👆 右上角点击

告诉我，你希望这个项目继续加速开发迭代 ❤️ & ☕️

🤖 Qbot

Qbot website ^HOT Qbot platform ^{TRY IT OUT}

AI智能量化投研平台

Qbot is an AI-oriented automated quantitative investment platform, which aims to realize the potential, empower AI technologies in quantitative investment. Qbot supports diverse machine learning modeling paradigms. including supervised learning, market dynamics modeling, and RL.

🤖 Qbot = 智能交易策略 + 回测系统 + 自动化量化交易 (+ 可视化分析工具)
            |           |            |            |
            |           |            |             \_ quantstats (dashboard\online operation)
            |           |             \______________ Qbot - vnpy, pytrader, pyfunds
            |           \____________________________ BackTest - backtrader, easyquant
            \________________________________________ quant.ai - qlib, deep learning strategies

🎺 号外：Qbot微信小程序开发招募 UFund-miniprogram

不建议 fork 项目，本项目会持续更新，只 fork 看不到更新，建议 Star ⭐️ ~

喜欢这个项目吗？请考虑 ❤️赞助本项目，以帮助改进！

Quick Start

Qbot是一个免费的量化投研平台，提供从数据获取、交易策略开发、策略回测、模拟交易到最终实盘交易的全闭环流程。在实盘接入前，有股票、基金评测和策略回测，在模拟环境下做交易验证，近乎实盘的时延、滑点仿真。故，本平台提供GUI前端/客户端（部分功能也支持网页），后端做数据处理、交易调度，实现事件驱动的交易流程。对于策略研究部分，尤其强调机器学习、强化学习的AI策略，结合多因子模型提高收益比。

但本项目可能需要一点点python基础知识，有一点点交易经验，会更容易体会作者的初衷，解决当下产品空缺和广大散户朋友的交易痛点，现在直接免费开源出来！

cd ~ # $HOME as workspace
git clone https://github.com/UFund-Me/Qbot.git

cd Qbot
pip install -r requirements.txt

python main.py  #if run on Mac, please use 'pythonw main.py'

Mac系统在安装之前需要手动安装tables库的依赖hdf5，以及pythonw UFund-Me#11

brew install hdf5
brew install c-blosc
export HDF5_DIR=/opt/homebrew/opt/hdf5 
export BLOSC_DIR=/opt/homebrew/opt/c-blosc

Highlight

1. 多种交易方式：在线回测 + 模拟交易 + 实盘自动化交易以策略研究为目标，提供多种交易方式验证策略和提高收益。

2. 多种提示方式：邮件 + 飞书 + 弹窗 + 微信这是qbot的消息提示模块，多种方式提示交易信息：交易买卖信息、每日交易收益结果、股票每日推荐等。

USAGE ʕ •ᴥ•ʔ

Installation

Install Guide | Online documents

 ____________________________________
< Run ``./env_setup.sh`` to say hello >
 ------------------------------------
            \   ^__^
             \  (oo)\_______
                (__)\       )\/\
                    ||----w |
                    ||     ||

Get Started

本项目分为前端（客户端）和后端两部分，前端由wxPython编写的轻量化GUI客户端，后端分为策略开发、策略回测 qbot/strategies、股票基金评测、模拟交易、在线回测几个部分，对应于客户端从左到右的三个菜单。

前端/客户端

➕ 请注意：本项目建议使用python 3.8、3.9版本，推荐使用conda搭建环境，参考 Install Guide。

_{* 如果是 Win 系统使用set命令.}

export USER_ID="admin"                   # replace your info
export PASSWORD="admin1234."             # replace your info

pip install -r requirements.txt

# if run on Mac, please use 'pythonw main.py'
python main.py

主要包含四个窗口，如果启动界面未显示或有问题可以参考下图中对应的启动方式。👉 点击这里查看源码，下文也有文字介绍。

后端/服务端

选基、选股助手（对应前端/客户端第二个菜单：AI选股/选基）

运行命令

cd investool
go build
./investool webserver

基金策略在线分析（对应于前端/客户端第四个菜单：基金投资策略分析）

需要 node 开发环境: npm、node，点击查看详细操作文档

版本信息（作为参考）

▶ go version
go version go1.20.4 darwin/amd64
~
▶ node --version
v19.7.0
~
▶ npm --version
9.5.0

使用docker运行项目，在项目路径下运行以下命令构建项目的docker镜像

docker build -t fund_strategy .

镜像构建完毕后运行

docker run -dp 8000:8000 fund_strategy --name="fund_strategy_instance"

等待项目启动过程中，可通过以下命令查看启动日志：

docker log -f fund_strategy_instance

启动后，可通过http://locahost:8000访问网页。

No-code operation (TODO)

体验下来，dagster是很适合金融数据采集、处理，还有机器学习的场景。当然这里的场景更偏向于“批处理”，“定时任务”的处理与编排。

dagster-daemon run &
dagit -h 0.0.0.0 -p 3000

Strategies

部分未整理。。。

经典策略

股票	基金	期货
布林线均值回归 ('2022) 移动均线+KDJ 多因子选股 ('2023) 小市值 ('2021) 指数增强 ('2022) Alpha对冲 ('2022) 网格交易 ('2022) 拐点交易 ('2022) 趋势交易海龟策略动态平衡策略阿隆指标策略	4433法则 ('2022) 对冲策略：指数型+债券型对冲组合策略：多因子组合配置组合策略：惠赢智能算法1 组合策略：择时多策略组合策略：智赢多因子1	双均线策略 ('2022) 网格交易 ('2022)

智能策略

GBDT

RNN

Reinforcement Learning

🔥 Transformer

GBDT

BOOST

Line Regression ('2020)

CNN

RNN

TFT (IJoF'2019)

GATs (NIPS'2017)

SFM (KDD'2017)

Transformer (NeurIPS'2017)

Benchmark and Model zoo

Results and models are available in the model zoo. AI strategies is shown at here, local run python pytrader/strategies/workflow_by_code.py, also provide

👉 点击展开查看具体AI模型benchmark结果

	status	benchmark	framework	DGCNN	RegNetX	addition	arXiv
GBDT	✗	✗	XGBoost	✗	✗	Tianqi Chen, et al. KDD 2016	✗
GBDT	✗	✗	LightGBM	✗	✓	Guolin Ke, et al. NIPS 2017	✗
GBDT	✗	✗	Catboost	✗	✓	Liudmila Prokhorenkova, et al. NIPS 2018	✗
MLP	✓	✓	pytorch	✗	✗	--	✗
LSTM	✓	✓	pytorch	✗	✗	Sepp Hochreiter, et al. Neural computation 1997	✗
LightGBM	✓	✓	pytorch	✗	✗	--	✗
GRU	✓	✗	pytorch	✗	✗	Kyunghyun Cho, et al. 2014	✗
ALSTM	✗	✗	pytorch	✗	✗	Yao Qin, et al. IJCAI 2017	✗
GATs	✗	✓	pytorch	✗	✗	Petar Velickovic, et al. 2017	✗
SFM	✓	✓	pytorch	✗	✗	Liheng Zhang, et al. KDD 2017	✗
TFT	✓	✓	tensorflow	✗	✗	Bryan Lim, et al. International Journal of Forecasting 2019	✗
TabNet	✓	✗	pytorch	✗	✗	Sercan O. Arik, et al. AAAI 2019	✗
DoubleEnsemble	✓	✓	LightGBM	✗	✗	Chuheng Zhang, et al. ICDM 2020	✗
TCTS	✓	✗	pytorch	✗	✗	Xueqing Wu, et al. ICML 2021	✗
Transformer	✓	✗	pytorch	✗	✗	Ashish Vaswani, et al. NeurIPS 2017	✗
Localformer	✓	✗	pytorch	✗	✗	Juyong Jiang, et al.	✗
TRA	✓	✗	pytorch	✗	✗	Hengxu, Dong, et al. KDD 2021	✗
TCN	✓	✗	pytorch	✗	✗	Shaojie Bai, et al. 2018	✗
ADARNN	✓	✗	pytorch	✗	✗	YunTao Du, et al. 2021	✗
ADD	✓	✗	pytorch	✗	✗	Hongshun Tang, et al.2020	✗
IGMTF	✓	✗	pytorch	✗	✗	Wentao Xu, et al.2021	✗
HIST	✓	✗	pytorch	✗	✗	Wentao Xu, et al.2021	✗

^{Note: All the about 300+ models, methods of 40+ papers in quant.ai supported by Model Zoo can be trained or used in this codebase.}

策略原理及源码分析

本项目编写了详细的策略原理说明和平台搭建到使用的详细文档，尤其适合量化小白。欢迎加群交流！

在线文档 | ❓ 常见问题 | Jupyter Notebook

Quantstats Report

Click HERE to more detail.

Some strategy backtest results:

声明：别轻易用于实盘，市场有风险，投资需谨慎。

symbol：华正新材(603186)
Starting Portfolio Value: 10000.00
Startdate=datetime.datetime(2010, 1, 1),
Enddate=datetime.datetime(2020, 4, 21),
# 设置佣金为0.001, 除以100去掉%号
cerebro.broker.setcommission(commission=0.001)

A股回测MACD策略: