Qbot（AI量化交易）：本地部署，从数据到回测的完整闭环

QbotAI量化交易本地部署从数据到回测的完整闭环【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/QbotQbot是一款完全本地部署的AI量化交易平台覆盖行情数据获取、策略开发、历史回测、模拟交易到实盘自动化交易的完整闭环内置传统量化策略与机器学习、强化学习模型库适合想搭建本地Python量化回测环境的开发者。一句话看懂QbotQbot是一个基于Python的量化投研上位机把数据、策略、回测、交易引擎装进同一个GUI客户端。它解决的是量化链路各环节分散、需要东拼西凑的问题策略写好之后要经历取数据→信号验证→模拟盘→实盘这一串流程Qbot把这些环节统一在同一个仓库里策略代码从回测到实盘直接复用。与backtrader等单点回测库的区别在于它的分层设计——数据层、策略层、交易引擎各自抽象更换数据源或换券商通道时不用重写策略逻辑。能力全景功能模块说明典型使用场景数据管理内置Tushare、Baostock等数据源支持本地CSV/HDF5存储目录统一拉取历史K线、批量下载股票池数据策略库经典指标策略、多因子、机器学习与强化学习模型并存选内置模板跑回测或复制成自定义策略的底子回测系统事件驱动引擎支持日线到分钟级佣金、滑点等成本参数可配验证信号逻辑输出收益曲线与最大回撤模拟/实盘交易对接券商客户端、CTP期货、OKX/Binance等加密货币交易所信号先跑虚拟盘验证后再接真实券商通道可视化分析K线买卖点标记、资金收益回撤曲线、quantstats风格报告查看年化收益、夏普比率等核心指标从能力边界看Qbot覆盖研究到执行的完整链路但它不做tick级行情数据的深度清洗部分实盘通道依赖本地券商客户端环境链路顺畅程度受本机环境制约。它到底怎么工作Qbot采用GUI上位机 事件驱动后端的分工前端是wxPython客户端回测、交易、智库各自是独立的标签页后端负责数据处理与交易调度。这样设计的原因是数据与策略使用中间表达——策略层只产出买/卖信号回测与实盘共用同一套策略代码只有交易执行层随通道变化。这也是分层架构在量化场景里的典型做法比较合理。日常启动只需要一条命令python main.py然后在回测页选择数据源、标的、策略参数结果以K线买卖点图加收益曲线呈现在同一窗口。理解调度逻辑可以从 qbot/engine/ 入手backtest/ 子目录是回测引擎trade/ 子目录是交易执行。三个真实使用场景场景1验证单只股票的MACD策略最常见的新手任务是学了一个指标策略想知道它历史上到底灵不灵。docs/tutorials_code/02.easy_macd_strategy/ 目录提供了可运行的示例macd.py 基于MACD金叉死叉定义买卖信号调用回测引擎在单只股票的历史K线上运行输出资金曲线与回撤。跑完后能直接看到K线上的买卖标记以及与买入持有基准的对比不用自己搭任何框架。场景2批量回测整个A股股票池策略在单只股票上成立不等于在更大样本上成立。docs/tutorials_code/05.kdj_macd_in_A_market/ 目录下的 batch_kdj_macd.py 演示了批量脚本的写法遍历 thoudsand_stocks/ 目录下上千只股票的CSV行情逐一执行KDJ与MACD组合信号并汇总结果。这类全池回测用于观察策略在不同标的上的胜率分布避免单只股票带来的过拟合错觉。场景3让机器学习模型走完模拟链路熟悉指标策略之后可以进入AI部分。qbot/strategies/ 下有LSTM时序预测、LightGBM、强化学习等可运行的示例例如 lstm_strategy_bt.py 完成特征构造→模型训练→信号生成→回测的完整链路docs/tutorials_code/15.rl_learning/ 则提供强化学习训练环境让模型在模拟市场状态空间里学习交易决策。模型回测指标稳定后可以把同一套信号逻辑切到模拟交易面板验证再接入实盘通道。最小化启动克隆仓库并进入目录--depth 1只拉最新提交速度快git clone https://gitcode.com/GitHub_Trending/qbot/Qbot --depth 1 cd Qbot安装全部Python依赖含wxPython界面库、backtrader回测框架等pip install -r dev/requirements.txt启动平台进入量化投研上位机默认首页是回测系统python main.py提示官方仅在Python 3.8与3.9下测试过Mac用户请将启动命令换成pythonw main.pyWindows环境依赖安装细节见安装指南。核心模块拆解GUI上位机qbot/gui/职责是向用户呈现全部功能。入口 qbot/gui/mainframe.py 中的 MainFrame 把投研智库、可视化回测、在线交易等页面组装成标签页每页是一个独立的 wx.Panel 子类。关键设计页面只负责参数收集和结果渲染不实现交易逻辑本身。这使上位机与引擎可以独立维护回测页直接消费引擎产出的曲线数据做绘图互不耦合。回测与交易引擎qbot/engine/分成 backtest/ 与 trade/ 两个子目录。回测链路按策略信号生成交易动作模拟佣金、滑点等成本扣减trade/ 链路负责实盘与模拟下单对接券商客户端、期货CTP与加密货币交易所。两条链路共用同一套策略信号定义区别只在执行通道这是回测代码直接复用到实盘的基础。策略层qbot/strategies/ 与 pytrader/strategies/策略库按一个文件一个策略组织经典指标策略放在 qbot/strategies/boll_strategy_bt.py、sma_cross_strategy_bt.py 等研究型机器学习策略示例在 pytrader/strategies/模型库覆盖GBDT、LSTM、Transformer等benchmark。策略被引擎加载后会在上位机的下拉选项里注册为可选项。配置与扩展全局路径与账户文件位置集中在 qbot/engine/config.py 定义数据统一落在 data/ 目录扩展时不需要动目录结构。回测的图表布局与成本参数在 qbot/common/configs/back_para.json 里例如cash_profit: { cash_hold: 100000, slippage: 0.01, c_rate: 0.0005 }修改slippage即改变回测的滑点假设c_rate是佣金率这两个数字会直接影响最终收益。想新增策略时在 qbot/strategies/ 下按 pytrader/backtest_strategies/ 中的 backtest_strategy_template.py 模板写信号逻辑即可被上位机识别想更换数据源可在 pytrader/easyquotation/ 下新增一个数据提供者策略代码不需要改动。生态与社区离线文档docs/ 含新手指引、经典策略原理、智能策略示例与Jupyter notebook教程安装文档docs/Install_guide.md环境与依赖问题有排障步骤反馈渠道通过仓库的Issues与Discussions提交问题和建议版本节奏持续更新中当前仅测试Python 3.8/3.9dev/ 目录提供wxPython等预编译wheel降低多平台安装失败率写在最后Qbot的优势在于把量化研究闭环完整地在本地跑通策略库同时覆盖经典指标与机器学习模型适合想系统接触量化交易、又希望数据不出本机的开发者。局限同样明确目前仅在Python 3.8/3.9下测试仓库TODO里也承认框架结构还需要调整行情获取的实时性不及专业行情服务。建议从 docs/tutorials_code 下的MACD样例回测开始跑通后再逐步尝试股票池批量回测与AI策略。【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考