mei5436/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、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

股票AI操盘手

ENGLISH VERSION

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

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

📰 新特性 🔥

时间	特性	代码路径
2023.04.09	StructBERT市场情绪分析	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%	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	egs_alpha/auto_alpha/tsfresh
2023.02.05	定制化看盘软件	egs_aide/看盘神器/v1
2023.01.01	本地深度强化学习策略	egs_trade/rl/a001_proto_sb3
2022.11.07	Wind本地实盘模拟	egs_trade/real_bid_simulate/wind
2022.08.03	基础回测框架 + 双均线策略	egs_trade/vanilla/double_ma

目录

• 1. 简介
• 2. 使用
• 3. 本地量化平台
  • 3.1 强化学习策略
  • 3.2 图网络策略
  • 3.3 深度学习策略
  • 3.4 机器学习策略
  • 3.5 高频交易
  • 3.6 传统策略
• 4. 实盘
  • 4.1 实盘模拟
• 5. 辅助操盘
• 6. 因子挖掘
• 7. 数据获取
• 8. 文本分析
• 9. AI-实践指南
• 10. 在线投研平台
  • 10.1 聚宽平台
• 关注我
• 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_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

   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

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。

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	**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

   • 详细使用教程

   

2. 投资组合管理7节教学

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

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

8. 文本分析

序号	工具	代码路径
1	StructBERT市场情绪分析	egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class

9. AI-实践指南

AI-实践指南

  代码参见：ai_wiki

  本部分代码独立同步至仓库AI-实践指南-

  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	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

  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

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)

关注我

• 知乎
• 聚宽

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。

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}},
}