charliedream1/ai_quant_trade

🤖 AI 量化交易机器人 – 快速概览

它是什么 – 一个大型的社区驱动仓库，汇集了学习、原型设计以及（可选）运行使用 AI 技术的量化金融策略所需的一切。它涵盖了整个流程：

• 教育 – 关于金融理论、数据来源和 AI 基础的 markdown 笔记与笔记本。
• 数据处理 – 用于从 Wind、akshare、Eastmoney 等获取市场数据的脚本，并提供统一接口。
• Alpha 挖掘 – 因子公式库（alpha101, ta‑lib, stockstats）以及使用 tsfresh 自动挖掘 5,000 个 Alpha 的演示。
• 策略示例 – 包含经典规则型（双均线、投资组合优化）与 AI 密集型方法（强化学习代理、GNN、深度学习、LLM 驱动的预测）。
• LLM 应用 – 基于 Unsloth 框架构建的“推理股票预测”模型的笔记本与训练脚本，以及关于使用 LLM 进行市场分析的教程。
• 实盘交易辅助 – 基于 Excel 的监控工具、Streamlit 市场仪表板，以及与 Wind 平台的整合以进行机构级模拟。
• 资源中心 – 一个经过审核的精选集合，包含数千篇外部论文、代码库和教程，并按完整的量化工作流程进行组织。

适用对象 – 机构量化研究员、零售程序员，甚至是想要有引导路径的非程序员（仓库包含低代码 Excel 工具）。

如何开始 – Clone 此仓库，安装 requirements.txt，然后深入研究 egs_* 文件夹，每个文件夹都包含带有逐步说明的 README。例如，运行 RL 教程：

cd egs_trade/rl/a002_finRL_tutorial/a01_Stock_NeurIPS2018
python run.py

关键要点

• 一站式平台，涵盖数据、研究、回测和部署。
• 支持多种市场（股票、基金、加密货币）和部署目标（Python, C++, CPU/GPU）。
• 积极维护，包含近期功能（2026‑07‑25“隐形股票交易”Excel 工具，2025 年基于 LLM 的预测）。
• 非封装库 – 您是探索示例，而不是导入单一 pip 套件。

---

📂 仓库结构（高阶）

ai_quant_trade/
├─ ai_notes/            # 理论、论文、教程
├─ docs/                # 全局文档
├─ egs_aide/            # 监控与辅助工具
├─ egs_alpha/           # Alpha 挖掘与因子库
├─ egs_data/            # 数据获取封装
├─ egs_fin_nlp/         # 基于 NLP 的情绪工具
├─ egs_llm/             # LLM 训练与推理示例
├─ egs_online_platform/ # JoinQuant / Uqer 脚本
├─ egs_trade/           # 策略演示 (RL, vanilla, Qlib 等)
├─ quant_brain/         # 核心算法工具
├─ runtime/             # 部署辅助
├─ tools/               # 其他工具
└─ requirements.txt

---

🔧 典型使用流程

1. 学习 – 阅读 ai_notes 的 markdown/Jupyter 笔记本。
2. 收集数据 – 使用 egs_data 中的脚本获取价格、新闻、情绪。
3. 挖掘 Alpha – 运行 egs_alpha/auto_alpha/tsfresh 中的 tsfresh 自动挖掘演示。
4. 建立策略 – 从简单的双均线示例或 RL 教程开始。
5. 回测 – 每个示例都附带自己的回测运行器和绩效指标。
6. 部署 – 按照 runtime 指令进行实盘运行（Wind 模拟、Python 或 C++）。
7. 辅助 – 使用 Excel“隐形股票交易”工具或 Streamlit 仪表板监控市场。

---

📚 资源与社区

• 一个庞大的精选列表（a_全网优秀资源），包含外部开源项目、论文和教程。
• 视频教程和微信“知识星球”以进行实操引导。
• 本仓库采用 Apache‑2.0 授权，因此您可以在商业或研究环境中使用代码。

---

总结 – 本仓库是一个真正且广泛的开源项目，汇集了数据管道、AI 驱动的策略原型以及量化金融的实用交易工具。