/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

Primary LanguageJupyter NotebookApache License 2.0Apache-2.0

股票AI操盘手

ENGLISH VERSION

License Python-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

drawing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

  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。

trades_on_k_line

  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

    trades_on_k_line

  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

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

  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

关注我

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}},
}