ai_quant_trade
1.0.0
Versión en inglés
AI Tutorial de comercio AI |
Si le gusta este proyecto o desea seguir las noticias en cualquier momento, por favor, dame un me gusta (la pequeña estrella en la esquina superior derecha de la página), ¡bienvenido a compartirla en la comunidad!
Comerciante de IA de acciones
Planeta de conocimiento
¡Bienvenido a unirse a My Knowledge Planet para obtener más conocimientos y servicios! ¡Nueva apertura, bienvenido a seguir! ¡El contenido continuará siendo actualizado!
Cuenta pública de WeChat
Los artículos relacionados con el almacén
| tiempo | característica | Ruta de código |
|---|---|---|
| 2023.04.09 | Análisis de sentimientos de Structbert Market | egs_fin_nlp/emoción_análisis/01_structbert_binary_class |
| 2023.03.28 | Refuerzo Aprendizaje de aprendizaje Comercio múltiple: rendimiento anualizado 53% | EGS_TRADE/RL/A002_FINRL/A01_STOCK_NEURIPS2018 |
| 2023.02.28 | El aprendizaje automático de la máquina minera automáticamente 5,000 factores y pronóstico de tendencias de existencias | EGS_ALPHA/AUTO_ALPHA/TSFRESH |
| 2023.02.05 | Software de visualización de disco personalizado | EGS_AIDE/DISCO VISTA ARTIFACT/V1 |
| 2023.01.01 | Estrategia local de aprendizaje de refuerzo profundo | EGS_TRADE/RL/A001_PROTO_SB3 |
| 2022.11.07 | Simulación de disco real local de viento | EGS_TRADE/Real_Bid_Simulate/Wind |
| 2022.08.03 | Marco de prueba de retroceso básico + estrategia de doble promedio móvil | EGS_TRADE/VANILLA/DOBLE_MA |
La población apropiada de este sistema:
Introducción a la estructura y contenido del código de este almacén
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
Este repositorio aún no ha sido encapsulado en un paquete de Python, copiando todo el código fuente del proyecto.
Instale las bibliotecas requeridas
pip install -r requirements.txtVerifique el documento en la carpeta de políticas de EGS y ejecute la instancia correspondiente
Plataforma cuantitativa local
Para más detalles, consulte el directorio: EGS_TRADE
Se puede construir un sistema de comercio cuantitativo independiente localmente, incluidas las estrategias:
Para más detalles, consulte el directorio: EGS_TRADE/RL
Desde la batalla entre Alphago y Ke Jie en 2017, el aprendizaje de refuerzo profundo se ha vuelto popular.
En comparación con el aprendizaje automático y el aprendizaje profundo, el aprendizaje de refuerzo se basa en el objetivo final (la interacción es el objetivo), y muchos otros métodos deben considerar subproblemas aislados (como la "predicción del precio de las acciones", "predicción del mercado", "decisión de negociación", etc.), que no puede obtener directamente las acciones interactivas, como la "ganancia de las acciones de los robot", esta tarea incluye "predicción del precio de las acciones", la predicción de la tarea de las acciones ", de acuerdo con la tarea de la tarea", la tarea de la tarea ", la tarea de la tarea", la tarea de la tarea ", de acuerdo con la tarea", la tarea de la tarea ", la tarea de la tarea", de acuerdo ", la tarea de la tarea", de acuerdo ", la tarea de la tarea", de acuerdo, la tarea de la tarea ". Comandante ", y puede obtener directamente una acción continua de" ganancias comerciales de acciones ".
Introducción de muestra:
| Número de serie | Estrategia | Ruta de código | papel |
|---|---|---|---|
| 1 | prototipo | EGS_TRADE/RL/A001_PROTO_SB3 | |
| 2 | Tutorial FINRL 0-Neurips2018 | EGS_TRADE/RL/A002_FINRL_TUTORIOR/A01_STOCK_NEURIPS2018 | Enfoque práctico de aprendizaje de refuerzo profundo para el comercio de acciones (https://arxiv.org/abs/1811.07522) |
Detalles de prueba de retroceso de muestra
| Número de serie | Estrategia | mercado | Ingreso anualizado | Máximo retroceso | Tasa aguda |
|---|---|---|---|---|---|
| 1 | prototipo | China A-Shares | |||
| 2 | Tutorial FINRL 0-Neurips2018 | Dow Jones 30, acciones estadounidenses | 53.1% | -10.4% | 2.17 |
La red de mapas puede construir mejor la relación entre las acciones y, al mismo tiempo, también puede vincular varias información, como acciones, noticias, emociones, etc., que pueden explorar mejor la red de relaciones globales.
(Por favor, espere con ansias mientras construya ...)
Desde el rendimiento de Alexnet aplastó el rendimiento tradicional de aprendizaje automático en las tareas de clasificación de imágenes en 2012, el aprendizaje profundo se ha convertido en un gran éxito y comenzó al azar la primera ola de inteligencia artificial. Se utiliza principalmente para el precio de las acciones y el pronóstico del mercado, etc.
(Por favor, espere con ansias mientras construya ...)
El aprendizaje automático se basa en estadísticas, con su base de datos sólidos, solvabilidad, baja dependencia de datos, baja utilización de recursos y velocidad de entrenamiento rápida, aún puede coincidir con las ventajas del aprendizaje profundo y otras ventajas, y puede tener su valor de aplicación.
(Por favor, espere con ansias mientras construya ...)
(Por favor, espere con ansias mientras construya ...)
Aunque las estrategias tradicionales parecen ser la flor amarilla de ayer, están más operativas y aún tienen cierta utilidad. El aprendizaje profundo y el aprendizaje automático a menudo deben usarse junto con las reglas.
Estrategia de promedio móvil doble
7 secciones de enseñanza de gestión de cartera
Vea el directorio: EGS_TRADE/Paper_trade
Para más detalles, consulte el directorio: EGS_AIDE
| Número de serie | herramienta | Ruta de código |
|---|---|---|
| 1 | Herramientas de visualización personalizadas | EGS_AIDE/DISCO VISTA ARTIFACT/V1 |
Para más detalles, consulte el directorio: EGS_Alpha
| Número de serie | Estrategia | Ruta de código | papel |
|---|---|---|---|
| 1 | El aprendizaje automático de la máquina minera automáticamente 5,000 factores y pronóstico de tendencias de existencias | EGS_ALPHA/AUTO_ALPHA/TSFRESH |
| Número de serie | Biblioteca de factores |
|---|---|
| 1 | alfa101 |
| 2 | stockstats |
| 3 | ta_lib |
| Número de serie | herramienta | Ruta de código |
|---|---|---|
| 1 | Análisis de sentimientos de Structbert Market | egs_fin_nlp/emoción_análisis/01_structbert_binary_class |
Guía de práctica AI
Ver: Ai_wiki
Esta parte del código se sincroniza independientemente con el almacén AI - Guía de práctica -
Aquí resumimos varias plataformas cuantitativas relacionadas, recursos de código abierto y conocimiento. Aquí hay un rico almacén de conocimiento y mapa de navegación.
Aquí resumiremos la inversión cuantitativa, Windows, Linux, Shell, VIM, Markdown, Python, C ++, Basics de matemáticas de aprendizaje automático,
Leetcode (C ++, Python), conocimiento básico como aprendizaje automático, aprendizaje profundo, aprendizaje de refuerzo, redes neuronales gráficas, reconocimiento de voz, PNL y reconocimiento de imágenes
Estructura de código e introducción de contenido
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
Recursos cuantitativos relacionados
| Número de serie | herramienta | camino |
|---|---|---|
| 1 | Resumen de recursos cuantitativos de toda la red | ai_wiki/12_cantitative comercio e inversión/01_resources |
Ejemplos de plataforma de investigación de inversiones en línea
Las plataformas cuantitativas nacionales como Jukuan, Yomin, Canasta de Arroz, Nuez y Bigquant, etc., también pueden probarlo usted mismo si está interesado.
La plataforma de investigación de inversiones es una plataforma en la nube adaptada para los entusiastas cuantitativos (Kuanke), que proporciona adquisición de datos de acciones gratuitas, funciones de retención de retención precisas, interfaz de comercio en tiempo real de alta velocidad, documentos de API fáciles de usar y una biblioteca de estrategia que es fácil de implementar y verificar las estrategias rápidamente. ( Nota: La siguiente estrategia solo es válida en el segmento de retroceso, y no se realiza un ajuste detallado y la verificación de ciclo completo. Además, ninguna estrategia puede garantizar la efectividad del ciclo completo. Si la siguiente estrategia se usa en el comercio en tiempo real, úsela con precaución )
Plataforma Jukuan
Bienvenido a seguirme en la plataforma Jukuan: Liangke Siege City Lion
Estrategia cuantitativa de stock
| Estrategia | ingreso | Máximo retroceso |
|---|---|---|
| Aprendizaje automático: estrategia de selección de factores dinámicos | 12.3% | 38.93% |
| Valor de mercado pequeño + especulación de acciones cuantitativas promedio de modo multimodo | 58.4% | 46.61% |
| Lista de dragón y tigre: mira a la larga y acorta | 41.82% | 26.89% |
| Acciones sólidas + juicio de la línea de tendencia + detener la pérdida y detener las ganancias | 10.09% | 21.449% |
Investigación de análisis de acciones
Su apoyo es mi motivación para avanzar.
Bienvenido para iniciar una discusión en las discusiones de Github.
Bienvenido a enviar preguntas en temas de GitHub.
Consulte la documentación de las preguntas frecuentes
@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} } ,
}
