ai_quant_trade
1.0.0
Versão em inglês
Tutorial de negociação de AI |
Se você gosta deste projeto ou deseja seguir as notícias a qualquer momento, dê -me um tipo (a pequena estrela no canto superior direito da página), bem -vindo para compartilhá -lo na comunidade!
Trader de ações da AI
Planeta de conhecimento
Bem -vindo a participar do meu planeta de conhecimento para obter mais conhecimento e serviços! Nova abertura, bem -vindo a seguir! O conteúdo continuará sendo atualizado!
Conta pública do WeChat
Os itens relacionados ao armazém
| tempo | característica | Caminho de código |
|---|---|---|
| 2023.04.09 | Análise de sentimentos do mercado de Strucbert | EGS_FIN_NLP/ETHION_ANALISHS/01_STRUCTBERT_BINARY_CLASS |
| 2023.03.28 | Aprendizagem de reforço Negociação multi-estoque: Retorno anualizado 53% | EGS_TRADE/RL/A002_FINRL/A01_STOCK_NEURIPS2018 |
| 2023.02.28 | Aprendizado de máquina minerando automaticamente 5.000 fatores e previsão de tendência de estoque | egs_alpha/auto_alpha/tsfresh |
| 2023.02.05 | Software de visualização de disco personalizado | EGS_AIDE/RELISÃO DE DISCOTIFACT/V1 |
| 2023.01.01 | Estratégia local de aprendizado de reforço profundo | EGS_TRADE/RL/A001_PROTO_SB3 |
| 2022.11.07 | Simulação local de disco real | egs_trade/real_bid_simulate/wind |
| 2022.08.03 | Estrutura básica de teste de backtesting + estratégia de média móvel dupla | EGS_TRADE/VANILIA/DOWLE_MA |
A população apropriada deste sistema:
Introdução à estrutura e conteúdo do código deste armazém
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 repositório ainda não foi encapsulado em um pacote Python, copiando todo o código -fonte do projeto.
Instale as bibliotecas necessárias
pip install -r requirements.txtVerifique o documento na pasta de políticas do EGS e execute a instância correspondente
Plataforma quantitativa local
Para detalhes, consulte o diretório: EGS_trade
Um sistema de comércio quantitativo independente pode ser construído localmente, incluindo estratégias:
Para detalhes, consulte o diretório: EGS_TRADE/RL
Desde a batalha entre Alphago e Ke Jie em 2017, o aprendizado de reforço profundo se tornou popular.
Compared with machine learning and deep learning, reinforcement learning is based on the ultimate goal (interaction is the goal), and many other methods are to consider isolated sub-problems (such as "stock price prediction", "market prediction", "trading decision", etc.), which cannot directly obtain interactive actions, such as "command robot stock trading profit", this task includes "stock price prediction", "market prediction", etc., while the goal of reinforcement learning is to "complete the task of the commander", and you can directly obtain a continuous action of "stock trading profit".
Introdução à amostra:
| Número de série | Estratégia | Caminho de código | papel |
|---|---|---|---|
| 1 | protótipo | EGS_TRADE/RL/A001_PROTO_SB3 | |
| 2 | FinRL Tutorial 0-Neurips2018 | EGS_TRADE/RL/A002_FINRL_TUTORIAL/A01_STOCK_NEURPS2018 | Abordagem prática de aprendizado de reforço profundo para negociação de ações (https://arxiv.org/abs/1811.07522) |
Exemplo de detalhes do teste de fundo
| Número de série | Estratégia | mercado | Renda anualizada | Retração máxima | Taxa nítida |
|---|---|---|---|---|---|
| 1 | protótipo | Shares A China | |||
| 2 | FinRL Tutorial 0-Neurips2018 | Dow Jones 30, ações dos EUA | 53,1% | -10,4% | 2.17 |
A rede de mapas pode criar melhor a relação entre as ações e, ao mesmo tempo, também pode vincular várias informações, como ações, notícias, emoções etc., que podem explorar melhor a rede de relacionamento global.
(Por favor, aguarde isso enquanto construía ...)
Desde que o desempenho da Alexnet esmagou o desempenho tradicional de aprendizado de máquina nas tarefas de classificação de imagens em 2012, o Deep Learning se tornou um grande sucesso e iniciou aleatoriamente a primeira onda de inteligência artificial. É usado principalmente para o preço das ações e a previsão do mercado, etc.
(Por favor, aguarde isso enquanto construía ...)
O aprendizado de máquina é baseado em estatísticas, com sua base sólida de dados, solvabilidade, baixa dependência de dados, baixa utilização de recursos e velocidade de treinamento rápida.
(Por favor, aguarde isso enquanto construía ...)
(Por favor, aguarde isso enquanto construía ...)
Embora as estratégias tradicionais pareçam ser a flor amarela de ontem, elas são mais operacionais e ainda têm certa utilidade. O aprendizado profundo e o aprendizado de máquina geralmente precisam ser usados em conjunto com as regras.
Estratégia de média móvel dupla
7 seções do ensino de gerenciamento de portfólio
Veja o diretório: EGS_TRADE/Paper_trade
Para detalhes, consulte o diretório: EGS_AIDE
| Número de série | ferramenta | Caminho de código |
|---|---|---|
| 1 | Ferramentas de visualização personalizadas | EGS_AIDE/RELISÃO DE DISCOTIFACT/V1 |
Para detalhes, consulte o diretório: EGS_ALPHA
| Número de série | Estratégia | Caminho de código | papel |
|---|---|---|---|
| 1 | Aprendizado de máquina minerando automaticamente 5.000 fatores e previsão de tendência de estoque | egs_alpha/auto_alpha/tsfresh |
| Número de série | Biblioteca de fatores |
|---|---|
| 1 | Alpha101 |
| 2 | Stockstats |
| 3 | ta_lib |
| Número de série | ferramenta | Caminho de código |
|---|---|---|
| 1 | Análise de sentimentos do mercado de Strucbert | EGS_FIN_NLP/ETHION_ANALISHS/01_STRUCTBERT_BINARY_CLASS |
Guia da prática da AI
Veja: ai_wiki
Esta parte do código é sincronizada independentemente com o armazém IA - Guia de Prática -
Aqui, resumimos várias plataformas relacionadas quantitativas, recursos de código aberto e conhecimento. Aqui está um rico armazém de conhecimentos e mapa de navegação.
Aqui, resumiremos o investimento quantitativo, Windows, Linux, Shell, Vim, Markdown, Python, C ++, Machine Learning Mathematics Basics,
LeetCode (C ++, Python), conhecimento básico como aprendizado de máquina, aprendizado profundo, aprendizado de reforço, redes neurais gráficas, reconhecimento de fala, PNL e reconhecimento de imagem
Estrutura de código e introdução de conteúdo
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 relacionados quantitativos
| Número de série | ferramenta | caminho |
|---|---|---|
| 1 | Resumo de recursos quantitativos de toda a rede | Ai_wiki/12_quantitative Negociação e investimento/01_resources |
Exemplos de plataforma de pesquisa de investimento on -line
Plataformas quantitativas domésticas, como Jukuan, Youmin, Rice Basket, Nut e BigQuant, etc., também podem experimentá -lo se estiver interessado.
A plataforma de pesquisa de investimento é uma plataforma em nuvem adaptada para entusiastas quantitativos (Kuanke), fornecendo aquisição gratuita de dados de ações, funções precisas de backtesting, interface de negociação em tempo real de alta velocidade, documentos de API fáceis de usar e uma biblioteca de estratégia que é fácil de implementar e verificar estratégias rapidamente. ( Nota: a seguinte estratégia é válida apenas no segmento de teste, e nenhum ajuste detalhado e verificação de ciclo total são realizados. Além disso, nenhuma estratégia pode garantir a eficácia do ciclo total. Se a seguinte estratégia for usada na negociação em tempo real, use-a com cautela )
Plataforma Jukuan
Bem -vindo ao Follow Me On Jukuan Platform: Liangke Siege City Lion
Estratégia quantitativa de ações
| Estratégia | renda | Retração máxima |
|---|---|---|
| Aprendizado de máquina - estratégia de seleção de fatores dinâmicos | 12,3% | 38,93% |
| Valor de mercado pequeno + especulação de estoque quantitativo médio de vários modos | 58,4% | 46,61% |
| Lista de dragão e tigre - olhe para o longo e faça o curto | 41,82% | 26,89% |
| Ações fortes + Julgamento da linha de tendência + Stop Loss and Stop Lucro | 10,09% | 21,449% |
Pesquisa de análise de ações
Seu apoio é minha motivação para seguir em frente.
Bem -vindo ao iniciar uma discussão em discussões no Github.
Bem -vindo ao enviar perguntas em questões do GitHub.
Por favor, verifique a documentação para perguntas frequentes
@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} } ,
}
