首頁>編程相關>C/C++
下載

股票AI操盤手

ENGLISH VERSION

AI炒股教程|本地策略|輔助操盤|因子挖掘|文本分析|數據處理|在線投研平台|使用文檔

如果喜歡本項目，或希望隨時關注動態，請給我點個贊吧(頁面右上角的小星星)，歡迎分享到社區!

股票AI操盤手

  • 一站式平台：從學習、模擬到實盤
  • 炒股策略：因子挖掘、傳統策略、機器學習、深度學習、強化學習、圖網絡、高頻交易等
  • 提供輔助操盤工具：輔助盯盤、股票推薦
  • 實盤部署工具：C++/CPU/GPU等部署

知識星球

歡迎加入我的知識星球，獲取更多知識和服務！新開張，歡迎關注！內容會持續更新！

知識星球

微信公眾號

微信公眾號

本倉庫關聯項目

  • 《AI馴龍筆記》：https://github.com/charliedream1/ai_wiki
    • 所有你要的AI全棧知識筆記都在這裡

? 新特性

時間特性代碼路徑
2023.04.09 StructBERT市場情緒分析egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class
2023.03.28強化學習多股票交易：年化收益53% egs_trade/rl/a002_finRL/a01_Stock_NeurIPS2018
2023.02.28機器學習自動挖掘5000個因子及股票趨勢預測egs_alpha/auto_alpha/tsfresh
2023.02.05定制化看盤軟件egs_aide/看盤神器/v1
2023.01.01本地深度強化學習策略egs_trade/rl/a001_proto_sb3
2022.11.07 Wind本地實盤模擬egs_trade/real_bid_simulate/wind
2022.08.03基礎回測框架+ 雙均線策略egs_trade/vanilla/double_ma

目錄

  • 1. 簡介
  • 2. 使用
  • 3. 本地量化平台
    • 3.1 強化學習策略
    • 3.2 圖網絡策略
    • 3.3 深度學習策略
    • 3.4 機器學習策略
    • 3.5 高頻交易
    • 3.6 傳統策略
  • 4. 實盤
    • 4.1 實盤模擬
  • 5. 輔助操盤
  • 6. 因子挖掘
  • 7. 數據獲取
  • 8. 文本分析
  • 9. AI-實踐指南
  • 10. 在線投研平台
    • 10.1 聚寬平台
  • 打賞我
  • 關注我
  • 討論
  • 技術支持
  • 常見問題
  • 引用

1. 簡介

  1. 本系統適合的人群：

    • 機構
    • 散戶
      • 有編程基礎
      • 無編程基礎

  2. 本倉庫代碼結構和內容簡介

     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

2. 使用

本倉庫暫未進行封裝成python包，拷貝整個項目源代碼，

  1. 安裝所需庫

    pip install -r requirements.txt

  2. 查看egs策略文件夾下文檔, 並運行對應實例即可

3. 本地量化平台

本地量化平台

代碼詳細參見目錄：egs_trade

可在本地可構建一套獨立的量化交易系統，包含的策略：

  • AI策略
    • 強化學習
    • 圖網絡
    • 深度學習
    • 機器學習
    • 高頻交易
    • 因子挖掘
  • 傳統規則類策略

3.1 強化學習策略

代碼詳細參見目錄：egs_trade/rl

自從2017年AlphaGo與柯潔圍棋大戰之後，深度強化學習大火。

相比於機器學習和深度學習, 強化學習是以最終目標為導向(以交互作為目標) , 而很多其他方法是考慮孤立的子問題(如“股價預測”,“大盤預測”,“交易決策”等) , 這並不能直接獲得交互的動作, 比如“命令機器人炒股盈利”, 這個任務包含了“股價預測”,”大盤預測”等等, 而強化學習的目標則是“完成命令者的任務”, 可以直接得到“炒股盈利”的一連貫動作。

trades_on_k_line

  1. 樣例介紹：

    序號策略代碼路徑論文
    1原型egs_trade/rl/a001_proto_sb3
    2 FinRL教程0-NeurIPS2018 egs_trade/rl/a002_finRL_tutorial/a01_Stock_NeurIPS2018 Practical Deep Reinforcement Learning Approach for Stock Trading （https://arxiv.org/abs/1811.07522）

  2. 樣例回測詳情

    序號策略市場年化收益最大回撤夏普率
    1原型中國A股
    2 FinRL教程0-NeurIPS2018美股道兒瓊斯30 53.1% -10.4% 2.17

3.2 圖網絡策略

圖網絡可以更好的構建股票和股票之間的關係，同時關聯股票、新聞、情緒等各類信息，能更好的挖掘全局關係網。

(構建中，盡請期待。。。)

3.3 深度學習策略

自從2012年AlexNet在圖像分類任務上，性能碾壓傳統機器學習性能後，深度學習大火， 隨機開啟第一波人工智能熱潮。其主要用於股價和大盤的預測等。

(構建中，盡請期待。。。)

3.4 機器學習策略

機器學習以統計學為基礎，以其堅實的數據基礎，可解性，數據依賴少，資源佔用低，訓練速度快，在表格任務上， 仍然可以追平深度學習等優勢，任有其應用價值。

(構建中，盡請期待。。。)

3.5 高頻交易

(構建中，盡請期待。。。)

3.6 傳統策略

傳統策略雖然看似昨日黃花，但其可操作性更強，仍又一定使用價值。深度學習和機器學習，往往需要配合規則使用。

  1. 雙均線策略

    • 詳細使用教程

    trades_on_k_line

  2. 投資組合管理7節教學

4. 實盤

4.1 實盤模擬

參見目錄：egs_trade/paper_trade

  • Wind本地實盤模擬：雙均線策略

5. 輔助操盤

代碼詳細參見目錄：egs_aide

序號工具代碼路徑
1定制化看盤工具egs_aide/看盤神器/v1

6. 因子挖掘

代碼詳細參見目錄：egs_alpha

6.1 因子挖掘

序號策略代碼路徑論文
1機器學習自動挖掘5000個因子及股票趨勢預測egs_alpha/auto_alpha/tsfresh

6.2 因子庫

序號因子庫
1 alpha101
2 stockstats
3 ta_lib

7. 數據處理

  • 各類常見數據源使用詳解
  • 統一數據源接口

8. 文本分析

序號工具代碼路徑
1 StructBERT市場情緒分析egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class

9. AI-實踐指南

AI-實踐指南

代碼參見：ai_wiki

本部分代碼獨立同步至倉庫AI-實踐指南-

這裡匯總了各種量化相關的平台、開源資源和知識。這裡是一個豐富的知識倉庫和導航地圖。

這裡將匯總包括量化投資，windows, linux, shell, vim, markdown，python, c++,機器學習數學基礎，

leetcode(c++, python)，機器學習、 深度學習、強化學習、圖神經網絡，語音識別、NLP和圖像識別等基礎知識

  1. 代碼結構和內容簡介

     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

  2. 量化相關資源

    序號工具路徑
    1全網量化資源匯總ai_wiki/12_量化交易與投資/01_資源

10. 在線投研平台

在線投研平台樣例

國內量化平台，如聚寬、優礦、米筐、果仁和BigQuant等，如果感興趣，也可以自行嘗試。

投研平台是為量化愛好者（寬客）量身打造的雲平台，提供免費股票數據獲取、精準的回測功能、 高速實盤交易接口、易用的API文檔、由易入難的策略庫，便於快速實現和驗證策略。 (注：如下策略僅在所述回測段有效，沒有進行詳細的調優和全週期驗證。另外，沒有策略能保證全週期有效的， 如果實盤使用如下策略，請慎重使用)

10.1 聚寬平台

聚寬平台

歡迎在聚寬平台關注我：量客攻城獅

  • 具體策略詳細介紹和源碼請單擊如下對應策略鏈接訪問查看
  • 聚寬使用介紹請查看: egs_online_platform/聚寬_JoinQuant
  • 該部分代碼僅能在聚寬平台運行

  1. 股票量化策略

    策略收益最大回撤
    機器學習-動態因子選擇策略12.3% 38.93%
    小市值+多均線量化炒股58.4% 46.61%
    龍虎榜-看長做短41.82% 26.89%
    強勢股+趨勢線判斷+止損止盈10.09% 21.449%

  2. 股票分析研究

    • 手把手教你"機器學習-動態多因子選股"(附保姆級教程)
    • 龍虎榜數據篩选和過濾
    • 概念板塊數據獲取和選股
    • 詳解: 股票數據獲取及圖形分析(附詳細代碼)

打賞我

您的支持是我前進的動力，即便“1毛錢”我也很開心啊，感謝您的打賞和支持(^o^)/

圖片名稱1

圖片名稱2

關注我

  • 知乎
  • 聚寬

討論

歡迎在Github Discussions 中發起討論。

技術支持

歡迎在Github Issues 中提交問題。

常見問題

請查看文檔常見問題

引用

 @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} } ,
}
展開
附加信息
相關應用
爲您推薦
相關資訊 全部