网站导航
> 技术文档 > 【GitHub项目推荐--AI 股票量化交易工具】【转载】_tradingagent github

【GitHub项目推荐--AI 股票量化交易工具】【转载】_tradingagent github

网友: 技术文档 2025-07-30 10:37:24

01 微软开源：量化投资神器 Qlib

微软开源 AI 量化投资神器 Qlib，这是一个专为 AI 量化投资设计的工具包，由微软亚洲研究院开发。目前在 GitHub 上已经获得了 17.5K 的 Star 。

不仅融合了前沿的机器学习技术，还覆盖了从数据挖掘到策略落地的全流程，堪称金融科技领域的“瑞士军刀”。

① 高效的数据管理与处理：

Qlib 提供了统一的数据接口，能够轻松地加载各种金融数据（如股票、期货、外汇等）。数据可以进行灵活的清洗、转换和特征工程，以便进行进一步的模型训练。

② 支持机器学习和深度学习模型：

Qlib 提供了各种常见的量化模型、机器学习算法和深度学习框架，用户可以基于这些框架开发自己的量化策略。

它还支持诸如 XGBoost、LightGBM 等流行的机器学习模型，以及深度学习模型（如 LSTM、CNN 等）。

③ 回测和策略评估：

具有内置的回测引擎，用户可以在历史数据上验证量化策略的表现，评估其风险、收益等关键指标。

Qlib 允许用户灵活设置回测的参数，并可视化策略的历史表现。

开源地址：https://github.com/microsoft/qlib

累计回报

报告

    02 国内较火的量化交易框架vnpy

    一个基于 Python 的开源量化交易框架，自 2015 年发布以来，已成为国内用户最多的量化金融开源项目之一。目前在 GitHub 上获得了 28.4K 的 Star 。

    覆盖期货、股票、期权、外汇、数字货币等多种金融市场。其设计注重高性能与可扩展性，支持从策略开发、回测到实盘交易的全流程。

      开源地址：https://github.com/vnpy/vnpy

      ① 丰富的交易接口：支持国内外主流交易所（如 CTP、富途、币安等）等40+ 交易接口，提供统一的 Gateway 接口，便于对接不同交易系统。

      ② 事件驱动架构：通过多线程事件引擎（event模块）实现异步处理，确保实时交易与数据处理的效率。

      ③ 内置策略与工具：提供技术指标计算、K线合成、策略回测（CtaBacktesting模块）及参数优化（遗传算法/穷举法）功能。

      ④ 数据管理：集成 MongoDB 数据库支持（database模块），支持历史数据导入与实时数据记录。

      03 微软最新开源的的 RD-Agent 

      微软最新开源的的 RD-Agent 是一个专注于自动化工业研发流程的开源项目，在数据驱动的量化交易场景中表现还不错。

      在金融领域，RD-Agent 通过整合“研究（R）”与“开发（D）”的闭环，实现了量化因子与模型的自动迭代进化。

      例如，用户可通过命令 rdagent fin_factor 启动自动化因子生成流程：系统基于历史数据提出新因子假设，结合Qlib框架进行回测验证，并通过强化学习筛选高收益因子，持续优化投资策略。

      构建了“数据-想法-代码-验证”的完整自动化链路。其底层框架支持实时监控策略表现，当模型收益衰减时，Agent 会自动触发因子/模型的重新生成与测试，形成自我迭代的智能投研体系。

      这种将LLM的认知能力与量化系统工具链深度结合的模式，为高频、动态的金融市场提供了可扩展的自动化解决方案。

      开源地址：https://github.com/microsoft/RD-Agent

      04 另一个开源量化交易框架Abu

      Abu 是一个基于 Python 的开源量化交易框架，由开发者团队 bbfamily 维护，旨在为股票、期权、期货、比特币等金融资产提供全面的量化交易解决方案。

      项目结合传统量化策略与机器学习技术，强调智能化策略优化和实盘交易适配性，适用于从普通投资者到专业量化研究者的广泛用户群体。

      开源地址：https://github.com/bbfamily/abu

      ① 多市场支持：支持美股、A股、港股、期货、期权、比特币、莱特币等多种投资标的，覆盖主流金融市场。

      ② 机器学习驱动的策略优化：通过 AI 技术（如物理模型组、多巴胺生物模型组、量化形态模型组）对策略进行智能优化，提升实盘表现。系统内置数百种子策略，通过遗传淘汰机制不断自我学习和分裂，生成近 2 万种衍生策略。

      ③ 理论与技术融合

      理论体系：整合缠论、波浪理论、谐波理论及经典技术指标（如头肩形态、三角整理、均线系统等）。  

      量化模型：包含上百种细分模型，如金融时间序列损耗模型、多空形态组合评定模型、趋势角度变化率模型等，从多维度分析市场。

      ④ 策略开发与回测

      择时策略：支持自定义买入/卖出信号生成，结合止盈止损、滑点计算、手续费管理等功能。  

      多资产回测：提供 A 股（处理涨跌停）、港股、加密货币等市场的回测工具，支持并行计算加速。  

      参数优化：通过网格搜索（Grid Search）寻找最优参数，支持自定义评分机制评估策略表现。

      05 AI量化交易平台，支持策略学习与实盘操作ai_quant_trade

      此平台提供从学习、模拟到实盘的一站式AI量化交易服务，涵盖因子挖掘、机器学习、深度学习和强化学习等策略，配备辅助操盘工具。详细教程和多种策略案例适合机构和个体投资者，支持高频交易和股票推荐。最新功能包括StructBERT市场情绪分析、强化学习交易和机器学习自动挖掘因子。

      项目介绍：AI量化交易平台

      简介

      AI量化交易平台是一个全面而强大的股票交易项目，旨在为不同背景的投资者提供便捷的量化交易解决方案。无论是金融机构还是个人投资者，该平台都能够提供从学习到实盘交易的一站式方案。项目以丰富的策略、工具和教学资料为特色，涵盖了因子挖掘、机器学习、深度学习、图网络、高频交易等现代化炒股方法。

      使用说明

      项目目前没有封装为Python包，用户需要下载整个源码并自行配置运行环境。具体使用步骤如下：

      1. 安装必要的库：

        pip install -r requirements.txt

      2. 阅读egs文件夹下的文档，并运行相应的案例。

      本地量化平台

      本地量化平台板块收集了多种策略，投资者可以在本地搭建独立的交易系统。主要策略包括：

      • AI策略
        • 强化学习（例如NeurIPS2018股票交易策略）
        • 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
      强化学习策略

      强化学习策略以目标导向的方式进行股票预测，与机器学习不同，它能直接生成交易指令。该策略基于2017年的AlphaGo技术，适用于复杂的金融市场。

      图网络策略

      图网络策略尚在开发中，旨在通过解析股票之间的复杂关联关系，整合股票、新闻和市场情绪数据，精确预测市场动态。

      深度学习与机器学习策略

      深度学习自从2012年在图像识别领域取得突破后，已广泛应用于市场预测。机器学习则凭借其数据依赖少、速度快的优势在算法交易中仍有广阔的应用空间。

      高频交易与传统策略

      高频交易策略尚在构建中。传统策略如双均线等策略，操作性强，适合初学者与策略叠加应用。

      实盘交易

      • 实盘模拟：提供的工具包括Wind本地实盘模拟等，帮助用户在真实市场环境中进行策略验证。

      辅助操盘工具

      包含自定义盯盘工具，助力投资者更好地把握市场机会。

      因子挖掘

      项目结合机器学习技术，自动挖掘数千个股票因子，提升股票趋势预测准确度。同时，提供多种因子库如alpha101、stockstats等。

      数据处理

      详细介绍如何获取和处理各类股票数据，并提供统一的接口标准，确保数据处理的高效性和一致性。

      文本分析

      文本分析模块如StructBERT市场情绪分析工具，帮助投资者从新闻和市场舆论中提炼有价值的信息。

      AI实践指南

      项目也涵盖了广泛的学习资料包括从基础编程到高级AI技术的全栈教学知识库。AI实践指南独立同步至ai_wiki仓库，提供各种投资与AI相关的实用资源。

      在线投研平台

      国内多个在线投研平台如聚宽等是量化投资者验证策略的好选择。该项目提供相关策略的详细实现和使用指导。

      支持与交流

      项目欢迎用户通过GitHub Discussions参与讨论，也可通过GitHub Issues提交技术支持请求，以便项目不断发展完善。

      项目引用

      如果在研究或项目中使用了本代码库，请按照上述引用格式描述，以示对作者工作的尊重与支持。

      开源地址：GitHub - charliedream1/ai_quant_trade: 股票AI操盘手：从学习、模拟到实盘，一站式平台。包含股票知识、策略实例、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、C++部署和聚宽实例代码等，可以方便学习、模拟及实盘交易

      06 本地量化交易方案QUANTAXIS

      QUANTAXIS 是一个本地量化交易的解决方案，支持任务调度、分布式部署，国内很多投资者和量化开发者都在使用，目前在 GitHub 上已经获得了 8.7K 的 Star。

      这个开源量化金融策略框架，集成了数据获取、清洗存储、分析回测、可视化及交易复盘全流程，支持多市场（股票、期货、期权、外汇等）和多语言协作。

      为中小型团队提供了全流程本地化解决方案，并具备活跃的开发者社区和持续更新的开源生态。

      开源地址：https://github.com/yutiansut/QUANTAXIS

      07 量化交易回测框架Backtrader

      Backtrader 这个框架在 GitHub 上获得了 17K 的 Star，这是一个基于 Python 的开源量化交易回测框架，功能丰富、灵活易用。

      这个框架的关注点在策略回测和实盘交易，使用这个框架你能对接 CSV、数据库等数据源或者对接一些实时交易的接口（Interactive Brokers、Oanda 等）进行策略回测和实盘交易。

      这样你就能把精力放在交易策略逻辑上，而不是底层基础建设上了。提供直观的 API 设计，用户可通过编写策略类快速实现交易逻辑。

      image

      非常给力啊。

      这个开源项目要配合下面这个学习开源笔记，这个笔记是使用中文详细整理的 Backtrader 教材。

      系统性介绍了这个框架的特性、策略构建、数据结构、回测交易等，彻底掌握量化神器的使用方法。

      开源地址：https://github.com/mementum/backtrader教材：https://www.backtrader.com/home/helloalgotrading/教程：https://github.com/jrothschild33/learn_backtrader

      08 ai-hedge-fund

      AI Hedge Fund 一个概念验证项目，目标是探索人工智能在交易决策中的应用。

      该项目通过模拟多种投资策略的智能代理（agents），进行股票分析和交易决策。项目仅用于教育和研究目的，不适用于实际交易或投资。

      ​

      主要功能

      1. Ben Graham Agent - 价值投资教父，只买有安全边际的隐藏宝石
      2. Bill Ackman 代理人 - 激进投资者，采取大胆的立场并推动变革
      3. Cathie Wood Agent - 成长型投资女王，相信创新和颠覆的力量
      4. 查理芒格经纪人 - 沃伦·巴菲特的合作伙伴，只以公道的价格购买精彩的企业
      5. Michael Burry 经纪人 - 寻找深度价值的大空头逆向者
      6. Peter Lynch 代理人 - 在日常业务中寻求“十倍”的实用投资者
      7. Phil Fisher Agent - 一丝不苟的成长型投资者，使用深入的“scuttlebutt”研究
      8. Stanley Druckenmiller 经纪人 - 寻找具有增长潜力的不对称机会的宏观传奇人物
      9. Warren Buffett 代理人 - 奥马哈的神谕，以合理的价格寻找优秀的公司
      10. 估值代理 - 计算股票的内在价值并生成交易信号
      11. Sentiment Agent - 分析市场情绪并生成交易信号
      12. Fundamentals Agent - 分析基本数据并生成交易信号
      13. Technicals Agent - 分析技术指标并生成交易信号
      14. Risk Manager - 计算风险指标并设置头寸限制
      15. 投资组合经理 - 做出最终交易决策并生成订单

      免责声明

      • 不用于真实交易或投资
      • 不提供任何保证或担保
      • 过去的表现并不代表未来的结果
      • Creator 对经济损失不承担任何责任
      • 咨询财务顾问进行投资决策

      使用此软件，即表示您同意仅将其用于学习目的。

      安装和使用

      克隆存储库：

      git clone https://github.com/virattt/ai-hedge-fund.gitcd ai-hedge-fund
      • 安装 Poetry（如果尚未安装）：
      curl -sSL https://install.python-poetry.org | python3 -
      • 安装依赖项：
      poetry install
      • 设置环境变量：
      # Create .env file for your API keyscp .env.example .env
      • 设置 API 密钥：
      # For running LLMs hosted by openai (gpt-4o, gpt-4o-mini, etc.)# Get your OpenAI API key from https://platform.openai.com/OPENAI_API_KEY=your-openai-api-key# For running LLMs hosted by groq (deepseek, llama3, etc.)# Get your Groq API key from https://groq.com/GROQ_API_KEY=your-groq-api-key# For getting financial data to power the hedge fund# Get your Financial Datasets API key from https://financialdatasets.ai/FINANCIAL_DATASETS_API_KEY=your-financial-datasets-api-key

      重要提示：您必须设置 、 、 或 才能使对冲基金工作。如果要使用来自所有提供商的 LLM，则需要设置所有 API 密钥。OPENAI_API_KEYGROQ_API_KEYANTHROPIC_API_KEYDEEPSEEK_API_KEY​

      AAPL、GOOGL、MSFT、NVDA和TSLA的财务数据是免费的，不需要API密钥。

      对于任何其他代码，您需要在 .env 文件中设置 。FINANCIAL_DATASETS_API_KEY​

      实战演习

      场景1：经营对冲基金

      poetry run python src/main.py --ticker AAPL,MSFT,NVDA

      您还可以指定一个标志，以将每个代理的推理打印到控制台。--show-reasoning​

      poetry run python src/main.py --ticker AAPL,MSFT,NVDA --show-reasoning

      您可以选择指定开始日期和结束日期，以便为特定时间段做出决策。

      poetry run python src/main.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

      场景2：运行回溯测试器

      poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA

      您可以选择指定要在特定时间段内进行回测的开始日期和结束日期。

      poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

      入口链接：virattt/ai-hedge-fund: An AI Hedge Fund Team

      09 高性能量化交易平台NautilusTrader

      高性能算法交易平台和回测神器，它能帮助你设计、测试和运行各种交易策略。像一个模拟的交易环境，让你在真实交易前，先用历史数据检验你的策略是否有效。

      开源地址：https://github.com/nautechsystems/nautilus_trader

      速度很快，而且能高效处理大量市场数据，短时间内完成回测。还能更精确地模拟真实交易环境中的各种事件，例如订单执行、市场波动等。

      除此之外 NautilusTrader 提供了丰富的功能，例如技术指标计算（ADX、MACD、RSI等技术分析指标）方便你构建各种复杂的交易策略。 

      10 TradingAgents多代理LLM金融交易框架

      TradingAgents是什么？

      TradingAgents是加州大学洛杉矶分校和麻省理工学院开发的一个金融交易框架，通过分析、讨论和决策来确定股票的买卖时机。系统包含分析师、研究员、交易员和风险管理员等角色，综合考虑财务数据、市场情绪、新闻报道等多方面信息，各角色间通过动态讨论形成全面且合理的决策。例如，部分角色可能认为某股票值得买入，而另一些则认为存在风险，他们通过辩论来达成最佳决策。

      用户可根据自身交易风格和目标，自定义策略，调整各角色行为，甚至添加新角色或功能模块。系统支持实时获取最新市场数据，也兼容缓存数据。TradingAgents基于LangGraph构建，实验中采用o1-preview和gpt-4o模型分别用于深度思考和快速思考任务。

      TradingAgents：一个多智能体交易系统.webp

      TradingAgents核心特点

      • 多角色分工：这个框架里有各种角色，比如基本面分析师、情绪分析师、新闻分析师、技术分析师、研究员、交易员和风险经理等。每个角色都有自己的任务和工具，大家一起合作完成交易。

      • 基本面分析师：看公司的财务报表和行业趋势，找出被低估或高估的股票，判断长期投资价值。

      • 情绪分析师：分析新闻、社交媒体和市场情绪，预测投资者行为对股价的短期影响。

      • 新闻分析师：关注新闻和宏观经济指标，找出可能影响市场的重大事件。

      • 技术分析师：研究历史价格和技术指标，预测未来价格走势，确定交易时机。

      • 研究员：团队里有看多和看空的成员，通过辩论评估投资风险和收益。

      • 交易员：根据分析结果和风险偏好，执行交易决策。

      • 风险经理：实时监控风险，调整策略，确保交易在设定的风险范围内。

      • 沟通方式：结合结构化输出和自然语言对话，避免信息丢失，提高决策效率。

      TradingAgents技术原理

      • 多代理协作：多个智能代理各司其职，同时又能相互协作。

      • 任务分解：把复杂的交易任务拆分成多个小任务，每个角色负责一部分。

      • 自然语言处理：利用LLM处理文本数据，支持代理之间的交流和决策解释。

      • 数据融合：结合结构化和非结构化数据，挖掘更多有价值的信息。

      • 动态决策：根据市场变化实时调整策略，优化表现。

      TradingAgents主要功能

      • 数据收集与分析：收集多种市场数据，为交易决策提供支持。

      • 角色专业化：不同角色处理不同任务，提高决策的科学性。

      • 代理辩论与决策：通过辩论形成全面的交易策略。

      • 风险控制与管理：实时监控风险，确保交易符合风险设定。

      • 可解释性与透明度：用自然语言记录决策过程，方便理解和优化。

      实验结果

      TradingAgents在累计回报、夏普比率等指标上表现优异，累计收益比传统策略至少高出6.1%，最大回撤控制在2%左右，风险控制得很好。

      TradingAgents应用场景

      • 量化交易：实时生成买卖信号，帮助量化交易员快速决策。

      • 资产管理：提供动态资产配置建议，优化投资组合。

      • 个人投资：为个人投资者提供投资建议，帮助识别机会和风险。

      • 金融研究：为分析师提供市场洞察，支持研究报告撰写。

      • 风险投资：帮助评估企业的财务健康和成长潜力，降低投资风险。

      github地址：TauricResearch/TradingAgents: TradingAgents: Multi-Agents LLM Financial Trading Framework

      原文链接：

      4 个牛逼 AI 股票量化交易工具，开源。

      又 3 个 AI 股票量化开源神器，绝了。

      网络标签：

      相关问题