金融科技示例工程【免费下载链接】ai_quant_tradeStock AI Trader: 1-stop platform for learning, sim live trading. Covers: stock basics, strategies, LLMs, factor mining, ML/DL/RL, graph nets, HFT, C deploy JoinQuant code. 股票AI操盘手一站式学习、模拟、实盘平台。涵盖股票基础、策略、大模型、因子挖掘、机器学习/深度学习/强化学习、图网络、高频交易、C部署及聚宽代码。项目地址https://gitcode.com/gh_mirrors/ai/ai_quant_trade点击查看免费下载本文以ai_quant_trade仓库根目录的 README.md 为骨架系统讲解这一从学习、模拟到实盘的一站式 AI 量化交易平台如何理解其目录结构、如何按子项目安装依赖并跑通双均线回测、强化学习、因子挖掘、大模型训练等完整链路以及如何借助 Excel 看盘神器、多源数据接口、全网资源宝库等配套模块快速上手。读完本文你将掌握该仓库从读文档 → 装依赖 → 跑策略 → 做研究的完整实操路径并理解每个核心模块的架构与关键实现。项目定位与核心亮点ai_quant_tradeAI Quantitative Trading Bot / AI量化交易操盘手是一个面向机构投资者、有编程基础的散户、无编程基础的散户三类人群的开源量化交易平台定位是一站式平台从学习资料、策略研究、模拟回测到实盘部署全流程覆盖。 定位 说明一站式平台从学习、模拟到实盘全流程覆盖多元策略大模型、因子挖掘、传统策略、机器学习、深度学习、强化学习、图网络、高频交易资源汇总全网资源汇总、实战案例、论文解读、代码实现️辅助工具辅助盯盘、股票推荐等实用操盘工具多市场覆盖覆盖股票、基金、加密货币等多个市场实盘部署支持 Python/C/CPU/GPU 等多种部署方式仓库按 Apache 2.0 协议开源Python 基线版本为 3.8x86_64 平台Apple Silicon 用户建议按各子项目 README 中的 conda 安装说明操作。仓库整体结构与目录导航仓库采用根目录 多个egs_*独立子项目的组织方式每个子项目都自带独立的requirements.txt仓库根目录不提供统一依赖文件。核心目录如下ai_quant_trade ├── ai_notes ........... 金融量化交易知识Markdown / Jupyter Notebook 知识体系 │ ├── 资源 ........... 持续收录全网优秀资源 │ ├── 实战 ........... 各类工具、框架、库的使用及踩坑实录 │ └── 热点 ........... 金融市场热点、技术热点、论文解读 ├── docs ............... 本仓库使用说明文档含[常见问题](https://link.gitcode.com/i/a6c7bdb2d8779a1f82ebdba142a2a153)等 ├── egs_aide ........... 辅助操盘工具[看盘神器](https://link.gitcode.com/i/7749f33380d08cb64c3557af2a614eee) 等 ├── egs_alpha .......... 因子库 因子挖掘 ├── egs_data ........... 数据获取及处理Wind / 开源工具 ├── egs_fin_nlp ........ 文本分析情感分析等 ├── egs_llm ............ 大模型应用股价预测 / 金融分析 ├── egs_online_platform 在线投研平台策略优矿 / 聚宽 ├── egs_trade .......... 本地量化炒股策略 │ ├── paper_trade .... 实盘模拟Wind万得 │ ├── rl ............. 强化学习炒股 │ ├── ms_qlib ........ 微软Qlib框架 │ └── vanilla ........ 传统规则类策略 ├── quant_brain ........ 核心算法库 ├── runtime ............ 模型部署和实际使用 ├── tools .............. 辅助工具 └── README.md从目录结构可以看出仓库把知识ai_notes— 策略egs_trade— 数据egs_data— 文本分析egs_fin_nlp— 大模型egs_llm— 工具egs_aide— 资源a_全网优秀资源完整串成了一条量化学习与实战链路。每个egs_*/子项目还附带各自的使用说明和原理讲解文档。快速开始与依赖管理克隆与安装仓库暂未封装为 Python 包使用方式是克隆整个项目后进入各egs目录查看详细说明# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/ai/ai_quant_trade.git # 2. 进入对应子项目安装该项目的独立依赖根目录不再有统一 requirements.txt cd egs_trade/vanilla/double_ma pip install -r requirements.txt # 3. 按照该项目自身的 README 开始使用注意仓库根目录没有全局依赖文件请务必先进入目标子项目目录再安装依赖。依赖升级日志与迁移注意事项README 中专门保留了Dependency Upgrade Log依赖升级日志章节记录影响终端用户的技术栈变更完整版本历史见 docs/CHANGELOG.md。这部分对想要运行旧代码的读者极其关键例如 2026-10-01 进行的大版本升级CVE 扫描 gym 迁移项目包升级前升级后原因egs_trade/rl/a001_proto_sb3torch1.13.12.7.1关键 CVE-2024-31580torch.load RCEegs_trade/rl/a001_proto_sb3stable-baselines31.6.22.5.0SB3 ≥2.0 原生使用gymnasiumegs_trade/rl/a001_proto_sb3gym0.21移除由gymnasium0.29.1 替代egs_trade/rl/a001_proto_sb3gymnasium—0.29.1新增依赖egs_trade/rl/a002_finRL_tutorialtorch1.13.12.7.1关键 CVE-2024-31580egs_trade/rl/a002_finRL_tutorialstable-baselines31.7.02.5.0SB3 ≥2.0 原生使用gymnasiumegs_llm/.../a04_traintorch2.4.0cu1212.7.1反序列化 / 资源类 CVEegs_llm/.../a04_traintransformers4.51.34.56.2高优 ReDoS、Trainer RCEegs_llm/.../a04_trainaccelerate1.6.01.10.1高优不完整清理egs_llm/.../a04_trainprotobuf3.20.36.31.1高优解码器堆溢出gym → gymnasium 迁移要点自定义环境改造时必读改为import gymnasium as gym与from gymnasium import spacesstep()需返回obs, reward, terminated, truncated, inforeset()需返回obs, info并接受seed参数将metadata {render.modes: [...]}改名为metadata {render_modes: [...]}。可参考已迁移的示例实现 StockTradingEnv0.py。每个受影响项目都附有run_e2e.py冒烟测试作为回归基线升级后可执行验证# RL 项目a001 cd egs_trade/rl/a001_proto_sb3 python run_e2e.py # RL 项目a002 / finRL 教程 cd egs_trade/rl/a002_finRL_tutorial/a01_Stock_NeurIPS2018 python run_e2e.py # LLM 项目a04 — 需 GPU ≥16 GB cd egs_llm/a01_train/a01_unsloth_stock_forcaster/a04_train python run_e2e.py本地量化策略实践代码目录为 egs_trade每个实例均配备从原理、使用到代码解读的完善教程。策略分两大类类别策略状态 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、大模型✅ / 传统策略规则类策略双均线、投资组合管理等✅强化学习策略以目标为导向的交易决策目录为egs_trade/rl。README 指出自 2017 年 AlphaGo 与柯洁围棋大战之后深度强化学习大火。与机器学习、深度学习相比RL 以最终目标为导向以交互作为目标而很多其他方法考虑的是孤立的子问题如股价预测、大盘预测、交易决策不能直接获得交互动作RL 直接面向完成命令者的任务能产出一连串动作序列。策略列表序号策略论文1原型—2FinRL教程0-NeurIPS2018Practical Deep Reinforcement Learning Approach for Stock Trading回测结果序号策略市场年化收益最大回撤夏普率1原型中国A股———2FinRL教程0-NeurIPS2018美股道琼斯3053.1%-10.4%2.17以 RL 原型 为例它的核心设计可以拆解为三个要素源码见其 README 与 StockTradingEnv0.py观测Observation策略网络观测股票的开盘价、收盘价、成交数量等参数。由于成交量/成交金额可能是百万甚至千万量级训练前必须对状态归一化到[-1, 1]区间保证网络收敛。观测字段覆盖 date、code、open/high/low/close、preclose、volume、amount、adjustflag、turn、tradestatus、pctChg、peTTM、psTTM、pcfNcfTTM、pbMRQ 等行情与估值指标。动作Action交易共有买入、卖出、保持3 种操作动作定义为长度为 2 的数组action[0]为操作类型1买入action[1]、2卖出action[1]、3保持action[1]表示买入/卖出百分比当action[0]3时action[1]无实际意义Agent 会在训练中自行学到这一信息。奖励Reward以当前盈利作为奖励函数即当前本金 股票价值 - 初始本金 利润。为使网络更快学到盈利策略当利润为负时给予较大惩罚-100。由于动作输出连续采用策略梯度类算法如 PPO。环境安装与运行方式为创建 conda 环境conda create -n rl_stock python3.8安装requirements.txt依赖baostock 提供免费开源证券数据执行python main.py即可自动下载训练/测试数据并模拟单股与多股交易数据获取代码位于src/data_io/baostock/get_stock_data.py可单独运行下载约 20 分钟的历史数据按 README 描述1990-01-01至2019-11-29为训练集末尾 1 个月为测试集。传统策略双均线 简易手写回测框架双均线策略 简易手写回测框架 是入门量化的经典范例包含策略代码、自建纯手写回测框架与标注买卖点的绘图目标是借此理解量化交易完整框架的构建方式详细教程见 文档教程。运行方式配置在 double_ma.yaml 中python back_tester.py --debug_off \ --config conf/double_ma.yaml配置文件中几个关键参数的含义与取值范围如下数据引擎与时间范围data_source/data_condition数据源默认tushareskip_download: True表示已下载到本地则跳过benchmark可设000001.XSHG上证综指或000300.XSHG沪深300tushare 未付费时基准数据不可用stock_lst为股票列表如[000001.SZ, 600000.SH]start_time/end_time设定回测区间time_freq: daily为频率。回测条件test_conditionbase_rate: 0.04为无风险利率可理解为银行存款利率capital: 100000为可用总资金ma_short: 10、ma_long: 20为短/长均线参数。交易成本order_costclose_tax: 0.001卖出印花税、open_commission: 0.0003与close_commission: 0.0003买卖手续费、min_commission: 5单笔最低手续费、slippage_fee与slippage_type滑点、trade_lim: 100一手 100 股买卖按整手计。回测框架拆分为src/back_test账户信息、费用计算、风险指标、交易控制、src/data_io行情数据接口、src/portfolio资金分配、src/rules均线择时规则与src/tools/plotsK 线买卖点绘图并配套tests/test_all.py与run_e2e.py验证。README 中给出的示例运行结果为 total_returns 0.0979、年化收益 0.0514、夏普 0.0266、最大回撤 -0.1526 等可作为跑通后的对照基准。此外投资组合管理 7 节教学 覆盖从风险收益基础、金融数据整理、启发式选股到均值方差优化、夏普率优化、带约束组合优化的完整体系。实盘模拟Wind 本地实盘Wind本地实盘模拟双均线策略 利用 Wind 软件实现实盘模拟。Wind 常作为各大金融机构的首选数据源价格较高因此该模块主要面向机构用户代码含src/data_io/wind账号登录、实时数据查询、src/rules/timing_ctrl/moving_average.py均线择时等并配套 README 与测试。辅助操盘工具Excel 看盘神器 V2代码目录为 egs_aide包含三件工具利用EXCEL看盘 V1看盘不易被发现、可自定义盯盘股票、利用 Excel 快速计算和处理数据上班摸鱼炒股神器 V2模块化盯盘系统最新Streamlit实时行情监控基于 Web 的实时行情看板。V2 把 V1 的单文件小玩具升级成了真正能用的模块化盯盘系统核心能力如下详细实现见 看盘神器V2 README️架构重构从单文件升级为模块化excel_monitor包采用 Sheet Handler 模式每个 Sheet 刷新互相隔离一个挂掉不影响其他预警监控自定义涨跌幅/价格上下限触发后整行变红 弹窗提醒K 线图Excel 里点按钮即画 K 线mplfinance 蜡烛图 均线无需切换软件资金情绪新增 Sheet 聚合北向资金 微博舆情 新闻情绪 股吧热门多数据源股票池选股内置全 A 股支持代码/名称/拼音首字母模糊搜索 下拉框直接选多源 fallbackqstock 主源 akshare/东财/腾讯/网易/efinance 备选源单个挂了自动切换⚙️配置热重载YAML Excel配置Sheet自选股/刷新间隔在 Excel 里改完热生效无需重启开箱即用 单测一条命令自动生成 7 个 Sheet 的 Excel 模板pytest 覆盖核心逻辑 156 项可长时间稳定运行。使用步骤# 1. 安装依赖qstock 依赖较大推荐国内镜像 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host pypi.tuna.tsinghua.edu.cn # 2. 首次运行生成 Excel 模板自动生成 7 个 Sheet 与示例自选股 python main.py --generate-template # 3. 在详细行情与个性定制看盘Sheet 填入股票代码可用股票池Sheet 模糊搜索/下拉框 # 并在个性定制看盘设置预警条件涨跌幅上下限、价格上下限留空不监控 # 4. 启动程序 python main.py # 5. 改配置不用关程序直接在 Excel配置Sheet 修改每隔 N 次刷新自动重载热生效主要依赖xlwings操作 Excel、qstock主行情源、akshare/efinance/requests备选数据源、mplfinanceK线图、pyyaml配置、openpyxl生成模板。核心架构见 src/excel_monitormain.py 主入口加载配置 → 初始化 → 刷新循环 ├── config.yaml YAML 配置默认值 ├── 看盘模板.xlsx Excel 交互界面含配置Sheet 热修改 └── src/excel_monitor/ ├── config_loader.py 配置加载YAML → AppConfig ├── core/ │ ├── excel_manager.py Excel 操作封装读写/高亮/图片/按钮 │ ├── data_provider.py 多源数据封装qstock 主源 fallback │ ├── backup_sources.py 备选数据源适配器akshare/东财/腾讯/网易/efinance │ ├── stock_pool.py 股票池管理拉取/缓存/模糊搜索 │ ├── config_sheet_reader.py 从 Excel配置Sheet 读取配置 │ └── alert_checker.py 预警检查器纯逻辑可测试 ├── sheets/ │ ├── base.py Sheet Handler 抽象基类 │ ├── market_overview.py 大盘 Sheet │ ├── detailed_quotes.py 详细行情 Sheet │ ├── news_sheet.py 新闻 Sheet │ ├── custom_watch.py 个性定制看盘 Sheet预警 K线 │ ├── sentiment_sheet.py 资金情绪 Sheet北向/舆情/股吧 │ └── stock_pool_sheet.py 股票池 Sheet搜索 下拉框 └── utils/ ├── kline_chart.py K 线图绘制mplfinance └── template_generator.py Excel 模板自动生成几个技术难点的实现思路Sheet Handler 模式每个 Sheet 抽象成 Handler继承BaseSheet只需实现init()初始化加载仅执行一次与refresh()刷新数据每次循环调用两个方法主循环对每个 Handler 单独 try/except实现刷新隔离。Excel 在线刷新通过xlwings实现统一封装进ExcelManagerwrite_df写表、highlight_row高亮等Excel 处于打开编辑状态时程序会自动打开另一个只读副本。预警监控用户在预警列填阈值程序每次刷新检查触发后整行变红 弹窗。AlertCondition是纯数据类涨跌幅/价格上下限留空表示不监控该指标AlertChecker.check()为无副作用静态方法便于单元测试。Excel 内画 K 线用mplfinance绘图后插入图片采用双模式触发——首选注入 VBA 宏按钮点击写入DRAW信号若 VBA 注入失败权限/格式限制则降级为轮询模式在 D21 单元格输入DRAW下次刷新自动画图。配置热重载三层配置config.yaml默认值 → Excel配置Sheet 覆盖 YAML → 自选股/预警条件直接在对应 Sheet 改每隔 N 次刷新自动重载。多源 fallbackDataProvider内部 fallback 链为 qstock → akshare → tencent → eastmoney → efinanceBackupSources通过rename映射把各源字段对齐到 qstock 风格调用方无需感知差异备选源可通过config.yaml的enabled_backup_sources按需开关。资金情绪 Sheet聚合北向资金akshare、微博舆情akshare、新闻情绪akshare、股吧热门eastmoney四块数据互相独立、单块失败不影响其他块写入。股票池选股数据来自 aksharestock_info_a_code_name()轻量接口仅代码名称efinance 作备选拉取后缓存为本地 JSON 秒级启动缓存超 N 天自动刷新失败用过期缓存保底模糊搜索支持代码前缀600、名称包含平安、拼音首字母pa三种大小写不敏感匹配。V2 相对 V1 的完整对比代码结构、配置方式、模板生成、预警、K线、刷新隔离、异常处理、数据源、资金情绪、选股方式、盘口异动、单元测试、稳定性可参见其 README 中的对比表。因子挖掘与因子库代码目录为 egs_alpha。因子挖掘策略序号策略论文1机器学习自动挖掘5000个因子及股票趋势预测—因子库序号因子库1alpha101101 Formulaic Alphas 公式化 Alpha附两套 Python 实现与论文 PDF2stockstats3ta_lib以 tsfresh 自动因子挖掘 为例详见其 README利用 tsfresh 工具包在时间序列上自动提取特征仅用股票高开低收 4 组数据即可提取 5000 特征。tsfresh 是面向时间序列的特征工程工具能自动从时间序列中提取 100 多个特征并提供稳健的特征选择算法与特征重要性评估方法。原理上分为两条路线一是feature_extraction.feature_calculators模块提供的衍生规则平方和、一阶差分绝对和等统计指标可直接调用二是自动化特征工程大量衍生规则 与 Y 的相关性筛选支持 multiprocessing 并行。需要注意的是一次性衍生过多特征内存开销大推荐用chunk参数分批加载或自行指定部分衍生规则。仓库中还提供了配套的 Jupyter Notebook使用tsfresh自动构造因子.ipynb便于实操。数据处理与文本分析多源数据获取代码目录为 egs_data提供各类常见数据源使用详解与统一数据源接口覆盖股票、基金、宏观经济、新闻、期货、加密货币等市场股票侧包含 akshare、baostock含批量下载脚本、tushare、eastmoney、tencent、netease、efinance、qstock、qlib、yfinance、Wind 等宏观经济侧有 fred、world_bank新闻侧有 finnhub、gdelt、xueqiu 等加密货币侧有 ccxt、cryptocompare。每个子目录均含 README、示例脚本*_demo.py与requirements.txt其中看盘神器 V2 的多源 fallback 设计正是借鉴了这些数据源的访问方式。StructBERT 市场情绪分析代码目录为 egs_fin_nlp提供 StructBERT市场情绪分析利用 StructBERT 对财经行文财联社新闻、市场快讯做情感分析输出正面/负面概率。数据获取使用qstock模型来自 ModelScope 的中文情感分类模型。原理简介BERT 采用双向多层 Transformer 结构关注上下文并基于上下文预测掩蔽词StructBERT 在 BERT 基础上整合结构化信息——词级顺序与句级策略新增两个目标函数对一定量 token 打乱顺序并预测正确顺序词结构目标以及随机交换句子顺序、预测上一句和下一句句结构目标因为 BERT 的预测下一句准确率已达 97-98%任务过于简单。通过结构化预训练StructBERT 能更好地建模词句依赖关系。模型结构方面StructBERTBase 为 L12, H768, A12约 110M 参数StructBERTLarge 为 L24, H1024, A16约 340M 参数情感分类模型基于 structbert-base-chinese 在 bdci、dianping、jd binary、waimai-10k 四个数据集11.5 万条上微调得到利用[CLS]位做二分类。注意输入文本需限制在 300 字符以内可改配置文件放宽。大模型应用代码目录为 egs_llm包含两个代表性项目序号工具1大模型金融市场分析2Unsloth推理型股价预测模型训练其中 Unsloth 推理型股价预测大模型 是最新重点详细教程见 egs_courses/01_推理型股价预测大模型训练教程.md。其核心原理是给定新闻信息模型给出推理性分析解释并给出股价预测——推理数据由 DeepSeek-R1 蒸馏而来模型基于 Unsloth-Qwen3-0.6B-bnb-4bit 做 4-bit LoRA 微调单卡 8 分钟即可完成训练。按 README 中给出的 500 个测试集效果LoRA 微调 49%、原版 Qwen3-0.6B 47.4%、DeepSeek-R1 45.6%1000 样本全量测试DeepSeek-R1 44.3%、0.6B LoRA 49.9%。项目目录分为 5 个阶段按顺序执行、各目录自带requirements.txta01_download_mdl模型下载提供 hf_mirror / modelscope 下载脚本a02_download_data数据下载数据集为 IDEA-FinAI/Finance-R1-Reasoning1000 条训练集 1000 条测试集a03_data_process数据处理将 instruction/input/think/output 列转换为conversations多轮对话格式user 拼装###新闻###与###任务###assistant 输出think.../think推理 涨跌结论a04_train模型训练训练环境要求 pytorch-cuda 11.8/12.1、python 3.10/3.11/3.12README 提示 CUDA 11.8 测试无法工作需大于 12训练采用FastLanguageModel.from_pretrained(load_in_4bitTrue)get_peft_modelr32、lora_alpha32、unsloth 梯度检查点、rsloraSFTTrainer配置a05_test模型测试通过提取结果中的[上涨]/[下跌]标签计算准确率包含单测与推理引擎说明。模型训练还支持 Ollama 部署ollama run hf.co/unsloth/Qwen3-8B-GGUF:Q4_K_XL默认地址 127.0.0.1:11434并给出了未来的改进方向剔除无新闻样本、加入股价数据、周/月级新闻聚合、引入强化学习、加入回测框架等。全网优秀资源宝库a_全网优秀资源目录 a_全网优秀资源 是 README 标注的重点推荐版块从全网海量资料中筛选、整理并点评的优质量化资源按量化交易全流程分类。与本仓库其他版块的分工版块定位特点a_全网优秀资源⭐实战资源整合收录全网优秀项目附点评与对比egs_trade完整策略实战从0到1的策略实现教程egs_llm大模型应用LLM 在金融的落地实践ai_notes知识笔记理论、概念、踩坑实录四大特色优中选优避免重复踩坑、分类清晰按数据→策略→回测→交易全流程分类、含点评解读附优缺点分析与上手指南、持续更新。资源分类一览序号类别核心内容00_基础知识入门学习股票学习指南、入门教程00_学习资源资源汇总GitHub量化资源、开源项目汇总01_数据数据获取数据获取工具、新闻数据、多模态数据️02_综合框架主流量化框架Qlib、WonderTrader 等详解03_回测框架回测工具Backtrader、PyAlgoTrade、Zipline、RQAlpha、QuantDigger 等⛏️04_因子因子库Alpha101、ta_lib、stockstats、alphalens 等05_交易策略策略资源传统/机器学习/深度学习/强化学习/图神经网络/研报复现/投资组合️06_辅助工具辅助工具K线形态识别、金融建模07_可视化可视化库量化图表与可视化08_知识图谱知识图谱传统方案与大模型方案⚡09_高频交易高频交易加密货币高频交易10_大模型LLM 金融应用FinGPT、FinRobot、TradingAgents、Agent、RAG、Skill包等11_投研平台在线平台免费量化平台汇总12_交易平台交易接口EasyTrader、VNPy 等重点推荐内容大模型在金融的应用FinGPT、FinMem、Self-Reflective、Stock-chain、TradingAgents、FinRobot 等最新研究与实战、Skill 包合集60缠论、技术分析、量化统计、基本面分析、加密货币、宏观分析等专业 Skill、回测框架多维对比、研报复现精选券商研报附复现代码、交易策略全套从传统双均线到强化学习、图神经网络。在线投研平台与量化资源集合聚宽等在线平台国内量化平台聚宽、优矿、米筐、果仁、BigQuant 等是为宽客量身打造的云平台提供免费股票数据获取、精准回测、实盘接口、易用 API 文档与由易入难的策略库。仓库在 egs_online_platform/聚宽_JoinQuant 中提供函数分解说明、模板与策略源码注意该部分代码仅能在聚宽平台运行。README 中收录了若干聚宽策略的回测表现仅代表所述回测段未经全周期调优验证实盘使用请慎重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%仓库内对应代码见 egs_online_platform/聚宽_JoinQuant/03_模拟盘及实盘股票规则类小市值多均线、强势股趋势预测、龙虎榜均线、龙虎榜震荡区间过滤机器学习类SVM 动态因子选择策略与 02_股票分析研究龙虎榜数据、数据获取与图形分析、LGB、SVM 选股等 Notebook。量化资源集合仓库将全网量化工具重新分类并点评收录在 ai_notes 文件夹含知识理论、因子、选股、择时、财报、回测与风险指标等体系化笔记以及 坑点汇总 中是否引入未来信息特征和标签时间一致性等实战踩坑记录并持续完善工具点评、优缺点对比表与最常用功能的使用说明。配套资源、FAQ 与引用常见问题请参考 docs/02_常见问题含 Python 包依赖问题、Github 问题、numpy 版本问题等。环境配置docs/01_环境配置 提供 Windows GPU 环境、conda/mini_conda 安装与国内源配置、Python 环境配置等指南。在线部署docs/04_website_deployment 提供 Cloudflare Pages 部署与发布操作指南。更新记录仓库维护 update_log.md 追踪更新历史依赖版本完整历史见 docs/CHANGELOG.md。引用如需在论文/报告中引用该仓库README 提供了 BibTeX 条目作者 Yi Li标题 ai_quant_trade年份 2022。小结ai_quant_trade的价值在于学习资料 可运行代码 资源导航三位一体egs_trade下的双均线回测框架与强化学习原型让你从零搭建量化系统egs_aide的看盘神器 V2 提供了 Excel 交互、预警、K 线、多源 fallback 的完整盯盘方案egs_alpha、egs_data、egs_fin_nlp、egs_llm分别覆盖因子挖掘、数据获取、文本分析与大模型训练而a_全网优秀资源则按量化全流程整理了外部高质量资料。使用建议是先读 README.md 与对应子项目 README进入目标目录安装独立依赖再用run_e2e.py验证环境最后按教程逐步深入。本文所引策略收益均来自仓库 README 记载的回测结果任何策略都无法保证全周期有效实盘使用请务必谨慎验证。赞分享金融科技示例工程【免费下载链接】ai_quant_tradeStock AI Trader: 1-stop platform for learning, sim live trading. Covers: stock basics, strategies, LLMs, factor mining, ML/DL/RL, graph nets, HFT, C deploy JoinQuant code. 股票AI操盘手一站式学习、模拟、实盘平台。涵盖股票基础、策略、大模型、因子挖掘、机器学习/深度学习/强化学习、图网络、高频交易、C部署及聚宽代码。项目地址https://gitcode.com/gh_mirrors/ai/ai_quant_trade点击查看免费下载相关推荐Stetho-Realm 项目常见问题解决方案Stetho Realm 项目常见问题解决方案 项目基础介绍 Stetho Realm 是一个用于将 Realm 数据库内容显示在 Stetho 中的模块。St金融科技示例工程AI量化交易操盘手C部署与GPU加速的实战技巧AI量化交易操盘手C部署与GPU加速的实战技巧 AI量化交易操盘手项目是一个集股票知识学习、策略实例演示、因子挖掘、传统策略、机器学习、深度学习、强化学习金融科技示例工程实战指南如何运用EMANet实现高效语义分割解决复杂场景识别挑战实战指南如何运用EMANet实现高效语义分割解决复杂场景识别挑战 EMANet期望最大化注意力网络通过创新的期望最大化注意力机制在图像语义分割领域实现了上一篇SimpleRemote开发解析核心组件如何实现多协议远程控制下一篇代码检索新范式OASIS-1.3B凭什么刷新8项行业基准创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考