本项目是一个基于多种策略的量化交易框架，支持多种模型生成交易信号，并进行回测分析。
- 多模型支持：包括多种模型的交易信号生成。
- 策略回测：支持多种交易策略的回测并比较收益率。
- GPU加速：支持TensorFlow和PyTorch的GPU加速。
STOCK_QUANT/
├── backtest/ # 回测模块，用于回测模型效果
│ └── backtester.py
├── config/ # 证券接入模块，用于与真实市场接入
│ └── config.py
├── data/ # 存放股票历史数据，作为数据集使用
│ └── 股票代码.csv
├── live/ # 交易模块，根据预测决定买卖行为
│ └── trade.py
├── Python_Crawler # 爬虫程序，用于爬取网络数据
│ ├── Micro_blog # 爬取微博评论
│ └── Snow_Ball # 爬取雪球评论
├── QuantAI # 用于量化分析的智能体
├── Stock/ # 暂无
├── strategies/ # 预测模块，包含多种常用模型
│ └── xxmodel_strategy.py
├── utils/ # 预训练文件夹（模型保存、预训练等）
│ ├── models # 模型参数
│ └── train # 模型预训练
├── work log # 工作日志
├── main.py # 项目主入口
├── README.md # 项目说明文件
├── Stock_Quant_environment.yml # 环境配置参数(for Windows)
└── Stock_Quant_environment_for_mac.yml # 环境配置参数(for Mac)
详细步骤参考：Git 详细安装教程（详解 Git 安装过程的每一个步骤）
虚拟环境是用来为了避免与主环境相冲突而在电脑中隔离出一块全新环境来进行代码作业。需要下载anaconda软件并完成环境配置，详细请参考：安装conda搭建python环境（保姆级教程）
完成后，以下步骤请打开cmd（命令行窗口）运行
cd /your_local_address/Stock_Quant运行命令行前，将Stock_Quant_environment.yml先下载下来放在命令行运行的文件夹里
conda env create -f Stock_Quant_environment.yml分别使用以下命令打开/关闭虚拟环境：
conda activate Stock_Quant_environmentconda deactivate Stock_Quant_environmentgit clone https://github.com/Ziyu-Xuuuu/Stock_Quant.gitcd Stock_Quant环境依赖的更新在Stock_Quant_environment.yml文件中进行 并通过以下代码更新环境以达到修改过后的依赖要求
conda env update -f Stock_Quant_environment.yml --name Stock_Quant_environment在本地的git库中对代码完成修改并保存后在VScode的终端中输入以下代码
git add '你修改的文件名' ##记得加上文件格式（这一步是将文件上传到缓冲区，有多少个文件上传多少个）
git commit -m '注释' ##单引号里加上本次更新的一些注释（这一步是将更新上传到本地的git库）
然后在VScode上使用源码管理功能进行更新同步，若源码管理显示找不到git可以看下面的常见问题解决3.
同时也可以使用该功能远程拉取等等。
- Transformer 模型
- LSTM 模型
- HMM 模型
- NLP 模型
- bollinger 策略
- 双均线策略
- MACD策略
- 动态选择LSTM、Transformer或HMM模型，根据最近的市场波动和收益率特征选择最优模型。
- 使用生成的信号进行回测分析。
- 利用爬虫爬取网站关于各个股票的评论
- 使用智能体对其进行分析并给出市场情绪系数
回测运行后将生成以下可视化结果：
- 策略收益曲线对比。
- 每个策略的最终收益率统计。
直接复制粘贴报错内容给GPT，一般问题与解决策略包括但不限于：
-缺少必要前置环境，如C++ Windows；Pytorch等，按照教程官网安装即可，同时麻烦将需要前置条件的库在requirement.txt备注中说明。
-网速过慢，安装库所需时间以小时计。这可能与梯子有关，按照GPT提供的用国内镜像网址安装即可。
-环境冲突（现在经过改版的requirement.txt正常来说可以避免）。请按照GPT建议的进行环境升降级，同时麻烦将最后正确的环境型号加入到requirement.txt文件中去。
一般问题与解决策略包括但不限于：
-网速过慢，出现 "Failed to connect to github.com port 443 after 21051 ms: Could not connect to server"。这可能与梯子有关，请打开科学上网进行配置，同时需要vpn全局代理否则cmd窗口命令行仍然无法代理。
若实在走投无路，可以直接从 https://github.com/Ziyu-Xuuuu/Stock_Quant.git 下载代码到本地应急，但是将无法实时编辑。
-成功克隆到本地但是编辑后无法上传，提示未给Git配置账号。打开所用软件（Vscode, Pycharm等）终端，输入以下代码：
git config --global user.name "你的用户名"
git config --global user.email "你的邮箱"
来进行全局git配置
参考这篇文章: vscode找不到git，使用不了git，如何配置git
目前较为完善的相关git社区：
详情访问：WonderTrader
WonderTrader 是一个基于 C++ 核心模块，适用于全市场全品种交易的高效率、高可用的量化交易开发框架。
- 面向专业机构的整体架构
- 支持数十亿级的实盘管理规模
- 涵盖量化交易的全流程：
- 数据清洗
- 回测分析
- 实盘交易
- 运营调度
WonderTrader 提供了从研究、交易到运营管理的完整一站式量化开发环境，适用于专业机构和高频交易策略开发。
- C++ 核心框架：高性能、低延迟
- 基于 wtpy 框架：支持 Python 接口，方便策略开发
- UFT 交易引擎（0.9 版本引入）：专为超低延迟交易优化，交易延迟控制在 175 纳秒 以内
WonderTrader 适用于：
- 高频交易（HFT）
- 量化对冲
- 多资产交易（股票、期货、外汇等）
详情访问：Qbot
Qbot 是一个 AI 驱动的自动化量化投资研究平台，旨在挖掘 AI 技术在量化投资中的潜力，并赋能投资者。Qbot 支持多种机器学习建模范式，包括：
- 监督学习（Supervised Learning）
- 市场动态建模（Market Dynamics Modeling）
- 强化学习（Reinforcement Learning, RL）
- 智能分析：结合 AI 算法分析股票等金融资产，提供量化投资建议。
- 数据驱动：基于财务数据、市场动态及历史趋势进行建模，提高投资决策的科学性。
- 自动化处理：支持 PEG、ROE、EPS 等财务指标分析，辅助投资者评估资产价值。
Qbot 可对个股进行财务指标检测，例如：
- EPS（每股收益）是否呈现增长趋势
- PEG（市盈增长比率）是否低于 0
- ROE（净资产收益率）是否高于一定阈值
详情访问：QUANTAXIS 2.0.0
QUANTAXIS 是一个 量化金融框架（Quantitative Financial Framework），提供多市场数据支持、交易管理、账户体系等功能，帮助量化研究员和投资者进行数据驱动的投资研究。
QUANTAXIS 主要由以下几个核心模块组成：
- 支持 多市场数据存储、自动运维、数据获取
- 兼容 MongoDB / ClickHouse 数据库，提供高效数据存储方案
- 支持 交易时间管理、交易日历
- 提供 时间前向后推算、市场识别、DataFrame 数据转换 等工具
- qifiaccount：标准账户体系，支持 Rust/Cpp 版本，保证跨平台一致性
- qifimanager：多账户管理体系，支持 多个语言的账户统一管理
- qaposition：单标的仓位管理模块，支持 精准多空控制（套利/CTA/股票等场景）
- marketpreset：市场预制基类，便于 查询期货、股票、虚拟货币、品种 tick 数据、保证金、手续费 等