AI 驱动的量化交易系统：AIQuantAgent
AI 驱动的量化交易系统：多智能体架构，支持舆情/技术/基本面因子、LLM 驱动决策、风控中台与事件驱动回测。默认模拟运行，不进行实盘交易。
·
AI 驱动的量化交易系统：多智能体架构，支持舆情/技术/基本面因子、LLM 驱动决策、风控中台与事件驱动回测。默认模拟运行，不进行实盘交易。
快速开始
git clone <repository-url> cd AIQuantAgent pip install -r requirements.txt
在项目根目录创建 .env，配置 API Key：
# 至少配置一个（多智能体架构依赖） DEEPSEEK_API_KEY=sk-xxx # 或 OPENAI_API_KEY=sk-xxx # 或 OPENROUTER_API_KEY=sk-or-v1-xxx # 用于 Gemini 等
运行主流程：
python main.py python main.py --symbol BNB # 指定单币种 python main.py --legacy # 使用旧版策略注册表流程
系统架构图
多智能体架构（当前主流程）
┌─────────────────────────────────────────────────────────────────────────────┐
│ main.py (主入口) │
└─────────────────────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ Step 1: DataAgent (数据清洗中台) │
│ ┌──────────────────────────────────────────────────────────────────────┐ │
│ │ 整合 DataIngestion + DataProcessor │ │
│ │ 输出: MarketData (df_price, news_list, metadata) │ │
│ └──────────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ Step 2: AnalystGroup (因子总线) │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────────┐ │
│ │ Sentiment │ │ Technical │ │ Fundamental │ → factor_context │
│ │ Analyst │ │ Analyst │ │ Analyst │ │
│ │ (LLM) │ │ (LLM) │ │ (LLM) │ │
│ └─────────────┘ └─────────────┘ └─────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ Step 3: StrategyAgent (策略智能体 - LLM 驱动) │
│ ┌──────────────────────────────────────────────────────────────────────┐ │
│ │ generate_decision(factor_context, market_data) → action, price, qty │ │
│ └──────────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ Step 4: RiskManager (风控中台) │
│ ┌──────────────────────────────────────────────────────────────────────┐ │
│ │ check(decision, account_state) → passed / rejection │ │
│ └──────────────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ Step 5: Execution (模拟执行) │
└─────────────────────────────────────────────────────────────────────────────┘
数据流示意
API/CSV 原始数据 → DataAgent.get_data() → MarketData
│
├── df_price (OHLCV)
├── news_list
└── metadata
│
▼
AnalystGroup.produce_factor_context()
│
├── sentiment_score, hot_topic, confidence
├── rsi_14, macd_diff, volatility, technical_signal
└── funding_rate_factor
│
▼
StrategyAgent.generate_decision()
│
▼
RiskManager.check() → 最终决策
项目路径与模块说明
目录结构
AIQuantAgent/
├── main.py # 主入口
├── run_backtest.py # 回测入口
├── .env # 环境变量（API Key 等）
├── requirements.txt
├── scripts/
│ ├── generate_demo_ohlcv.py # 生成演示 K 线数据
│ └── download_ohlcv.py # 从 OKX 下载历史 K 线
├── data/ # 历史数据目录
│ └── demo_ohlcv.csv
├── logs/ # 日志输出
└── src/
├── config.py # 全局配置（从 .env 读取）
├── config_strategy.yaml # 策略参数（仓位、止盈止损等）
├── config_signal.yaml # 旧版信号配置（部分兼容）
├── config/
│ └── agents/ # 各 Agent 的 LLM 与提示词配置
│ ├── sentiment_analyst.yaml
│ ├── technical_analyst.yaml
│ ├── fundamental_analyst.yaml
│ └── strategy_agent.yaml
├── models/
│ └── market_data.py # 标准 MarketData 数据结构
├── agents/ # 多智能体
│ ├── llm_base.py # LLM 驱动基类
│ ├── data_agent.py # 数据清洗智能体
│ ├── analysts.py # 因子分析师组
│ └── strategy_agent.py # 策略智能体
├── data/
│ └── historical_loader.py # 历史数据加载
├── data_ingestion.py # 数据采集（OKX、Yahoo、RSS）
├── data_processor.py # 数据清洗
├── event_driven_backtest.py # 事件驱动回测引擎
├── backtest_engine.py # 收益序列绩效计算
├── risk_manager.py # 风控
├── strategy_registry.py # 策略注册表（旧版）
├── strategy_adapters.py # RSI、Hybrid 适配器
└── ...
核心模块与路径
| 模块 | 路径 | 说明 |
|---|---|---|
| MarketData | src/models/market_data.py |
标准数据结构 |
| DataAgent | src/agents/data_agent.py |
数据清洗中台 |
| AnalystGroup | src/agents/analysts.py |
因子总线 |
| StrategyAgent | src/agents/strategy_agent.py |
策略智能体 |
| RiskManager | src/risk_manager.py |
风控中台 |
| EventDrivenBacktest | src/event_driven_backtest.py |
事件驱动回测 |
| BacktestEngine | src/backtest_engine.py |
收益序列绩效计算 |
使用方法
1. 运行主流程（多智能体）
# 分析配置中的全部币种 python main.py # 指定单币种 python main.py --symbol BTC python main.py --symbol BNB
2. 使用旧版策略流程
python main.py --legacy
旧版使用 config_strategy.yaml 中的 strategies，取第一个 enabled: true 的策略（event_driven / rsi / hybrid）。
3. 修改目标币种
编辑 src/config.py 或通过环境变量：
# .env TARGET_COINS=BTC,ETH,SOL
LLM 模型配置
每个 Agent 可独立配置大模型和提示词，配置位于 src/config/agents/。
配置项说明
每个 YAML 的 llm 段落：
| 配置项 | 说明 | 示例 |
|---|---|---|
| model_name | 模型名称 | deepseek-chat、gpt-4、google/gemini-1.5-pro |
| api_key_env | 环境变量名 | DEEPSEEK_API_KEY、OPENAI_API_KEY、OPENROUTER_API_KEY |
| base_url | API 地址 | 留空则按 api_key_env 自动推断 |
| temperature | 温度 | 0.1 |
| max_tokens | 最大 token | 1024 |
方案一：DeepSeek
.env：
DEEPSEEK_API_KEY=sk-xxx
src/config/agents/sentiment_analyst.yaml：
llm: model_name: "deepseek-chat" api_key_env: "DEEPSEEK_API_KEY" base_url: null temperature: 0.1 max_tokens: 1024
方案二：OpenAI
.env：
OPENAI_API_KEY=sk-xxx
YAML 中：
llm: model_name: "gpt-4" api_key_env: "OPENAI_API_KEY" base_url: null
方案三：OpenRouter（Gemini 等）
OpenRouter 提供 OpenAI 兼容接口，可调用 Gemini、Claude 等。Key 需在 OpenRouter 获取，不是 Google AI Studio 的 Key。
.env：
OPENROUTER_API_KEY=sk-or-v1-xxx
YAML 中：
llm: model_name: "google/gemini-1.5-pro" # 或 gemini-1.5-flash api_key_env: "OPENROUTER_API_KEY" base_url: "https://openrouter.ai/api/v1" temperature: 0.1 max_tokens: 1024
各 Agent 配置文件
| 文件 | 对应 Agent |
|---|---|
src/config/agents/sentiment_analyst.yaml |
舆情分析师 |
src/config/agents/technical_analyst.yaml |
技术分析师 |
src/config/agents/fundamental_analyst.yaml |
基本面分析师 |
src/config/agents/strategy_agent.yaml |
策略智能体 |
可分别为不同 Agent 指定不同模型（如舆情用 Gemini、策略用 DeepSeek）。
自定义提示词
每个 YAML 还包含 system_prompt、output_format_instruction、examples 等，可直接编辑以调整 Agent 行为。
回测使用说明
模式一：事件驱动回测（策略 + 历史 K 线）
逐 bar 运行多智能体策略，支持风控拒绝记录。
1. 准备历史数据
# 方式 A：生成演示数据（无需 API） python scripts/generate_demo_ohlcv.py --output data/demo_ohlcv.csv --days 90 # 方式 B：从 OKX 下载（需配置 OKX API） python scripts/download_ohlcv.py --symbol BTC --limit 500 --output data/btc_ohlcv.csv
2. 运行回测
# 使用 CSV 数据 python run_backtest.py --mode event --data data/demo_ohlcv.csv --symbol BTC # 从 API 获取数据 python run_backtest.py --mode event --source api --symbol BTC --limit 300 # 指定初始资金、输出指标 JSON、保存收益序列 python run_backtest.py --mode event --data data/demo_ohlcv.csv --symbol BTC \ --initial_balance 100000 --output results/metrics.json --save_returns data/returns.csv
事件回测参数：
| 参数 | 说明 | 默认 |
|---|---|---|
| --mode | event / returns | event |
| --data | K 线 CSV 路径 | data/demo_ohlcv.csv |
| --source | csv / api | csv |
| --symbol | 标的 | BTC |
| --limit | API 模式 K 线数量 | 500 |
| --initial_balance | 初始资金 | 100000 |
| --output | 指标 JSON 输出路径 | - |
| --save_returns | 收益序列 CSV 路径 | - |
模式二：收益序列回测
对已有策略/基准收益序列计算绩效指标。
CSV 格式要求： 含 date、strategy_return、benchmark_return 列（列名可用参数覆盖）。
python run_backtest.py --mode returns --data_csv path/to/returns.csv # 指定列名 python run_backtest.py --mode returns --data_csv returns.csv \ --strategy_col strategy_return --benchmark_col benchmark_return --date_col date # 无 CSV 时使用模拟数据 python run_backtest.py --mode returns --start 2024-01-01 --end 2024-12-31
returns 模式参数：
| 参数 | 说明 |
|---|---|
| --data_csv | 收益 CSV 路径 |
| --strategy_col | 策略收益列名 |
| --benchmark_col | 基准收益列名 |
| --date_col | 日期列名 |
| --start, --end | 时间范围 |
| --granularity | 1d / 1m / tick |
回测输出指标
- 收益：总收益、年化收益、超额收益
- 风险：夏普、索提诺、波动率、Alpha、Beta
- 回撤：最大回撤及区间
- 胜率：胜率、盈亏比
环境与依赖
- Python：3.10+
- 依赖：见
requirements.txt（pandas、numpy、ccxt、yfinance、openai、pyyaml 等）
注意事项
- 模拟模式：当前不进行实盘交易，仅输出决策与模拟执行信息。
- API Key：至少配置一个 LLM 的 API Key，推荐 DeepSeek 或 OpenRouter。
- 网络：数据采集与 AI 调用需访问外网。
- 回测数据：事件驱动回测需至少 50 条 K 线；可先用
generate_demo_ohlcv.py生成演示数据。 - Gemini 直接接入：Google AI Studio 的 Key（
AIzaSy...）不能直接用于 OpenAI 客户端，需通过 OpenRouter 等 OpenAI 兼容代理。
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
15
0- 0
已为社区贡献1条内容
所有评论(0)