一站式AI量化Python平台：7大核心模块快速上手（附双均线实战代码）

在量化交易快速发展的今天，一套覆盖学习、策略开发、回测评估、实盘模拟的完整平台尤为重要。开源项目 ai_quant_trade 致力于打造这样“一站式AI量化平台”。它集合了从本地策略、辅助操盘工具、因子挖掘、文本分析、大模型应用到在线投研平台对接等七大核心模块，支持股票、基金、加密货币等多市场，帮助新手快速上手并动手实践。

主要内容：

了解 ai_quant_trade 平台的整体架构与核心优势
演示环境安装与依赖配置
以“双均线策略”为例，展示如何3步完成回测
浏览其他模块示例，启发你的量化思路

一、平台概览与核心优势

ai_quant_trade 维护，源码结构如下：

ai_quant_trade├── ai_notes         # 知识汇总：实战案例、论文解读├── docs             # 使用说明文档├── egs_trade        # 本地策略示例│   ├── vanilla      # 传统规则策略（如双均线、组合优化）│   ├── rl           # 强化学习策略│   └── paper_trade  # 实盘模拟（Wind）├── egs_alpha        # 因子挖掘与Alpha策略├── egs_data         # 数据获取与处理├── egs_fin_nlp      # 文本情感分析├── egs_llm          # 大模型应用├── egs_online_platform  # 在线投研平台示例├── quant_brain      # 核心算法库├── runtime          # 部署与运行示例└── tools            # 辅助脚本与工具

平台亮点：

七大模块全覆盖：学习、模拟、回测、实盘、因子、NLP、大模型一应俱全；
案例丰富：每个模块内都有“egs_*”示例目录，包含详细使用说明与原理解读；
零封装源码：直接拷贝项目，无需额外打包；只要 pip install -r requirements.txt 即可运行；
多市场支持：涵盖 A 股、港美股、基金、加密货币等；
免费开源+付费增值：基础示例和源码永久免费，同时提供“知识星球”付费深度课程与工具。

二、环境配置与依赖安装

git clone https://github.com/charliedream1/ai_quant_trade.gitcd ai_quant_trade

2.安装依赖：


pip


    
 install -r requirements.txt

本项目基于 Python 3.8，依赖包括 pandas、numpy、tensorflow、torch、tushare、windpy、ffn 等。

3.若需 Wind 数据或特定大模型示例，请确保已安装 Wind API 或下载模型权重，具体可参考 egs_trade/paper_trade/wind 及 egs_llm 子目录下的 README。

三、双均线策略实战示例

我们以 egs_trade/vanilla/double_ma 示例为切入点，3步完成策略回测：

步骤1：准备数据

在 egs_trade/vanilla/double_ma 目录下，示例使用 Tushare 拉取股票日线数据，代码片段：

import tushare as tsimport pandas as pd# 初始化 Tusharets.set_token('YOUR_TUSHARE_TOKEN')pro = ts.pro_api()# 拉取上证指数日线df = pro.index_daily(ts_code='000001.SH', start_date='20190101', end_date='20231231')df = df[['trade_date', 'close']].rename(columns={'trade_date':'date'}).set_index('date')df.index = pd.to_datetime(df.index)

步骤2：定义双均线策略

# 计算快慢均线df['ma_short'] = df['close'].rolling(window=10).mean()df['ma_long'] = df['close'].rolling(window=50).mean()# 生成交易信号：金叉买入、死叉卖出df['signal'] = 0df.loc[df['ma_short']>df['ma_long'], 'signal'] = 1df.loc[df['ma_short']<df['ma_long'], 'signal'] = -1

步骤3：回测与可视化

平台内置简单回测框架，示例脚本 backtest.py：

import matplotlib.pyplot as plt# 按 signal 进行回测，假设每次全仓买入/卖出df['returns'] = df['close'].pct_change().shift(-1) * df['signal']df['cum_return'] = (1 + df['returns']).cumprod()# 绘制结果plt.figure(figsize=(10,5))plt.plot(df.index, df['cum_return'], label='Double MA Strategy')plt.title('双均线策略回测累计收益')plt.legend()plt.show()

运行后即可看到如下图示：

四、其他模块快速浏览

因子挖掘（egs_alpha）：基于 tsfresh 等工具，自动挖掘上千个因子，并结合机器学习筛选

文本分析（egs_fin_nlp）：使用 StructBERT 做市场情绪二分类，可作为情绪因子输入策略。
强化学习策略（egs_trade/rl）：示例利用 FinRL NeurIPS2018 框架训练股票交易智能体，年化收益可达 ~53%。
大模型应用（egs_llm）：集成自研 Unsloth 推理型股票预测大模型，示例提供训练与推理代码。
在线投研平台（egs_online_platform）：展示 JoinQuant、Uqer 等平台策略部署示例，方便云端回测与实盘。
辅助工具（egs_aide）：如 Excel 看盘神器、K线图监控脚本等，增强日常操盘效率。

五、总结与建议

全流程覆盖：从“入门知识”到“策略实战”，再到“实盘模拟”，ai_quant_trade帮你一站式学习。
模块化示例：各 egs_* 子目录即是可直接运行的案例，修改参数即可复现实验。
扩展性强：新手可先从 vanilla/double_ma 入手，逐步尝试 rl、alpha、llm 等高级模块。
付费资源：若需更多深度教程和工具，可加入“知识星球”享受视频课程与答疑服务。

动手实践：
克隆项目、安装依赖；
先运行 egs_trade/vanilla/double_ma/backtest.py；
再尝试更改均线窗口、切换标的；
逐步探索因子挖掘与RL模块，构建个性化策略。

📎 项目链接：
https://github.com/charliedream1/ai_quant_trade