Qbot 量化交易机器人本地部署的 AI 策略回测与实盘工具【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 是一个完全本地部署的 AI 量化投研平台覆盖数据获取、策略开发、回测验证到模拟与实盘交易的全流程。它解决的核心问题是让个人开发者在本地跑通从机器学习选股到券商自动下单的完整链路不依赖任何云端服务。项目全景与设计思路Qbot 采用模块化分层设计整体拆为数据层、策略层、交易引擎层。数据层对接 baostock、tushare、akshare、efinance 等接口也支持直接读取本地 CSV 文件。接口不可用时回测流程仍可运行。策略层只负责生成买卖信号不关心执行方式。引擎层做了抽象回测走 backtrader 与 easyquant实盘走 easytrader 对接券商客户端加密货币走 Binance 接口。这样取舍的原因是数据接口和交易渠道是量化流程中变化最快的部分。把两者隔离在架构两端之后策略代码可以在回测、模拟、实盘三个场景复用。GUI 基于 wxPython 实现回测、模拟、实盘三类面板共享同一套策略代码减少了研究环境与执行环境之间的落差。典型使用场景本地回测验证策略单标的日线回测数十秒出结果手动翻看 K 线无法验证策略的长期表现。Qbot 在 策略模板目录 下提供了双均线、布林线、MACD 等可直接运行的模板。模板继承 backtrader 的 Strategy只需在 next() 方法里写信号逻辑。在 GUI 回测面板选择标的和起止日期后一键运行无需手写配置代码。运行完成后输出收益曲线、夏普比率、最大回撤等指标。单标的日线回测在本地几十秒内即可完成。机器学习因子选股每天自动产出调仓组合与权重手工写 pandas 代码筛因子费时且容易出错。pytrader/strategies/ 目录下提供 LightGBM、SVM、多因子等 AI 策略示例覆盖了从因子计算到信号生成的完整链路。以 RSI 信号策略为例数据加载后先计算 RSI 指标RSI 低于 30 生成买入信号高于 70 生成卖出信号最终按 1/n 等权分配组合权重。每个交易日跑完流程即可得到选中标的列表与对应权重直接作为调仓依据。从模拟盘走向实盘券商客户端自动执行委托回测通过后手动下单无法保证信号执行的时点。Qbot 通过 easytrader 模块 对接华泰、国金、广发等券商客户端。在 GUI 交易配置界面选择券商并填写账号后即可自动登录并执行委托。信号驱动下单前可先在模拟交易面板验证时延与滑点表现。当前版本覆盖股票、基金、期货和加密货币四类品种实现从信号到委托的自动化。快速体验前置条件Python 3.8 或 3.9当前仅在这两个版本测试过依赖约 30 个包。最小可运行路径如下。第一步拉取源码git clone https://gitcode.com/GitHub_Trending/qbot/Qbot --depth 1 cd Qbot第二步安装依赖并启动 GUIpip install -r dev/requirements.txt export PYTHONPATH$PYTHONPATH:$(pwd) python main.py启动后会打开 wxPython 主窗口包含回测、模拟交易、实盘交易等面板。Mac 用户将启动命令换成 pythonw main.py 即可。首次使用建议先跑一个内置策略回测确认数据接口与绘图正常再进入交易配置。与同类方案的差异替代方案中backtrader 是最常见的回测框架。但它只提供回测内核数据获取、GUI 和券商下单都需要自己补齐等于要搭半套系统。微软的 qlib 侧重因子挖掘与 AI 训练流水线工程化程度高但没有内置实盘下单通道部署门槛也更高。Qbot 的差异点在于两点。一是本地闭环回测、模拟、实盘共用同一份策略代码研究到执行的迁移成本低。二是交易渠道覆盖面股票走 easytrader 客户端自动化加密货币走 Binance 接口基金走 pyfunds 组件均在同一仓库内维护。实践中的注意事项⚠️ 提示Qbot 仅在 Python 3.8 和 3.9 下测试过使用 3.10 及以上版本时 wxPython 与 TA-Lib 的预编译包无法匹配。建议用 conda 单独创建 3.8 环境再安装依赖。⚠️ 提示wxPython 和 TA-Lib 无法通过纯 pip 安装需要安装 dev/ 目录下与系统和 Python 版本匹配的 wheel 文件。例如 Linux 下执行 pip install dev/wxPython-4.2.0-cp38-cp38-linux_x86_64.whl。⚠️ 提示Mac 用户安装 tables 库前需要先安装 hdf5 和 c-blosc并设置 HDF5_DIR 与 BLOSC_DIR 环境变量否则编译失败。启动时请使用 pythonw main.py。⚠️ 提示easytrader 依赖券商客户端自动化必须在装有对应客户端的 Windows 环境中配置登录参数。接入实盘前请先在模拟盘验证信号与委托行为。Qbot 适合希望在本地搭建完整量化流程、并逐步从回测走向实盘的开发者。安装细节见 docs/Install_guide.md完整教程在 docs/ 目录下按新手指引、经典策略、智能策略三部分组织可对照代码目录逐步复现。【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 Qbot 量化交易机器人：本地部署的 AI 策略回测与实盘工具
Qbot 量化交易机器人本地部署的 AI 策略回测与实盘工具【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 是一个完全本地部署的 AI 量化投研平台覆盖数据获取、策略开发、回测验证到模拟与实盘交易的全流程。它解决的核心问题是让个人开发者在本地跑通从机器学习选股到券商自动下单的完整链路不依赖任何云端服务。项目全景与设计思路Qbot 采用模块化分层设计整体拆为数据层、策略层、交易引擎层。数据层对接 baostock、tushare、akshare、efinance 等接口也支持直接读取本地 CSV 文件。接口不可用时回测流程仍可运行。策略层只负责生成买卖信号不关心执行方式。引擎层做了抽象回测走 backtrader 与 easyquant实盘走 easytrader 对接券商客户端加密货币走 Binance 接口。这样取舍的原因是数据接口和交易渠道是量化流程中变化最快的部分。把两者隔离在架构两端之后策略代码可以在回测、模拟、实盘三个场景复用。GUI 基于 wxPython 实现回测、模拟、实盘三类面板共享同一套策略代码减少了研究环境与执行环境之间的落差。典型使用场景本地回测验证策略单标的日线回测数十秒出结果手动翻看 K 线无法验证策略的长期表现。Qbot 在 策略模板目录 下提供了双均线、布林线、MACD 等可直接运行的模板。模板继承 backtrader 的 Strategy只需在 next() 方法里写信号逻辑。在 GUI 回测面板选择标的和起止日期后一键运行无需手写配置代码。运行完成后输出收益曲线、夏普比率、最大回撤等指标。单标的日线回测在本地几十秒内即可完成。机器学习因子选股每天自动产出调仓组合与权重手工写 pandas 代码筛因子费时且容易出错。pytrader/strategies/ 目录下提供 LightGBM、SVM、多因子等 AI 策略示例覆盖了从因子计算到信号生成的完整链路。以 RSI 信号策略为例数据加载后先计算 RSI 指标RSI 低于 30 生成买入信号高于 70 生成卖出信号最终按 1/n 等权分配组合权重。每个交易日跑完流程即可得到选中标的列表与对应权重直接作为调仓依据。从模拟盘走向实盘券商客户端自动执行委托回测通过后手动下单无法保证信号执行的时点。Qbot 通过 easytrader 模块 对接华泰、国金、广发等券商客户端。在 GUI 交易配置界面选择券商并填写账号后即可自动登录并执行委托。信号驱动下单前可先在模拟交易面板验证时延与滑点表现。当前版本覆盖股票、基金、期货和加密货币四类品种实现从信号到委托的自动化。快速体验前置条件Python 3.8 或 3.9当前仅在这两个版本测试过依赖约 30 个包。最小可运行路径如下。第一步拉取源码git clone https://gitcode.com/GitHub_Trending/qbot/Qbot --depth 1 cd Qbot第二步安装依赖并启动 GUIpip install -r dev/requirements.txt export PYTHONPATH$PYTHONPATH:$(pwd) python main.py启动后会打开 wxPython 主窗口包含回测、模拟交易、实盘交易等面板。Mac 用户将启动命令换成 pythonw main.py 即可。首次使用建议先跑一个内置策略回测确认数据接口与绘图正常再进入交易配置。与同类方案的差异替代方案中backtrader 是最常见的回测框架。但它只提供回测内核数据获取、GUI 和券商下单都需要自己补齐等于要搭半套系统。微软的 qlib 侧重因子挖掘与 AI 训练流水线工程化程度高但没有内置实盘下单通道部署门槛也更高。Qbot 的差异点在于两点。一是本地闭环回测、模拟、实盘共用同一份策略代码研究到执行的迁移成本低。二是交易渠道覆盖面股票走 easytrader 客户端自动化加密货币走 Binance 接口基金走 pyfunds 组件均在同一仓库内维护。实践中的注意事项⚠️ 提示Qbot 仅在 Python 3.8 和 3.9 下测试过使用 3.10 及以上版本时 wxPython 与 TA-Lib 的预编译包无法匹配。建议用 conda 单独创建 3.8 环境再安装依赖。⚠️ 提示wxPython 和 TA-Lib 无法通过纯 pip 安装需要安装 dev/ 目录下与系统和 Python 版本匹配的 wheel 文件。例如 Linux 下执行 pip install dev/wxPython-4.2.0-cp38-cp38-linux_x86_64.whl。⚠️ 提示Mac 用户安装 tables 库前需要先安装 hdf5 和 c-blosc并设置 HDF5_DIR 与 BLOSC_DIR 环境变量否则编译失败。启动时请使用 pythonw main.py。⚠️ 提示easytrader 依赖券商客户端自动化必须在装有对应客户端的 Windows 环境中配置登录参数。接入实盘前请先在模拟盘验证信号与委托行为。Qbot 适合希望在本地搭建完整量化流程、并逐步从回测走向实盘的开发者。安装细节见 docs/Install_guide.md完整教程在 docs/ 目录下按新手指引、经典策略、智能策略三部分组织可对照代码目录逐步复现。【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