股票AI操盘手:从学习、模拟到实盘,一站式平台。包含股票知识、策略实例、因子挖掘、传统策略、机器学习、深度学习、强化学习、图网络、高频交易、C++部署和聚宽实例代码等,可以方便学习、模拟及实盘交易
APACHE-2.0 License
AI炒股教程 | 本地策略 | 辅助操盘 | 因子挖掘 | 文本分析 | 数据处理 | 在线投研平台 | 使用文档
如果喜欢本项目,或希望随时关注动态,请给我点个赞吧 (页面右上角的小星星),欢迎分享到社区!
股票AI操盘手
时间 | 特性 | 代码路径 |
---|---|---|
2023.04.09 | StructBERT市场情绪分析 | egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class |
2023.03.28 | 强化学习多股票交易:年化收益53% | egs_trade/rl/a002_finRL/a01_Stock_NeurIPS2018 |
2023.02.28 | 机器学习自动挖掘5000个因子及股票趋势预测 | egs_alpha/auto_alpha/tsfresh |
2023.02.05 | 定制化看盘软件 | egs_aide/看盘神器/v1 |
2023.01.01 | 本地深度强化学习策略 | egs_trade/rl/a001_proto_sb3 |
2022.11.07 | Wind本地实盘模拟 | egs_trade/real_bid_simulate/wind |
2022.08.03 | 基础回测框架 + 双均线策略 | egs_trade/vanilla/double_ma |
本系统适合的人群:
本仓库代码结构和内容简介
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
本仓库暂未进行封装成python包,拷贝整个项目源代码,
安装所需库
pip install -r requirements.txt
查看egs策略文件夹下文档, 并运行对应实例即可
代码详细参见目录:egs_trade
可在本地可构建一套独立的量化交易系统,包含的策略:
代码详细参见目录:egs_trade/rl
自从2017年AlphaGo与柯洁围棋大战之后,深度强化学习大火。
相比于机器学习和深度学习, 强化学习是以最终目标为导向 (以交互作为目标) , 而很多其他方法是考虑孤立的子问题 (如“股价预测”,“大盘预测”,“交易决策”等) , 这并不能直接获得交互的动作, 比如“命令机器人炒股盈利”, 这个任务包含了“股价预测”,”大盘预测”等等, 而强化学习的目标则是“完成命令者的任务”, 可以直接得到“炒股盈利”的一连贯动作。
样例介绍:
序号 | 策略 | 代码路径 | 论文 |
---|---|---|---|
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) |
样例回测详情
序号 | 策略 | 市场 | 年化收益 | 最大回撤 | 夏普率 |
---|---|---|---|---|---|
1 | 原型 | 中国A股 | |||
2 | FinRL教程0-NeurIPS2018 | 美股道儿琼斯30 | 53.1% | -10.4% | 2.17 |
图网络可以更好的构建股票和股票之间的关系,同时关联股票、新闻、情绪等各类信息,能更好的挖掘全局关系网。
(构建中,尽请期待。。。)
自从2012年AlexNet在图像分类任务上,性能碾压传统机器学习性能后,深度学习大火, 随机开启第一波人工智能热潮。其主要用于股价和大盘的预测等。
(构建中,尽请期待。。。)
机器学习以统计学为基础,以其坚实的数据基础,可解性,数据依赖少,资源占用低,训练速度快,在表格任务上, 仍然可以追平深度学习等优势,任有其应用价值。
(构建中,尽请期待。。。)
(构建中,尽请期待。。。)
传统策略虽然看似昨日黄花,但其可操作性更强,仍又一定使用价值。深度学习和机器学习,往往需要配合规则使用。
参见目录:egs_trade/paper_trade
代码详细参见目录:egs_aide
序号 | 工具 | 代码路径 |
---|---|---|
1 | 定制化看盘工具 | egs_aide/看盘神器/v1 |
代码详细参见目录:egs_alpha
序号 | 策略 | 代码路径 | 论文 |
---|---|---|---|
1 | 机器学习自动挖掘5000个因子及股票趋势预测 | egs_alpha/auto_alpha/tsfresh |
序号 | 因子库 |
---|---|
1 | alpha101 |
2 | stockstats |
3 | ta_lib |
序号 | 工具 | 代码路径 |
---|---|---|
1 | StructBERT市场情绪分析 | egs_fin_nlp/emotion_analysis/01_StructBert_Binary_Class |
代码参见:ai_wiki
本部分代码独立同步至仓库AI-实践指南-
这里汇总了各种量化相关的平台、开源资源和知识。这里是一个丰富的知识仓库和导航地图。
这里将汇总包括量化投资,windows, linux, shell, vim, markdown,python, c++,机器学习数学基础,
leetcode(c++, python),机器学习、 深度学习、强化学习、图神经网络,语音识别、NLP和图像识别等基础知识
代码结构和内容简介
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
量化相关资源
序号 | 工具 | 路径 |
---|---|---|
1 | 全网量化资源汇总 | ai_wiki/12_量化交易与投资/01_资源 |
国内量化平台,如聚宽、优矿、米筐、果仁和BigQuant等,如果感兴趣,也可以自行尝试。
投研平台是为量化爱好者(宽客)量身打造的云平台,提供免费股票数据获取、精准的回测功能、 高速实盘交易接口、易用的API文档、由易入难的策略库,便于快速实现和验证策略。( 注:如下策略仅在所述回测段有效,没有进行详细的调优和全周期验证。另外,没有策略能保证全周期有效的, 如果实盘使用如下策略,请慎重使用)
欢迎在聚宽平台关注我:量客攻城狮
股票量化策略
策略 | 收益 | 最大回撤 |
---|---|---|
机器学习-动态因子选择策略 | 12.3% | 38.93% |
小市值+多均线量化炒股 | 58.4% | 46.61% |
龙虎榜-看长做短 | 41.82% | 26.89% |
强势股+趋势线判断+止损止盈 | 10.09% | 21.449% |
股票分析研究
欢迎在 Github Discussions 中发起讨论。
欢迎在 Github Issues 中提交问题。
请查看文档常见问题
@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}},
}