ai_quant_trade
1.0.0
Englische Version
AI -Handel Tutorial |
Wenn Ihnen dieses Projekt gefällt oder die Nachrichten jederzeit folgen möchten, geben Sie mir bitte ein Like (den kleinen Stern in der oberen rechten Ecke der Seite), willkommen, es in der Community zu teilen!
Aktien -AI -Händler
Wissensplanet
Willkommen bei meinem Wissensplanet, um mehr Wissen und Dienste zu erhalten! Neue Eröffnung, Willkommen zu folgen! Der Inhalt wird weiterhin aktualisiert!
Wechat öffentliches Konto
Die lagehellbezogenen Gegenstände
| Zeit | Merkmal | Codepfad |
|---|---|---|
| 2023.04.09 | Structbert Market Sentiment Analysis | EGS_FIN_NLP/Emotion_analysis/01_Structbert_BINY_CLASS |
| 2023.03.28 | Verstärkungslernen mehrerer Platzhandel: annualisierte Rendite 53% | EGS_TRADE/RL/A002_FINRL/A01_STOCK_NEURIPS2018 |
| 2023.02.28 | Maschinelles Lernen machte automatisch 5.000 Faktoren und Vorhersage des Aktientrends ab | EGS_ALPHA/AUTO_ALPHA/TSFRESH |
| 2023.02.05 | Customisierte Festplattenansichtssoftware | EGS_AIDE/Disk Watch Artefact/V1 |
| 2023.01.01 | Lokale Strategie für die Lernen von Deep verstärken | EGS_TRADE/RL/A001_PROTO_SB3 |
| 2022.11.07 | Winden Sie lokale Realscheibensimulation | EGS_TRADE/real_bid_simulate/wind |
| 2022.08.03 | Grundlegende Backtesting -Framework + doppelt gleitende Durchschnittsstrategie | EGS_TRADE/VANILLE/double_ma |
Die angemessene Bevölkerung dieses Systems:
Einführung in die Codestruktur und den Inhalt dieses Lagerhauses
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
Dieses Repository wurde noch nicht in ein Python -Paket eingekapselt und kopiert den gesamten Projektquellcode.
Installieren Sie die erforderlichen Bibliotheken
pip install -r requirements.txtÜberprüfen Sie das Dokument unter dem Ordner EGS -Richtlinien und führen Sie die entsprechende Instanz aus
Lokale quantitative Plattform
Weitere Informationen finden Sie im Verzeichnis: EGS_TRADE
Ein unabhängiges quantitatives Handelssystem kann lokal erstellt werden, einschließlich Strategien:
Weitere Informationen finden Sie im Verzeichnis: EGS_TRADE/RL
Seit dem Kampf zwischen Alphago und Ke Jie im Jahr 2017 ist das Deep -Verstärkungslernen populär geworden.
Im Vergleich zu maschinellem Lernen und Deep-Lernen basiert das Verstärkungslernen auf dem ultimativen Ziel (Interaktion ist das Ziel), und viele andere Methoden sind in Betracht gezogen, isolierte Unterprobleme (wie "Aktienpreisvorhersage", "Marktvorhersage", "Handelsentscheidung" usw.) Erhalten Sie direkt eine kontinuierliche Wirkung des "Aktienhandelsgewinns".
Beispieleinführung:
| Seriennummer | Strategie | Codepfad | Papier |
|---|---|---|---|
| 1 | Prototyp | EGS_TRADE/RL/A001_PROTO_SB3 | |
| 2 | FINRL Tutorial 0-Neurips2018 | EGS_TRADE/RL/A002_FINRL_TUTORION/A01_STOCK_NEURIPS2018 | Praktischer Ansatz für den Lernen von Tiefverstärkung für den Aktienhandel (https://arxiv.org/abs/1811.07522) |
Beispiel -Backtest -Details
| Seriennummer | Strategie | Markt | Annualisiertes Einkommen | Maximale Rückzug | Scharfe Rate |
|---|---|---|---|---|---|
| 1 | Prototyp | China A-Shares | |||
| 2 | FINRL Tutorial 0-Neurips2018 | Dow Jones 30, US -Aktien | 53,1% | -10,4% | 2.17 |
Das Kartennetz kann die Beziehung zwischen Aktien besser aufbauen und gleichzeitig auch verschiedene Informationen wie Aktien, Nachrichten, Emotionen usw. verknüpfen, die das globale Beziehungsnetzwerk besser untersuchen können.
(Bitte freuen Sie sich darauf, während Sie bauen ...)
Seit Alexnets Leistung im Jahr 2012 die traditionelle Leistung für maschinelles Lernen bei Bildklassifizierungsaufgaben zerquetscht hat, ist Deep Learning zu einem großen Hit geworden und hat zufällig die erste Welle künstlicher Intelligenz begonnen. Es wird hauptsächlich für Aktienkurs und Marktprognosen usw. verwendet.
(Bitte freuen Sie sich darauf, während Sie bauen ...)
Das maschinelle Lernen basiert auf Statistiken mit soliden Datenfundament, Solvabilität, niedriger Datenabhängigkeit, geringer Ressourcenauslastung und schneller Trainingsgeschwindigkeit.
(Bitte freuen Sie sich darauf, während Sie bauen ...)
(Bitte freuen Sie sich darauf, während Sie bauen ...)
Obwohl traditionelle Strategien die gelbe Blume von gestern zu sein scheinen, sind sie operativer und haben immer noch einen gewissen Nutzen. Tiefes Lernen und maschinelles Lernen müssen häufig in Verbindung mit Regeln verwendet werden.
Doppelte gleitende Durchschnittsstrategie
7 Abschnitte des Portfoliomanagementunterrichts
Siehe das Verzeichnis: EGS_TRADE/paper_trade
Weitere Informationen finden Sie im Verzeichnis: EGS_Aide
| Seriennummer | Werkzeug | Codepfad |
|---|---|---|
| 1 | Customized Viewing Tools | EGS_AIDE/Disk Watch Artefact/V1 |
Weitere Informationen finden Sie im Verzeichnis: EGS_ALPHA
| Seriennummer | Strategie | Codepfad | Papier |
|---|---|---|---|
| 1 | Maschinelles Lernen machte automatisch 5.000 Faktoren und Vorhersage des Aktientrends ab | EGS_ALPHA/AUTO_ALPHA/TSFRESH |
| Seriennummer | Faktorbibliothek |
|---|---|
| 1 | Alpha101 |
| 2 | Stockstats |
| 3 | ta_lib |
| Seriennummer | Werkzeug | Codepfad |
|---|---|---|
| 1 | Structbert Market Sentiment Analysis | EGS_FIN_NLP/Emotion_analysis/01_Structbert_BINY_CLASS |
Ai-Practice-Leitfaden
Siehe: ai_wiki
Dieser Teil des Codes wird unabhängig voneinander in die Lager -AI - Practice Guide - synchronisiert
Hier fassen wir verschiedene quantitativ verwandte Plattformen, Open -Source -Ressourcen und -wissen zusammen. Hier ist ein reichhaltiges Wissenslager und eine Navigationskarte.
Hier fassen wir quantitative Investitionen, Windows, Linux, Shell, VIM, Markdown, Python, C ++, Mathematik -Grundlagen für maschinelles Lernen, zusammen.
Leetcode (C ++, Python), Grundwissen wie maschinelles Lernen, Deep -Lernen, Verstärkungslernen, Grafik Neuronale Netzwerke, Spracherkennung, NLP und Bilderkennung
Codestruktur und Inhaltseinführung
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
Quantitative Ressourcen
| Seriennummer | Werkzeug | Weg |
|---|---|---|
| 1 | Quantitative Ressourcenübersicht des gesamten Netzwerks | ai_wiki/12_quantitative Handel und Investition/01_Resources |
Beispiele für Online -Investitionsforschungsplattform
Inländische quantitative Plattformen wie Jukuan, Youmin, Reiskorb, Nuss und Bigquant usw. können es auch selbst versuchen, wenn Sie interessiert sind.
Die Investment Research Platform ist eine Cloud-Plattform, die auf quantitative Enthusiasten (Kuanke) zugeschnitten ist und kostenlose Aktienerfassung, genaue Backtesting-Funktionen, Hochgeschwindigkeits-Echtzeit-Handelsschnittstellen, einfach zu verwendende API-Dokumente und eine Strategiebibliothek bietet, die die Strategien schnell implementiert und verifizieren kann. ( Hinweis: Die folgende Strategie ist nur im Backtest-Segment gültig, und es wird keine detaillierte Abstimmung und Vollzyklusüberprüfung durchgeführt. Darüber hinaus kann keine Strategie sicherstellen, dass die Effektivität in voller Zyklus ausgeht. Wenn die folgende Strategie im Echtzeithandel verwendet wird, verwenden Sie es bitte mit Vorsicht .)
Jukuan -Plattform
Willkommen bei Jukuan -Plattform: Liangke Siege City Lion folge mir auf Jukuan
Quantitative Strategie auf Lager
| Strategie | Einkommen | Maximale Rückzug |
|---|---|---|
| Maschinelles Lernen - Strategie für Dynamische Faktorauswahl | 12,3% | 38,93% |
| Kleiner Marktwert + Multi-Mode-durchschnittliche quantitative Aktienspekulation | 58,4% | 46,61% |
| Drachen- und Tigerliste - Sehen Sie sich die lange an und machen Sie den Kurzfilm | 41,82% | 26,89% |
| Starke Aktien + Trendlinienurteil + Stoppverlust und Stop -Gewinn | 10,09% | 21,449% |
Forschung an Stockanalyse
Ihre Unterstützung ist meine Motivation, voranzukommen.
Willkommen, eine Diskussion in Github -Diskussionen zu initiieren.
Willkommen, Fragen in Github -Themen einzureichen.
Bitte überprüfen Sie die Dokumentation für FAQ
@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} } ,
}
