股票AI操盘手
AI炒股教程 | 本地策略 | 辅助操盘 | 数据处理 | 在线投研平台 | 使用文档
股票AI操盘手
- 一站式平台：从学习、模拟到实盘
- 炒股策略：因子挖掘、传统策略、机器学习、深度学习、强化学习、图网络、高频交易等
- 提供辅助操盘工具：上班“摸鱼炒股”神器--超隐蔽“划水致富”
- 实盘部署工具：C++/CPU/GPU等部署
📰 新特性 🔥
| 时间 | 特性 |
|---|---|
| 2023.02.05 | 上班“摸鱼炒股”神器--超隐蔽“划水致富”: egs_aide/看盘神器 |
| 2023.01.01 | 本地深度强化学习策略: egs_local_strategies/reinforcement_learn/proto_sb3 |
| 2022.11.07 | Wind本地实盘模拟 |
| 2022.08.03 | 基础回测框架 + 双均线策略 |
目录
1. 简介
-
本系统适合的人群：
- 机构
- 散户
- 有编程基础
- 无编程基础
-
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 (上班“摸鱼炒股”神器--超隐蔽“划水致富”) ├── egs_data (数据获取及处理) │ ├── wind (Wind万得数据处理) ├── egs_local_strategies (本地量化炒股策略) │ ├── real_bid_simulate (实盘模拟) │ ├── Wind万得实盘模拟 │ ├── reinforcement_learn (强化学习炒股) │ ├── rules (传统规则类策略) ├── egs_online_platform (在线投研平台策略) │ ├── 优矿_Uqer │ ├── 聚宽_JoinQuant ├── 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 -
支持的数据源
- Wind
- Baostock
- qstock
- Tushare
2. 使用
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 requirements.txt
-
查看egs策略文件夹下文档, 并运行对应实例即可
3. 本地量化平台
可在本地可构建一套独立的量化交易系统，包含的策略：
- AI策略
- 强化学习
- 图网络
- 深度学习
- 机器学习
- 高频交易
- 因子挖掘
- 传统规则类策略
3.1 强化学习策略
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”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：
3.2 图网络策略
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。。。)
3.3 深度学习策略
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。。。)
3.4 机器学习策略
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。。。)
3.5 高频交易
(构建中，尽请期待。。。)
3.6 因子挖掘
(构建中，尽请期待。。。)
3.7 传统策略
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。
4. 实盘
4.1 实盘模拟
5. 知识宝库
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
6. 在线投研平台
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)
6.1 聚宽平台
欢迎在聚宽平台关注我：量客攻城狮
- 具体策略详细介绍和源码请单击如下对应策略链接访问查看
- 聚宽使用介绍请查看: egs_online_platform/聚宽_JoinQuant
- 该部分代码仅能在 聚宽平台 运行
-
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
关注
讨论
欢迎在 Github Discussions 中发起讨论。
技术支持
欢迎在 Github Issues 中提交问题。
常见问题
请查看文档常见问题
引用
@misc{ai_quant_trade,
author={Charlie Lee},
title={ai_quant_trade},
year={2022},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/charliedream1/ai_quant_trade}},
}
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent