libta-lib-dev

macOS (使用 Homebrew):

brew install ta-lib

Windows: 建议下载预编译的 .whl 文件安装，或使用 WSL2 环境。

安装步骤

由于该列表包含多个独立项目，以下以列表中标志性的深度强化学习库 FinRL 和多智能体框架 TradingAgents 为例进行安装。

方案 A：安装 FinRL (适合初学者与研究者)

1. 克隆仓库:

   git clone https://github.com/AI4Finance-Foundation/FinRL.git
   cd FinRL
   

2. 创建虚拟环境并安装依赖:

   python -m venv finrl_env
   source finrl_env/bin/activate  # Windows: finrl_env\Scripts\activate
   
   pip install -r requirements.txt
   # 如果 requirements.txt 缺失，手动安装核心包：
   pip install gymnasium pandas numpy torch stable-baselines3 ccxt yfinance
   

方案 B：安装 TradingAgents (多智能体 LLM 框架)

1. 克隆仓库:

   git clone https://github.com/TauricResearch/TradingAgents.git
   cd TradingAgents
   

2. 安装依赖:

   pip install -e .
   # 需要配置 LLM API Key (如 OpenAI, Anthropic 等)
   export OPENAI_API_KEY="your-api-key-here"
   

基本使用

以下示例展示如何使用 FinRL 运行一个基于深度强化学习的股票交易演示。

1. 导入库与环境初始化

在你的 Python 脚本或 Jupyter Notebook 中：

import sys
sys.path.append("./FinRL")

from finrl import config
from finrl.meta.env_stock_trading.env_stocktrading_np import StockTradingEnv
from finrl.agents.stablebaselines3.models import DRLAgent
import pandas as pd
import yfinance as yf

# 下载数据 (以苹果股票为例)
ticker = "AAPL"
data = yf.download(ticker, start="2020-01-01", end="2023-01-01")
data.reset_index(inplace=True)
data.columns = [col.lower() for col in data.columns]
data.rename(columns={"adj close": "adjcp"}, inplace=True)

# 简单的特征工程
data['tech_indicator'] = data['close'].rolling(window=5).mean()
data.dropna(inplace=True)

# 定义状态空间列
state_space = ['open', 'high', 'low', 'close', 'volume', 'tech_indicator']

2. 构建交易环境

# 初始化环境
env = StockTradingEnv(
    df=data,
    state_space=state_space,
    initial_amount=100000,
    transaction_cost_pct=0.001,
    reward_scaling=1e-4
)

3. 训练模型 (使用 PPO 算法)

# 实例化 DRL 代理
agent = DRLAgent(env=env)

# 训练 PPO 模型
model = agent.get_model("ppo")
trained_model = agent.train_model(model=model, tb_log_name='first_run', total_timesteps=5000)

4. 执行预测与评估

# 使用训练好的模型进行预测
df_account_value = DRLAgent.DRL_prediction(
    model=trained_model,
    environment=env
)

print("账户价值变化预览:")
print(df_account_value.tail())

进阶：使用 LLM 生成策略 (基于 TradingAgents)

如果你已配置好 API Key，可以直接运行命令行工具让 AI 智能体分析市场：

python main.py --tickers AAPL,GOOG --mode trade --start_date 2023-01-01 --end_date 2023-12-31

注意: 实际生产环境中，请务必替换为真实的市场数据源（如聚宽、米筐或交易所直连接口），并进行严格的历史回测和风险控制。本指南仅用于技术验证。