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
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 |
- 1. 简介
- 2. 使用
- 3. 本地量化平台
- 4. 实盘
- 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
- 关注我
- 讨论
- 技术支持
- 常见问题
- 引用
-
本系统适合的人群:
- 机构
- 散户
- 有编程基础
- 无编程基础
-
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
本仓库暂未进行封装成python包,拷贝整个项目源代码,
-
安装所需库
pip install -r requirements.txt
-
查看egs策略文件夹下文档, 并运行对应实例即可
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
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。
-
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) -
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 中国A股 2 FinRL教程0-NeurIPS2018 美股道儿琼斯30 53.1% -10.4% 2.17
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。。。)
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。。。)
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。。。)
(构建中,尽请期待。。。)
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。
参见目录:egs_trade/paper_trade
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 |
代码详细参见目录:egs_alpha
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 |
序号 | 因子库 |
---|---|
1 | alpha101 |
2 | stockstats |
3 | ta_lib |
- 各类常见数据源使用详解
- 统一数据源接口
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 |
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
-
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
-
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
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)
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
-
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% -
股票分析研究
欢迎在 Github Discussions 中发起讨论。
欢迎在 Github Issues 中提交问题。
请查看文档常见问题
@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}},
}