ai_quant_trade
1.0.0
เวอร์ชันภาษาอังกฤษ
การ สอน การ ซื้อขาย หุ้น AI
หากคุณชอบโครงการนี้หรือต้องการติดตามข่าวตลอดเวลาโปรดให้ฉันชอบ (ดาวเล็ก ๆ ที่มุมบนขวาของหน้า) ยินดีต้อนรับที่จะแบ่งปันในชุมชน!
สต็อก AI Trader
ดาวเคราะห์
ยินดีต้อนรับสู่การเข้าร่วม Planet Planet ของฉันเพื่อรับความรู้และบริการเพิ่มเติม! เปิดใหม่ยินดีต้อนรับสู่การติดตาม! เนื้อหาจะได้รับการอัปเดตต่อไป!
บัญชีสาธารณะ WeChat
รายการที่เกี่ยวข้องกับคลังสินค้า
| เวลา | ลักษณะ | เส้นทางรหัส |
|---|---|---|
| 2023.04.09 | การวิเคราะห์ความเชื่อมั่นของตลาดโครงสร้าง | EGS_FIN_NLP/Emotion_analysis/01_Structbert_binary_class |
| 2023.03.28 | การเสริมกำลังการซื้อขายหลายสต็อก: ผลตอบแทนประจำปี 53% | EGS_TRADE/RL/A002_FINRL/A01_STOCK_NEURIPS2018 |
| 2023.02.28 | การเรียนรู้ของเครื่องจักรการขุด 5,000 ปัจจัยและการคาดการณ์แนวโน้มหุ้นโดยอัตโนมัติ | egs_alpha/auto_alpha/tsfresh |
| 2023.02.05 | ซอฟต์แวร์ดูดิสก์ที่กำหนดเอง | EGS_AIDE/DISK WATCH ARTIFACT/V1 |
| 2023.01.01 | กลยุทธ์การเรียนรู้การเสริมแรงอย่างลึกซึ้งในท้องถิ่น | EGS_TRADE/RL/A001_PROTO_SB3 |
| 2022.11.07 | การจำลองดิสก์ดิสก์จริงในท้องถิ่น | egs_trade/real_bid_simulate/wind |
| 2022.08.03 | เฟรมเวิร์กการทดสอบ backtesting ขั้นพื้นฐาน + กลยุทธ์การเคลื่อนที่เฉลี่ยสองเท่า | egs_trade/vanilla/double_ma |
ประชากรที่เหมาะสมของระบบนี้:
รู้เบื้องต้นเกี่ยวกับโครงสร้างรหัสและเนื้อหาของคลังสินค้านี้
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
ที่เก็บนี้ยังไม่ได้รับการห่อหุ้มไว้ในแพ็คเกจ Python โดยคัดลอกซอร์สโค้ดโครงการทั้งหมด
ติดตั้งไลบรารีที่ต้องการ
pip install -r requirements.txtตรวจสอบเอกสารภายใต้โฟลเดอร์นโยบาย EGS และเรียกใช้อินสแตนซ์ที่เกี่ยวข้อง
แพลตฟอร์มเชิงปริมาณท้องถิ่น
สำหรับรายละเอียดโปรดดูไดเรกทอรี: egs_trade
ระบบการซื้อขายเชิงปริมาณอิสระสามารถสร้างได้ในพื้นที่รวมถึงกลยุทธ์:
สำหรับรายละเอียดโปรดดูไดเรกทอรี: egs_trade/rl
นับตั้งแต่การต่อสู้ระหว่าง Alphago และ Ke Jie ในปี 2560 การเรียนรู้การเสริมแรงอย่างลึกล้ำได้กลายเป็นที่นิยม
เมื่อเทียบกับการเรียนรู้ของเครื่องจักรและการเรียนรู้อย่างลึกซึ้งการเรียนรู้การเสริมแรงขึ้นอยู่กับเป้าหมายสูงสุด (การโต้ตอบคือเป้าหมาย) และวิธีการอื่น ๆ อีกมากมายคือการพิจารณาปัญหาย่อยที่แยกได้ (เช่น "การทำนายราคาหุ้น" "และคุณสามารถได้รับการกระทำอย่างต่อเนื่องของ" กำไรซื้อขายหุ้น "
ตัวอย่างแนะนำ:
| หมายเลขซีเรียล | กลยุทธ์ | เส้นทางรหัส | กระดาษ |
|---|---|---|---|
| 1 | ต้นแบบ | EGS_TRADE/RL/A001_PROTO_SB3 | |
| 2 | Tutorial FINRL 0-Neurips2018 | egs_trade/rl/a002_finrl_tutorial/a01_stock_neurips2018 | แนวทางการเรียนรู้การเสริมแรงอย่างลึกซึ้งในทางปฏิบัติสำหรับการซื้อขายหุ้น (https://arxiv.org/abs/1811.07522) |
ตัวอย่างรายละเอียด backtest
| หมายเลขซีเรียล | กลยุทธ์ | ตลาด | รายได้ต่อปี | การย้อนกลับสูงสุด | อัตราที่คมชัด |
|---|---|---|---|---|---|
| 1 | ต้นแบบ | China A-Shares | |||
| 2 | Tutorial FINRL 0-Neurips2018 | Dow Jones 30, หุ้นสหรัฐฯ | 53.1% | -10.4% | 2.17 |
เครือข่ายแผนที่สามารถสร้างความสัมพันธ์ระหว่างหุ้นได้ดีขึ้นและในเวลาเดียวกันก็สามารถเชื่อมโยงข้อมูลต่าง ๆ เช่นหุ้นข่าวอารมณ์ ฯลฯ ซึ่งสามารถสำรวจเครือข่ายความสัมพันธ์ทั่วโลกได้ดีขึ้น
(โปรดหวังว่าจะได้ในขณะที่สร้าง ... )
เนื่องจากประสิทธิภาพการเรียนรู้ของเครื่องจักรแบบดั้งเดิมของ Alexnet บดขยี้การเรียนรู้แบบดั้งเดิมในงานการจำแนกภาพในปี 2012 การเรียนรู้อย่างลึกซึ้งได้กลายเป็นเพลงฮิตที่ยิ่งใหญ่และเริ่มต้นคลื่นลูกแรกของปัญญาประดิษฐ์ ส่วนใหญ่จะใช้สำหรับราคาหุ้นและการพยากรณ์ตลาด ฯลฯ
(โปรดหวังว่าจะได้ในขณะที่สร้าง ... )
การเรียนรู้ของเครื่องขึ้นอยู่กับสถิติที่มีรากฐานข้อมูลที่เป็นของแข็งการละลายการพึ่งพาข้อมูลต่ำการใช้ทรัพยากรต่ำและความเร็วในการฝึกอบรมที่รวดเร็ว
(โปรดหวังว่าจะได้ในขณะที่สร้าง ... )
(โปรดหวังว่าจะได้ในขณะที่สร้าง ... )
แม้ว่ากลยุทธ์ดั้งเดิมดูเหมือนจะเป็นดอกไม้สีเหลืองของเมื่อวาน แต่พวกเขามีการทำงานมากขึ้นและยังคงมีประโยชน์บางอย่าง การเรียนรู้อย่างลึกซึ้งและการเรียนรู้ของเครื่องมักจะต้องใช้ร่วมกับกฎ
กลยุทธ์เฉลี่ยเคลื่อนที่สองเท่า
7 ส่วนของการสอนการจัดการพอร์ตโฟลิโอ
ดูไดเรกทอรี: egs_trade/paper_trade
สำหรับรายละเอียดโปรดดูไดเรกทอรี: egs_aide
| หมายเลขซีเรียล | เครื่องมือ | เส้นทางรหัส |
|---|---|---|
| 1 | เครื่องมือดูที่กำหนดเอง | EGS_AIDE/DISK WATCH ARTIFACT/V1 |
สำหรับรายละเอียดโปรดดูไดเรกทอรี: egs_alpha
| หมายเลขซีเรียล | กลยุทธ์ | เส้นทางรหัส | กระดาษ |
|---|---|---|---|
| 1 | การเรียนรู้ของเครื่องจักรการขุด 5,000 ปัจจัยและการคาดการณ์แนวโน้มหุ้นโดยอัตโนมัติ | egs_alpha/auto_alpha/tsfresh |
| หมายเลขซีเรียล | ห้องสมุดปัจจัย |
|---|---|
| 1 | Alpha101 |
| 2 | สต็อค |
| 3 | ta_lib |
| หมายเลขซีเรียล | เครื่องมือ | เส้นทางรหัส |
|---|---|---|
| 1 | การวิเคราะห์ความเชื่อมั่นของตลาดโครงสร้าง | EGS_FIN_NLP/Emotion_analysis/01_Structbert_binary_class |
คู่มือการปฏิบัติงาน AI
ดู: ai_wiki
ส่วนนี้ของรหัสนี้ได้รับการซิงโครไนซ์อย่างอิสระกับคลังสินค้า AI - คู่มือฝึกซ้อม -
ที่นี่เราสรุปแพลตฟอร์มที่เกี่ยวข้องเชิงปริมาณต่าง ๆ แหล่งข้อมูลและความรู้โอเพ่นซอร์ส นี่คือคลังสินค้าความรู้ที่หลากหลายและแผนที่นำทาง
ที่นี่เราจะสรุปการลงทุนเชิงปริมาณ, Windows, Linux, Shell, Vim, Markdown, Python, C ++, Machine Learning Mathematics Basics
LeetCode (C ++, Python), ความรู้พื้นฐานเช่นการเรียนรู้ของเครื่อง, การเรียนรู้อย่างลึก, การเรียนรู้การเสริมแรง, เครือข่ายประสาทกราฟ, การรู้จำเสียง, NLP และการจดจำภาพ
โครงสร้างรหัสและการแนะนำเนื้อหา
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
ทรัพยากรที่เกี่ยวข้องกับเชิงปริมาณ
| หมายเลขซีเรียล | เครื่องมือ | เส้นทาง |
|---|---|---|
| 1 | สรุปทรัพยากรเชิงปริมาณของเครือข่ายทั้งหมด | ai_wiki/12_quantitative การซื้อขายและการลงทุน/01_resources |
ตัวอย่างของแพลตฟอร์มการวิจัยการลงทุนออนไลน์
แพลตฟอร์มเชิงปริมาณในประเทศเช่น Jukuan, Youmin, ตะกร้าข้าว, ถั่วและ Bigquant ฯลฯ สามารถลองด้วยตัวเองหากคุณสนใจ
แพลตฟอร์มการวิจัยการลงทุนเป็นแพลตฟอร์มคลาวด์ที่เหมาะสำหรับผู้ที่ชื่นชอบเชิงปริมาณ (Kuanke) ให้บริการการเก็บข้อมูลหุ้นฟรีฟังก์ชั่นการทดสอบย้อนหลังที่แม่นยำอินเตอร์เฟสการซื้อขายแบบเรียลไทม์ความเร็วสูงเอกสาร API ที่ใช้งานง่ายและห้องสมุดกลยุทธ์ที่ง่ายต่อการใช้งานและตรวจสอบกลยุทธ์อย่างรวดเร็ว ( หมายเหตุ: กลยุทธ์ต่อไปนี้ใช้ได้เฉพาะในเซ็กเมนต์ backtest และไม่มีการปรับแต่งอย่างละเอียดและการตรวจสอบเต็มวัฏจักรนอกจากนี้ยังไม่มีกลยุทธ์ใดที่สามารถมั่นใจได้ว่ามีประสิทธิภาพรอบวงจรหากมีการใช้กลยุทธ์ต่อไปนี้ในการซื้อขายแบบเรียลไทม์โปรดใช้ด้วยความระมัดระวัง )
แพลตฟอร์ม Jukuan
ยินดีต้อนรับสู่การติดตามฉันบนแพลตฟอร์ม Jukuan: Liangke Siege City Lion
กลยุทธ์เชิงปริมาณหุ้น
| กลยุทธ์ | รายได้ | การย้อนกลับสูงสุด |
|---|---|---|
| การเรียนรู้ของเครื่อง - กลยุทธ์การเลือกปัจจัยแบบไดนามิก | 12.3% | 38.93% |
| มูลค่าตลาดขนาดเล็ก + การเก็งกำไรหุ้นเชิงปริมาณเฉลี่ยหลายโหมด | 58.4% | 46.61% |
| Dragon and Tiger List - ดูที่ความยาวและทำให้สั้น | 41.82% | 26.89% |
| หุ้นที่แข็งแกร่ง + การตัดสินของเส้นแนวโน้ม + หยุดขาดทุนและหยุดกำไร | 10.09% | 21.449% |
การวิจัยการวิเคราะห์สต็อก
การสนับสนุนของคุณคือแรงจูงใจของฉันที่จะก้าวไปข้างหน้า
ยินดีต้อนรับสู่การเริ่มต้นการอภิปรายในการอภิปราย GitHub
ยินดีต้อนรับสู่การส่งคำถามในปัญหา GitHub
โปรดตรวจสอบเอกสาร สำหรับคำถามที่พบบ่อย
@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} } ,
}
