ai_quant_trade
1.0.0
Version anglaise
Tutoriel de trading AI |
Si vous aimez ce projet ou si vous souhaitez suivre les nouvelles à tout moment, donnez-moi un like (la petite étoile dans le coin supérieur droit de la page), bienvenue pour le partager dans la communauté!
Trader Ai Stock
Planète de connaissances
Bienvenue pour rejoindre ma planète de connaissances pour obtenir plus de connaissances et de services! Nouvelle ouverture, bienvenue à suivre! Le contenu continuera d'être mis à jour!
Compte public WeChat
Les articles liés à l'entrepôt
| temps | caractéristiques | Chemin de code |
|---|---|---|
| 2023.04.09 | Analyse des sentiments du marché de Structbert | egs_fin_nlp / emotion_analysis / 01_structbert_binary_class |
| 2023.03.28 | Trading multi-étages d'apprentissage par renforcement: rendement annualisé 53% | EGS_TRADE / RL / A002_FINRL / A01_STOCK_NEURIPS2018 |
| 2023.02.28 | L'apprentissage automatique exploite automatiquement 5 000 facteurs et les prévisions de tendance des stocks | EGS_ALPHA / AUTO_ALPHA / TSFRESH |
| 2023.02.05 | Logiciel de visualisation de disque personnalisé | EGS_AIDE / DISK Watch Artefact / V1 |
| 2023.01.01 | Stratégie d'apprentissage du renforcement profond local | egs_trade / rl / a001_proto_sb3 |
| 2022.11.07 | Simulation de disques réel locale de vent | EGS_TRADE / REAL_BID_SIMULER / VENT |
| 2022.08.03 | Framework de base de backtesting + stratégie moyenne mobile double | egs_trade / vanilla / double_ma |
La population appropriée de ce système:
Introduction à la structure du code et au contenu de cet entrepôt
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
Ce référentiel n'a pas encore été encapsulé dans un package Python, en copie l'intégralité du code source du projet.
Installez les bibliothèques requises
pip install -r requirements.txtVérifiez le document dans le dossier de stratégie EGS et exécutez l'instance correspondante
Plate-forme quantitative locale
Pour plus de détails, veuillez consulter le répertoire: EGS_TRADE
Un système de trading quantitatif indépendant peut être construit localement, y compris les stratégies:
Pour plus de détails, veuillez consulter le répertoire: EGS_TRADE / RL
Depuis la bataille entre Alphago et Ke Jie en 2017, l'apprentissage en renforcement profond est devenu populaire.
Comparé à l'apprentissage automatique et à l'apprentissage en profondeur, l'apprentissage du renforcement est basé sur l'objectif ultime (l'interaction est l'objectif), et de nombreuses autres méthodes sont de considérer Ander ", et vous pouvez obtenir directement une action continue de" bénéfice de trading d'actions ".
Exemple d'introduction:
| Numéro de série | Stratégie | Chemin de code | papier |
|---|---|---|---|
| 1 | prototype | egs_trade / rl / a001_proto_sb3 | |
| 2 | Tutoriel finrl 0-neurips2018 | EGS_TRADE / RL / A002_FINRL_TUTORAL / A01_STOCK_NEURIPS2018 | Approche pratique d'apprentissage en renforcement profond pour le négociation des actions (https://arxiv.org/abs/1811.07522) |
Exemples de détails de backtest
| Numéro de série | Stratégie | marché | Revenu annualisé | Retracement maximal | Taux de pointe |
|---|---|---|---|---|---|
| 1 | prototype | Chine A-Shares | |||
| 2 | Tutoriel finrl 0-neurips2018 | Dow Jones 30, Stocks américains | 53,1% | -10,4% | 2.17 |
Le réseau de cartes peut mieux établir la relation entre les actions, et en même temps, il peut également relier diverses informations telles que les actions, les nouvelles, les émotions, etc., qui peuvent mieux explorer le réseau de relations mondiales.
(Veuillez l'attendre avec impatience pendant la construction ...)
Étant donné que les performances d'Alexnet ont écrasé les performances traditionnelles d'apprentissage automatique dans les tâches de classification d'images en 2012, Deep Learning est devenu un grand succès et a commencé au hasard la première vague d'intelligence artificielle. Il est principalement utilisé pour le cours des actions et les prévisions du marché, etc.
(Veuillez l'attendre avec impatience pendant la construction ...)
L'apprentissage automatique est basé sur des statistiques, avec sa base de données solides, sa solvabilité, une faible dépendance aux données, une faible utilisation des ressources et une vitesse de formation rapide.
(Veuillez l'attendre avec impatience pendant la construction ...)
(Veuillez l'attendre avec impatience pendant la construction ...)
Bien que les stratégies traditionnelles semblent être la fleur jaune d'hier, elles sont plus opérationnelles et ont toujours une certaine utilité. L'apprentissage en profondeur et l'apprentissage automatique doivent souvent être utilisés en conjonction avec les règles.
Double stratégie moyenne mobile
7 sections de l'enseignement de la gestion du portefeuille
Voir le répertoire: EGS_TRADE / PAPER_TRADE
Pour plus de détails, veuillez consulter le répertoire: EGS_AIDE
| Numéro de série | outil | Chemin de code |
|---|---|---|
| 1 | Outils d'affichage personnalisés | EGS_AIDE / DISK Watch Artefact / V1 |
Pour plus de détails, veuillez consulter le répertoire: EGS_ALPHA
| Numéro de série | Stratégie | Chemin de code | papier |
|---|---|---|---|
| 1 | L'apprentissage automatique exploite automatiquement 5 000 facteurs et les prévisions de tendance des stocks | EGS_ALPHA / AUTO_ALPHA / TSFRESH |
| Numéro de série | Bibliothèque de facteurs |
|---|---|
| 1 | alpha101 |
| 2 | stockstats |
| 3 | ta_lib |
| Numéro de série | outil | Chemin de code |
|---|---|---|
| 1 | Analyse des sentiments du marché de Structbert | egs_fin_nlp / emotion_analysis / 01_structbert_binary_class |
Guide de la pratique AI
Voir: ai_wiki
Cette partie du code est synchronisée indépendamment avec l'entrepôt AI - Guide de pratique -
Ici, nous résumons diverses plates-formes quantitatives, ressources open source et connaissances. Voici un entrepôt de connaissances et carte de navigation riche.
Ici, nous allons résumer l'investissement quantitatif, Windows, Linux, Shell, Vim, Markdown, Python, C ++, Machine Learning Mathematics Basics,
Leetcode (C ++, Python), connaissances de base telles que l'apprentissage automatique, l'apprentissage en profondeur, l'apprentissage du renforcement, les réseaux de neurones graphiques, la reconnaissance de la parole, la PNL et la reconnaissance d'image
Structure du code et introduction de contenu
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
Ressources relatives à la quantité quantitative
| Numéro de série | outil | chemin |
|---|---|---|
| 1 | Résumé des ressources quantitatives de l'ensemble du réseau | AI_WIKI / 12_QUANTITATIF TRADING ET INVESTISSE / 01_RESOURCES |
Exemples de plateforme de recherche sur les investissements en ligne
Des plateformes quantitatives domestiques telles que Jukuan, Youmin, Rice Basket, Nut et Bigquant, etc., peuvent également l'essayer vous-même si vous êtes intéressé.
La plate-forme de recherche sur les investissements est une plate-forme cloud adaptée aux amateurs quantitatifs (Kuanke), offrant une acquisition gratuite de données sur les actions, des fonctions de backtesting précises, une interface de négociation en temps réel à grande vitesse, des documents d'API faciles à utiliser et une bibliothèque de stratégie qui est facile à mettre en œuvre et à vérifier rapidement les stratégies. ( Remarque: la stratégie suivante n'est valable que dans le segment des backtest, et aucun réglage détaillé et vérification à cycle complet n'est effectué. De plus, aucune stratégie ne peut assurer l'efficacité du cycle complet. Si la stratégie suivante est utilisée dans le trading en temps réel, veuillez l'utiliser avec prudence )
Plate-forme Jukuan
Bienvenue pour me suivre sur la plate-forme Jukuan: Liangke Siege City Lion
Stratégie quantitative en stock
| Stratégie | revenu | Retracement maximal |
|---|---|---|
| Apprentissage automatique - Stratégie de sélection des facteurs dynamiques | 12,3% | 38,93% |
| Petite valeur marchande + spéculation de stock quantitative moyenne multi-modes | 58,4% | 46,61% |
| Dragon et Tiger List - Regardez le long et faites le court | 41,82% | 26,89% |
| Stocks forts + jugement de ligne de tendance + perte d'arrêt et bénéfice d'arrêt | 10,09% | 21,449% |
Recherche d'analyse des stocks
Votre soutien est ma motivation pour aller de l'avant.
Bienvenue pour lancer une discussion dans les discussions GitHub.
Bienvenue pour soumettre des questions dans les problèmes de GitHub.
Veuillez vérifier la documentation de la 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} } ,
}
