Qbot 量化交易从零上手普通人跑通第一支AI选股策略的完整教程【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开源 AI 量化投研平台它把数据获取、策略编写、历史回测、模拟交易、实盘下单这一整条链路打包成了你能亲手把玩的东西。无论你是刚接触量化的小白还是想验证某个交易想法的股民本文会用一篇边装边用的实战记录带你从零把 Qbot 跑起来并读懂第一份回测报告。为什么你需要一个本地量化平台很多人的量化之路是从想用代码验证一个想法开始的比如股价跌破20日均线就买入到底靠不靠谱网上有人喊单、有人画图但你自己没法验证。Qbot 的价值正在于此它把验证想法的工具链交到你手里。数据自己抓、策略自己写、回测自己跑、结果自己看——不用把代码和资金托管给任何第三方平台隐私和自由度都在本地。它最值得称道的三点全流程闭环从行情数据到实盘下单一个平台走完而不是散落在七八个工具里策略储备丰富内置 MACD、布林带、KDJ、RSRS、配对交易等经典策略还带 LightGBM、LSTM、强化学习等 AI 策略消息通知贴心交易信号可以推送到邮件、飞书、微信或桌面弹窗人不用一直盯盘。图中展示的正是它的模块化设计策略层只管写逻辑交易引擎层负责对接券商数据层负责喂行情彼此解耦你换数据源或换券商都不影响策略本身。装之前先想清楚你会在哪个环境跑Qbot 官方目前只在Python 3.8 和 3.9上做过完整测试其他版本容易踩坑。这一步的环境选择决定了后面是顺风顺水还是一路打怪建议你认真对照下表运行方式适用人群备注Anaconda 建虚拟环境绝大多数新手强烈推荐隔离依赖出问题可随时重建Docker想要开箱即用、不污染本机镜像构建需要一定网络条件直接裸装老手快速尝鲜依赖冲突风险较高不推荐如果你没有现成的 Python 3.8/3.9用 Anaconda 创建是最省心的conda create -n qbot python3.8 conda activate qbot两个常见坑提前打预防针wxPython桌面界面依赖在 Linux 上经常装不上项目dev/目录里已经备好了对应系统与 Python 版本的 wheel 文件直接本地安装即可TA-Lib技术指标计算库同理官方 wheel 也可能下载失败优先用dev/里的离线包。安装命令大致长这样按你的系统和 Python 版本选对应文件名pip install dev/wxPython-4.2.0-cp38-cp38-linux_x86_64.whl pip install dev/TA_Lib-0.4.28-cp38-cp38-linux_x86_64.whl pip install -r requirements.txt第一次启动别急着写策略先看界面长什么样依赖装完后在项目根目录启动桌面端export PYTHONPATH${PYTHONPATH}:$(pwd) python main.py # Mac 上请用 pythonw main.py弹出图形界面后你会看到回测、模拟交易、实盘交易等几个面板。建议第一件事不是去写策略而是先在界面上点一遍试试回测面板选一个内置的经典策略比如双均线设置起止日期跑一次。这样做的好处是你会先建立策略应该长什么样、结果应该怎么呈现的体感再回头写代码时就不慌。回测面板会给出净值曲线、收益对比和关键风险指标。第一次看到自己的策略跑出一条曲线那种感觉是很上头的。第一个最小策略用 MACD 验证一个老想法很多人学量化是从 MACD 开始的Qbot 的官方教程里也用它做了开胃菜源码在docs/tutorials_code/02.easy_macd_strategy/macd.py。核心逻辑并不复杂用 12 日 EMA 减去 26 日 EMA 得到 DIF 线再对 DIF 取 EMA 得到信号线金叉买入、死叉卖出。在 backtrader 里策略主体就是一个继承bt.Strategy的类最小骨架长这样import backtrader as bt class MacdStrategy(bt.Strategy): def __init__(self): me1 bt.indicators.EMA(self.data, period12) me2 bt.indicators.EMA(self.data, period26) macd me1 - me2 self.signal bt.indicators.EMA(macd, period9) def next(self): if not self.position and self.signal[0] 0: self.buy() # 金叉买入 elif self.position and self.signal[0] 0: self.close() # 死叉卖出把这段逻辑喂给回测引擎配上 CSV 行情数据它就会逐根 K 线模拟交易最后输出一份业绩报告。运行完你还能生成可视化的买卖点图图片里的买卖点标记就是你的策略在历史行情上事后验证的轨迹。注意回测好不代表实盘好但回测都过不了关的策略实盘基本没戏。看懂回测报告先盯这四个数字回测报告里的指标很多新手不必全懂先盯这四个指标它回答的问题参考关注点累计收益率这段历史里策略整体赚了多少与基准指数对比更有意义年化收益率换算成年化的赚钱速度越高越好但要结合回撤看最大回撤最惨的时候从高点跌了多少超过你的心理承受线就要警惕夏普比率每承担一单位风险换多少超额收益一般 1 算及格2 算优秀新手最容易犯的错只看收益率曲线一路向上就兴奋。请务必同时看最大回撤——一个回撤 40% 的策略你在实盘中大概率拿不住。想验证更复杂的想法项目还内置了多因子选股、配对交易、RSRS 择时等经典策略原理讲解都在docs/02-经典策略/目录下每个策略都配了可运行的代码和回测步骤照着敲一遍比自己从零发明强太多。进阶玩法一让机器学习替你找规律经典指标策略的天花板在于规则是人定的而 Qbot 的另一面是 AI 策略让模型从历史数据里自己学习规律。在pytrader/strategies/里你可以找到 LightGBM、SVM、LSTM 等模型封装甚至在qbot/strategies/下还有强化学习Q-Learning、DQN示例。模型库示意图如下如果你觉得从头写模型门槛高可以走因子挖掘这条更友好的路项目支持把多个技术指标当因子组合起来交给模型打分选股。多因子界面在回测面板里就能操作不用写一行模型代码建议路线先用现成因子组合跑通流程再逐步换成机器学习模型。一步到位直接上 LSTM大概率会被数据清洗折磨到怀疑人生。进阶玩法二从回测走向真金白银前的模拟交易实盘下单前Qbot 提供了模拟交易这一层安全垫交易逻辑、时延、滑点都按近似实盘的方式仿真但用的是虚拟资金。这就好比科目二练车——场地、规则和真车一样只是不会真的撞坏车。流程大致是在模拟交易面板选择策略与初始资金开启模拟盘让它跑一段时间用utils/send_email.py或飞书机器人配置交易信号通知人不用盯盘观察一段时间确认策略表现符合预期再考虑接入真实券商。Qbot 支持东方财富等主流券商以及加密货币交易所的对接多券商配置界面如下如果你还是不敢碰实盘项目还提供拐点交易这类条件单式策略设定跌幅阈值与回调阈值价格突破后才触发挂单买入/卖出规则透明、便于理解适合作为模拟交易的起步策略。新手常见问题排查清单把社区里被问得最多的问题整理成一张表遇到报错先来这里找症状常见原因处理办法No module named Cryptocrypto 与 pycryptodome 冲突先卸载 crypto 和 pycryptodome再单独装 pycryptodome图表中文显示为方块缺少中文字体如 SimHei安装中文字体并设置 matplotlib 默认字体plot_width属性报错bokeh 版本过高安装pip install bokeh2.3.3wxPython 装不上官方源没有对应 wheel用dev/目录下的离线 wheel 安装回测好、实盘差没算手续费/滑点或数据未复权在回测配置中显式设置佣金与滑点核对数据源更完整的问答维护在docs/FQA.md遇到没收录的报错把完整堆栈贴到项目 Issues 里维护者响应很积极。给你的硬件与使用建议量化不等于烧钱跑通 Qbot 的门槛并不高但不同阶段的需求差异很大阶段CPU内存存储跑经典策略回测4 核即可8GB 够用256GB SSD跑机器学习策略8 核16GB512GB SSD多策略并行 高频16 核以上32GB1TB NVMe几点实用小贴士用 SSD历史行情数据是大量小文件机械硬盘会成为明显瓶颈定期清数据K 线数据会越积越多注意清理过期数据保持回测速度别在生产环境开策略热重载is_watch_strategy True能在改动策略文件时自动重载方便调试但实盘时请关掉避免意外。现在轮到你了到这里你已经了解了 Qbot 能做什么、怎么装、怎么看回测、怎么进阶到 AI 策略和模拟交易。剩下的就是动手克隆项目https://gitcode.com/GitHub_Trending/qbot/Qbot用 conda 建好 Python 3.8 环境按dev/里的离线 wheel 装好 wxPython 和 TA-Lib跑通main.py在回测面板里跑一个内置策略看懂那四个关键指标打开docs/tutorials_code/02.easy_macd_strategy/macd.py照着改参数、改周期跑你自己的变体感觉上道了再去pytrader/strategies/尝试机器学习策略最后用模拟交易验证。量化交易没有稳赚的圣杯但 Qbot 给了你一把亲手验证每一个交易想法的钥匙。从今天跑通第一份回测开始你会发现比起听别人说这只股票会涨自己拿数据说话的感觉踏实得多。【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