ai_quant_trade 详细部署教程

ai_quant_trade 是一个一站式 AI 量化交易平台，涵盖了从学习、模拟到实盘的完整流程。它集成了大模型、因子挖掘、机器学习、深度学习、强化学习等多种策略，并提供了丰富的辅助工具和资源汇总。

本教程将指导您完成项目的本地部署和基本使用。

1. 系统要求与准备工作

1.1 环境要求

  • 操作系统：Windows、macOS 或 Linux。
  • Python版本：建议 Python 3.8 或更高版本。
  • 网络：访问互联网以下载依赖和数据。

1.2 获取项目代码

首先，将项目克隆到本地：

1
2
git clone https://github.com/charliedream1/ai_quant_trade.git
cd ai_quant_trade

2. 安装依赖

项目依赖项定义在 requirements.txt 文件中。建议在 Python 虚拟环境中安装，以避免包冲突。

2.1 创建虚拟环境 (可选但推荐)

1
2
3
4
5
6
# 创建虚拟环境
python -m venv venv
# 激活虚拟环境 (Windows)
venv\Scripts\activate
# 激活虚拟环境 (macOS/Linux)
source venv/bin/activate

2.2 安装核心依赖

执行以下命令安装项目所需的基础库：

1
pip install -r requirements.txt

注意：部分策略（如强化学习）可能依赖额外的库（如 torch, tensorflow, finrl 等）。当您进入特定策略目录并运行时，根据报错信息单独安装缺失的包即可。

3. 项目结构与使用概览

这是一个大型的代码集合，而非一个封装好的应用程序。您需要根据您的学习或研究目标，进入对应的子目录查看和运行示例。

3.1 核心目录说明

目录 内容
a_全网优秀资源 重点推荐：收录并点评了全网优质的量化资源，是寻找工具和资料的宝库。
ai_notes 量化交易知识笔记，包含资源汇总、实战记录和热点解读。
egs_aide 辅助操盘工具，如“上班摸鱼炒股”神器（Excel盯盘系统）。
egs_alpha 因子库与因子挖掘策略示例。
egs_data 数据获取及处理示例（Wind、开源数据源）。
egs_fin_nlp 金融文本分析，如 StructBERT 市场情绪分析。
egs_llm 大模型在金融领域的应用，如股价预测。
egs_online_platform 在线投研平台（如聚宽、优矿）的策略代码。
egs_trade 本地量化策略，包括传统策略、强化学习、Qlib框架等。

3.2 快速上手示例

例如，要运行一个简单的强化学习策略教程：

1
2
3
cd egs_trade/rl/a002_finRL_tutorial/a01_Stock_NeurIPS2018
# 查看该目录下的 README 文件获取详细说明
# 通常包含运行 python 脚本的命令

4. 运行辅助工具示例：“摸鱼炒股”神器

这是一个基于 Excel 的实时盯盘系统，非常实用。

  1. 进入工具目录：

    1
    cd egs_aide

  2. 查看详细说明：该目录下的 README 文件会详细说明如何配置和启动。通常它会自动生成一个 Excel 文件，您可以在其中设置自选股和预警条件。

  3. 运行主程序：执行相应的 Python 脚本后，系统会实时更新数据并在满足条件时发出提醒。

5. 运行在线平台策略（以聚宽为例）

  1. 进入聚宽策略目录：

    1
    cd egs_online_platform/聚宽_JoinQuant

  2. 查看策略代码：该目录下的 .py 文件包含了可在聚宽平台运行的策略代码。

  3. 在聚宽平台使用：您需要注册聚宽账户，在聚宽的“我的策略”中新建策略，然后将代码复制粘贴进去，并配置相应的回测参数。

注意：该目录下的代码不能在本地直接运行，它是专为聚宽等 SaaS 量化平台设计的。

6. 获取数据（egs_data）

数据是量化的基础。egs_data 目录提供了多种数据源的使用示例：

  • Wind：机构常用的专业数据源，需要安装 Wind 客户端并拥有账号。
  • 开源数据源：如 Tushare、AkShare 等，提供免费（但有调用限制）的股票、基金等数据。

您可以根据自身情况，参考该目录下的示例代码来获取和处理数据。

7. 故障排查与技巧

  • 缺少模块错误 (ModuleNotFoundError)：当运行某个特定策略时，如果提示缺少某个包，使用 pip install <包名> 单独安装即可。
  • 数据源权限问题：部分数据源（如 Tushare）需要注册并获取 token。请参考 egs_data 下的说明进行配置。
  • 性能建议：运行机器学习或深度学习策略时，建议使用具备 NVIDIA GPU 的机器，并安装 CUDA 版本的 PyTorch/TensorFlow 以加速训练。
  • 学习路径建议：强烈建议从 a_全网优秀资源 目录开始浏览，这能帮助您快速了解整个量化生态，并找到最适合您的工具和学习资料。本项目作者也提供了知识星球和微信公众号，可以获取更多视频教程和实战支持。

总结

ai_quant_trade 是一个庞大而全面的量化交易资源库和代码集合。它不是一个开箱即用的“炒股软件”，而是一个用于学习、研究和构建自己量化系统的工具箱。您需要根据您的兴趣（是学习传统策略、强化学习，还是使用大模型）导航到对应的子目录，阅读其 README 文档并运行代码。

建议将本项目视为您的量化知识地图和代码宝典，结合其丰富的资源索引 (a_全网优秀资源)，您可以系统地构建自己的量化交易知识体系。