Py学习  »  Python

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)

AI炼金师 • 1 月前 • 116 次点击  

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:

  1. 了解 ai_quant_trade 平台的整体架构与核心优势

  2. 演示环境安装依赖配置

  3. 以“双均线策略”为例,展示如何3步完成回测

  4. 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

  1. 克隆源码并进入目录:

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 JoinQuantUqer 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

  1. 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。

  2. 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。

  3. 扩展性强:新手可先从 vanilla/double_ma 入手,逐步尝试 rlalphallm 等高级模块。

  4. 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


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/183212
 
116 次点击