GitHub - ai-yang/AlphaPilot: NEW [🔥 updating...]LLM 驱动的股票量化因子挖掘与交易平台，支持A股:多 Agent + 公式化挖掘、Qlib 回测、Web 门户、日频信号、Telegram/飞书通知。

LLM 驱动的量化研究、模拟盘与实盘执行平台

多 Agent 因子挖掘 · Qlib 回测 · 量化择时 · 模拟盘 / 实盘 · Web 门户 · Telegram / 飞书通讯

快速开始 · 自定义策略 · 核心功能 · 典型工作流 · 文档 · Docker 部署

项目简介

AlphaPilot 是一个面向股票的量化研究与交易平台，覆盖数据准备、因子生成、回测评估、策略沉淀、日频信号、模拟盘和实盘执行。项目使用 LLM 驱动多 Agent 因子研究流程，使用 Qlib 完成回测与信号验证，并通过统一的 Live Runtime 将研究信号接入风控、订单管理、券商网关和审计账本。Web 门户用于集中管理数据、任务、研究资产、通知和交易运行状态。

核心功能

能力	关键入口	说明
因子挖掘	`alphapilot mine`	LLM 多 Agent 流程 + AlphaForge / GP / RL / AFF 公式化方法
回测评估	`alphapilot backtest`	组合回测、逐因子 IC 快筛、排行榜与收益曲线
新建策略	`alphapilot strategy_create`	从因子库挑选因子沉淀为策略资产（因子 + 模型 + 调仓/成本/日期）
策略复测	`alphapilot strategy_backtest`	复用已沉淀的策略资产与模型继续验证
日频信号	`alphapilot daily_signals`	按交易日推进持仓、生成单日调仓信号
交易会话	`alphapilot trade_session_create`	将策略快照为可恢复的独立日频交易账户
自定义信号策略	`strategies/*/strategy.toml`	用本地 Python 策略和显式清单扩展信号逻辑，再统一预览、回放和部署
量化择时	`alphapilot trading_instance_create` / `trading_backtest`	通过正式策略实例完成技术指标信号预览、统一回放和受控部署；0.2.0 已移除旧 `timing_*` 入口
模拟盘 / 实盘	`alphapilot live_*`	`dry_run` / `paper` / `simulation` / `shadow` / `live` 运行模式、统一风控与 OMS、守护进程、恢复对账和审计账本；XTP Pro / EMT 实盘与 OpenCTP TTS 柜台仿真通过可选插件接入
统一门户	`alphapilot portal`	数据、因子、回测、择时、任务、通知和实盘控制集中到同一界面
数据准备	`alphapilot prepare_data`	baostock / tushare → Qlib 数据链路
通知与远程	`alphapilot notify_commands`	任务完成推送（Telegram / 飞书 / 邮件）+ 聊天命令远程发起与查询任务

因子挖掘

AlphaPilot 的主线能力是自动化因子研究。你可以用自然语言启动 LLM 驱动的多 Agent 挖掘流程，也可以在同一套项目里使用公式化方法生成候选因子，再统一进入校验、回测和资产沉淀。

统一管理 Idea Agent、Factor Agent、Eval Agent 三段研究流程
支持 alphapilot mine 启动 LLM 驱动的因子挖掘
支持 GP、RL、AFF 等公式化挖掘方法
因子可落入因子库，并继续进入回测或策略资产管理

关键入口：alphapilot mine --direction "你的市场假说"

回测与评估

项目内置多种回测与评估模式，既能做正式组合回测，也能快速筛选大量候选因子。首页只保留常用入口，更多回测命令与参数见 CLI 命令参考。

multi_combined：多因子合并训练并完成组合回测
single_ic：逐因子快速计算 IC、RankIC、ICIR
multi_sequential：逐因子分别跑完整组合回测
门户「回测」页统一可视化：收益 / 超额 / 账户 / 换手率曲线、每日明细、因子排行榜与对比基准

关键入口：alphapilot backtest --factor_path /path/to/factors.csv

策略复测与日频信号

当你已经沉淀了策略资产后，可以直接复用已有因子和模型继续验证，而不必重新跑完整挖掘流程。对于按日推进的研究或模拟交易场景，还可以基于已有策略生成单日调仓信号。

strategy_backtest 支持对已保存策略资产重新回测
daily_signals 支持按指定交易日推进持仓状态
trade_session_create / trade_session_show / trade_session_history 可管理独立的日频交易会话，持有自己的策略快照、持仓状态和历史记录
适合做模型复用、策略复验和单日调仓演练
结果可回流到策略资产和门户页面中统一查看

关键入口：alphapilot strategy_backtest --strategy_name "<策略名>" --mode=retrain

模拟盘与实盘交易

实盘系统把研究侧生成的目标持仓或择时信号接入统一执行链路：LiveRuntime → LiveEngine → RiskGate → BrokerGateway。底层 dry_run 永远不路由订单；策略实例部署可使用 paper、simulation、shadow 或 live。SHADOW 会读取真实账户和实时行情，但永远不能路由订单；LIVE 还必须显式开启环境开关并完成启动对账。

支持 dry_run、paper、simulation、shadow、live 运行模式，以及前台运行和长驻 daemon
支持人工委托、撤单和目标组合提交；自动策略只能通过持久化策略实例与 trading_* 部署控制启动
所有订单统一经过交易时段、整手、价格、资金、持仓、集中度、单笔和日累计限额检查
维护 OMS 状态、追加式审计账本、运行时快照和恢复对账；交易通道断线会触发 halt，恢复后仍需人工检查再继续
XTP Pro、EMT 和 OpenCTP TTS 接入已从核心解耦为可安装、可卸载的 pip 插件，交易通道和行情源可分别配置
daemon 运行期间可从 Portal 或 CLI 增量添加最多 50 个观察标的，无需重连；观察行情只用于展示、K 线和录制，不进入策略决策
Portal「实盘交易」页面提供预检、连接、daemon 运维、动态行情订阅、策略实例部署、风控状态、委托与 ledger 查询

最安全的体验路径是先从 paper daemon 开始：

alphapilot live_daemon_start --mode paper --symbols 600000,000001 --cash 100000
alphapilot live_daemon_subscribe --symbols 600519.SSE,510300.SSE --wait=True
alphapilot live_daemon_status --mode paper
alphapilot live_daemon_stop --mode paper

启动参数中的 symbols 和后来添加的标的都属于独立 daemon 的 observer_symbols。策略实例部署则把实例 universe 归入 strategy_symbols，额外查看的标的仍归入 observer；兼容字段 subscribed_symbols 是两者并集。added 只表示行情 SDK 已接受请求，标的仍出现在 awaiting_first_tick 时应继续等待首个 Tick。停止 daemon 会清空活动 observer，已经录制的 Tick/K 线不会删除。

实盘风险提示： 该功能仍在持续开发和券商环境验证中。接入真实账户前，请先完成 paper 演练、插件与网络预检、小额柜台测试，并逐项确认风控限额和恢复结果。不要在未理解 --confirm_live、daemon 状态和 ledger 的情况下启用真实路由。

详细安装、环境变量和验收流程见 XTP Pro / EMT 实盘接入、OpenCTP TTS 柜台仿真接入与实盘插件开发和安装。

统一 Web 门户

AlphaPilot 提供统一 Web 门户作为日常研究与运行入口，将数据、因子、回测、择时、任务、通知和实盘控制集中到同一个界面，避免在多个独立脚本和页面之间切换。

统一访问因子挖掘、回测、择时、策略库、市场数据、通知配置和实盘运行状态
支持后台任务、定时任务和结果查看
「回测」页内置完整可视化：累计收益 / 超额 / 账户 / 换手率图表、日期范围筛选、每日明细、因子排行榜与对比基准
「实盘交易」页区分实盘 / 柜台仿真 / 本地 Paper 工作区，并提供预检、daemon、策略、风险与审计控制面
Portal 交易写接口默认要求操作员令牌；可由本机 CLI 切换为高风险的 optional 模式，页面只读展示当前安全状态
适合本地研究环境和服务器部署场景

关键入口：alphapilot portal

数据准备与管理

项目内置 A 股数据准备流程，可从原始行情准备到 Qlib 数据；因子 h5 cache 由研究和回测任务按需自动生成。首页只保留最短路径，下载源、复权方式和高级参数见详细文档。

支持 baostock 和 tushare 数据源
支持行情下载、复权处理和 Qlib 转换
支持股票池管理与单股数据维护
与因子挖掘、回测和日频信号直接衔接

关键入口：alphapilot prepare_data download --stock_csv important_data/stock_lists/main_stock_2026_4_27.csv

通知与远程控制

研究任务往往耗时较长，AlphaPilot 内置任务通知与双向聊天命令系统：后台任务结束会主动推送结果，你也可以直接通过聊天工具远程发起、查询和管理任务，无需一直守在终端前。

支持 Telegram、飞书、邮件 三种通知渠道
任务完成（或全部任务）自动推送结果与状态
Telegram / 飞书命令接收器，支持 /mine、/backtest、/data、/status、/jobs、/cancel、/log、/result 等命令
白名单用户鉴权，可远程发起任务并查看日志、产物与运行状态
凭证在门户「通知」页配置，或通过 ALPHAPILOT_NOTIFY_* 环境变量注入

关键入口：alphapilot notify_commands --channel telegram

🚀 快速开始

以下流程以本地安装为主，目标是尽快跑通一条最短闭环。Docker 一键部署请直接看 docs/DOCKER.md。

1. 创建环境

conda create -n alphapilot python=3.11
conda activate alphapilot

2. 安装项目

git clone https://github.com/ai-yang/AlphaPilot.git
cd AlphaPilot
pip install -e .

如需使用 Web 门户前端，请额外准备 Node.js，并在 alphapilot/modules/portal/web 下构建前端资源：

cd alphapilot/modules/portal/web
npm install
npm run build
cd ../../../../

3. 配置环境变量

cp .env.example .env

至少补齐以下配置：

OPENAI_API_KEY=<your_api_key>
OPENAI_BASE_URL=<your_api_base_url>
CHAT_MODEL=<your_chat_model>
REASONING_MODEL=<your_reasoning_model>

API key 填写说明：

OPENAI_API_KEY 要填写你实际使用的模型服务商签发的 key。
如果使用官方 OpenAI API，OPENAI_BASE_URL 一般填写 https://api.openai.com/v1。
如果使用 Azure OpenAI 或其他 OpenAI 兼容网关，需要同时把 OPENAI_BASE_URL 和 OPENAI_API_KEY 都替换成同一平台提供的值，不要把一个平台的 key 和另一个平台的 base URL 混用。
CHAT_MODEL 和 REASONING_MODEL 也必须填写当前 OPENAI_BASE_URL 下真实可用的模型 ID。
.env 中直接填写原始字符串即可，不要把真实 key 提交到仓库。

4. 准备数据

alphapilot prepare_data download \
  --stock_csv important_data/stock_lists/main_stock_2026_4_27.csv \
  --adjust_mode backward

alphapilot prepare_data convert \
  --stock_csv important_data/stock_lists/main_stock_2026_4_27.csv \
  --adjust_mode backward \
  --market main_stock_2026_4_27

5. 启动门户

alphapilot portal

默认访问地址：http://127.0.0.1:19901

时区默认 Asia/Shanghai（影响定时任务触发与时间戳显示）。可在门户「高级」页「门户设置」修改，或用 alphapilot timezone Asia/Shanghai 设置。

6. 运行一次任务

启动一次因子挖掘：

alphapilot mine --direction "行为金融学假说" --step_n 5

或对已有因子文件执行一次回测：

alphapilot backtest --factor_path /path/to/factors.csv

或者先把策略快照成一个可恢复的交易会话，再生成下一交易日的调仓计划：

alphapilot trade_session_create --strategy_name "<策略名>" --name demo_session --init_cash 500000
alphapilot daily_signals --session demo_session

或创建一个正式技术指标择时实例并运行统一回放：

alphapilot trading_instance_create \
  --instance_id=ma_5_20 --strategy_id=dual_ma --universe=600000.SSE \
  --params='{"short_window":5,"long_window":20}' --frequency=day \
  --data_policy='{"feature_adjustment":"backward","history_window":21}' \
  --portfolio_policy='{"policy_id":"timing_fixed_exposure","params":{"target_percent":0.2}}'
alphapilot trading_instance_validate --instance_id=ma_5_20
alphapilot trading_backtest --instance_id=ma_5_20 \
  --wait=True --output_dir=./results/ma_5_20

7. 体验模拟盘，再接入实盘（可选）

先查看当前运行模式和已安装的券商 / 行情插件：

alphapilot live_modes
alphapilot live_plugins
alphapilot live_brokers
alphapilot live_quote_providers

不安装任何真实券商插件也可以使用内置 paper broker。安装 XTP Pro / EMT 插件后，先做不登录、不下单的预检，再尝试连接：

alphapilot live_preflight --broker xtp --network=False
alphapilot live_connect --mode live --broker xtp --timeout 30

券商 SDK 和适配器不随核心仓库同步，请从授权的私有索引或本地 wheelhouse 安装。真实连接所需凭证只应放在本地 .env 或部署环境中；完整步骤见实盘接入文档。

🧩 自定义策略教程

AlphaPilot 中有两类容易混淆的“策略”：strategy_create 创建的是由因子、模型和回测配置组成的研究策略资产；本节创建的是向统一交易运行时提供信号的策略定义。下面使用接口简单、可自动适配到正式运行时的 Provider v1，完成“写代码 → 注册 → 创建实例 → 预览 → 回测”的完整流程。

1. 创建策略目录

在仓库根目录下创建一层策略目录。注册器只扫描 strategies/<策略 ID>/strategy.toml，不会递归导入其他 Python 文件：

strategies/close_above_sma/
├── strategy.py
└── strategy.toml

将下面的代码保存为 strategies/close_above_sma/strategy.py：

from __future__ import annotations

import pandas as pd

from alphapilot.systems.timing.base import TimingContext
from alphapilot.systems.timing.strategies import RuleTimingStrategy


class CloseAboveSMA(RuleTimingStrategy):
    """收盘价高于均线时持有，否则空仓。"""

    name = "close_above_sma"
    defaults = {"window": 20}

    def _instrument_signal(
        self,
        bars: pd.DataFrame,
        context: TimingContext,
    ) -> pd.DataFrame:
        del context
        close = pd.to_numeric(bars["close"], errors="coerce")
        average = close.rolling(int(self.params["window"])).mean()
        signal = (close > average).fillna(False).astype(int)
        score = (close / average - 1).fillna(0.0)
        return self._frame(bars, signal, score, "close_above_sma")

RuleTimingStrategy 会按 instrument 分组，并由 _frame 生成运行时需要的 datetime、instrument、signal、target_percent、score 和 reason 列。输入 bars 至少包含 datetime、instrument、open、high、low、close，使用成交量时还可读取 volume 和 amount。这里约定 signal=1 表示做多、signal=0 表示空仓；策略只生成信号，不能访问 Broker 或直接提交订单。

2. 声明策略清单

将下面的清单保存为 strategies/close_above_sma/strategy.toml：

[strategy]
id = "close_above_sma"
version = "1.0.0"
kind = "rule"
factory = "strategy:CloseAboveSMA"
api_version = 1
provider_api_version = 1
signal_kind = "instrument_timing"
supported_assets = ["equity", "fund"]
supported_frequencies = ["day"]
required_history = 21
state_schema_version = 1
supported_run_modes = ["paper", "simulation", "shadow", "live"]
description = "Long when close is above its simple moving average."
parameter_schema_json = '''
{"type":"object","properties":{"window":{"type":"integer","default":20,"minimum":2}},"required":["window"],"additionalProperties":false}
'''

factory 使用“模块文件名:类名”格式；parameter_schema_json 决定实例参数的默认值和校验规则。required_history 是默认预热长度；当参数名包含 window 时，系统还会根据实例的实际窗口自动提高预热长度，例如 window=60 会要求至少 61 根 Bar。

改成自己的算法时，通常只需要做三件事：在 _instrument_signal 中替换指标和开平仓条件；把每个可调参数同时加入 defaults 与 parameter_schema_json；让 required_history 覆盖指标所需的最长历史窗口，并按实际数据频率更新 supported_frequencies。

3. 检查注册结果

从仓库根目录运行：

alphapilot trading_definitions

输出的 definitions 中应出现 close_above_sma。如果它出现在 quarantined 中，请按其中的 reason 检查 TOML、导入路径、重复 ID 或 API 版本。若策略不放在仓库的 strategies/ 下，可设置 ALPHAPILOT_STRATEGY_DIR=/绝对路径/strategies；Portal 已经运行时，修改代码或清单后需要重启 Portal 才会重新发现策略。

4. 创建实例并回测

先按快速开始准备好行情数据，然后创建一份带具体参数、股票池、数据政策和仓位政策的实例：

alphapilot trading_instance_create \
  --instance_id=sma_20_demo \
  --strategy_id=close_above_sma \
  --universe=600000.SSE \
  --params='{"window":20}' \
  --frequency=day \
  --data_policy='{"feature_adjustment":"backward","history_window":21,"data_version":"daily-bars-2026-07"}' \
  --portfolio_policy='{"policy_id":"timing_fixed_exposure","params":{"target_percent":0.2,"cash_buffer":0.1,"max_position_weight":0.3}}'

alphapilot trading_instance_validate --instance_id=sma_20_demo
alphapilot trading_preview --instance_id=sma_20_demo \
  --output_path=./results/sma_20_preview.json
alphapilot trading_backtest --instance_id=sma_20_demo \
  --wait=True --output_dir=./results/sma_20_replay

其中 target_percent 属于 PortfolioPolicy，而不是信号算法：它控制信号激活时单个标的的目标仓位。这样，同一套信号代码可以用不同的仓位、现金缓冲和持仓上限创建多个实例。回放结果会在输出目录中保存信号、目标权重、委托、成交、持仓、权益和汇总文件。

5. 编写多因子或模型策略

复杂策略不要把数据读取、模型推理、组合构建和下单揉在一个类里。推荐按以下边界拆分：Provider 计算因子并输出 SignalEnvelope，模型及因子版本放入不可变研究 artifact，PortfolioPolicy 把信号转成目标权重，AccountSizer、RiskGate 和 OMS 继续由框架负责。需要跨周期缓存、在线模型状态或断点恢复时使用 Provider v2，并实现 initialize、warmup、evaluate、snapshot、restore 和 stop。

因子模型已有研究资产时，先把它快照成实例：

alphapilot trading_instance_from_research \
  --instance_id=lgb_factor_v3 \
  --strategy_name=my_lgb_factor_asset \
  --universe=600000.SSE,000001.SZ,510300.SSE \
  --portfolio_policy='{"policy_id":"selection_topk_dropout_equal_weight","params":{"topk":10,"n_drop":2,"max_position_weight":0.1}}'
alphapilot trading_instance_validate --instance_id=lgb_factor_v3

快照会绑定模型 SHA-256、因子与数据指纹、股票池和政策。不同模型或因子组合建议使用不同实例 ID；不要让运行中策略读取任意模型路径。参数、模型、因子、股票池、数据政策或 PortfolioPolicy 改变后，旧部署配置会保留但标记为 stale：先停止 daemon、重新验证实例，再调用一次 trading_deploy 绑定新的 config_hash。

6. 独立配置 PAPER、仿真、SHADOW 或 LIVE

REPLAY 只是 trading_backtest 执行的历史回放，不是部署级别。验证后的实例可以在 daemon 停止时直接配置或替换任意受支持运行模式，不需要逐级“晋级”：

# 内置本地撮合；Provider 固定为 paper
alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=paper

# 券商仿真柜台；Provider 必须声明 simulation 账户能力
alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=simulation \
  --trade_provider=tts --quote_provider=emt --account_profile=tts-sim-main

# 真实账户只读影子运行；永远不能路由订单
alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=shadow \
  --trade_provider=xtp --quote_provider=xtp --account_id=YOUR_ACCOUNT_ID

# 直接配置 LIVE（不依赖 PAPER/SHADOW/UAT/一致性记录）
ALPHAPILOT_AUTOMATED_LIVE_ENABLED=true \
alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=live \
  --trade_provider=xtp --quote_provider=xtp --account_id=YOUR_ACCOUNT_ID

alphapilot trading_start --instance_id=sma_20_demo
alphapilot trading_deployment_subscribe \
  --instance_id=sma_20_demo --symbols=600519.SSE,510300.SSE
alphapilot trading_deployments
alphapilot trading_diagnostics --instance_id=sma_20_demo

trading_deployment_subscribe 只扩展该运行实例的观察行情，不修改实例 universe、config_hash、binding_hash、stale 状态或路由权限。LIVE 启动后先停在待对账状态；运行 trading_reconcile 成功后，再显式运行 trading_resume。即使不再有晋级门禁，LIVE 仍会逐单检查环境开关、账户与 Provider 绑定、单账户单写者、合约/行情、心跳、对账、Kill Switch 和 RiskGate。PAPER/SHADOW 会话与 trading_decision_compare 只提供诊断，不改变部署权限。

Portal 对所有 /api/live、/api/trading 写操作统一使用操作员鉴权，默认模式是 required，包括策略实例、部署配置与生命周期、Kill Switch、daemon 和手工交易。先在本机生成令牌，明文只返回一次：

alphapilot trading_operator_token \
  --operator_id=alice --label=portal --expires_in_days=1

如确需在受信任实验网络中免令牌操作，只能从本机 CLI 修改，配置保存到 ~/.alphapilot/portal/settings.json，重启后生效：

# 查看保存值、当前运行值和是否需要重启
alphapilot portal_operator_auth

# 高风险：关闭强制鉴权并立即请求重启
alphapilot portal_operator_auth \
  --required=false \
  --operator_id=alice \
  --reason="trusted lab network" \
  --acknowledge_network_risk=true \
  --restart=true

# 恢复默认安全模式
alphapilot portal_operator_auth \
  --required=true \
  --operator_id=alice \
  --reason="restore required authentication" \
  --restart=true

ALPHAPILOT_OPERATOR_AUTH_REQUIRED 仍可作为环境覆盖且优先级更高；与 CLI 目标冲突时，CLI 会拒绝写入。optional 会允许所有可达客户端在无令牌时以 portal-unauthenticated 执行交易写操作；主动提供的令牌仍会校验并记录真实操作员，无效令牌仍返回 401。系统允许 0.0.0.0 + optional + ALPHAPILOT_AUTOMATED_LIVE_ENABLED=true，并保留通配 CORS——这意味着局域网客户端和跨站网页都可能无令牌发起真实交易请求。Portal 警告、请求/结果审计、账户绑定、对账、Kill Switch、RiskGate 等交易安全检查会保留，但不能替代网络认证。

迭代策略时，请同步提升清单中的 version 并重启长驻进程。代码、版本或任何实例绑定变化都会产生新的 config_hash 并要求重新验证和重新绑定部署，但不会删除原部署配置或运行诊断。

仓库内还有一个带成交量确认的完整样例：strategies/dual_ma_volume_confirmed。需要生命周期状态、快照与恢复能力时，可继续实现 Provider v2；接口、pip entry point 和自定义 PortfolioPolicy 见自定义策略开发文档，实例生命周期和常见错误见策略实例指南。

🧭 典型工作流

先用 prepare_data 准备行情和 Qlib 数据；因子 h5 cache 会由回测/挖掘任务按需自动生成。
用 mine 或 AlphaForge 系列命令生成候选因子。
用 backtest 做组合回测或 IC 快筛，并在门户中查看结果。
将有效策略沉淀到策略资产，再用 strategy_backtest、daily_signals 或可恢复的 trade_session 持续验证。
如需走向交易，先验证实例，再独立选择 paper | simulation | shadow | live 部署；dry_run 只属于底层调试，REPLAY 只属于回测。研究团队可自行要求演练时长或一致性阈值，但这些诊断不授予或阻断 LIVE。

📚 更多文档

📂 目录结构

AlphaPilot/
├── alphapilot/          # 核心、研究系统、Live Runtime 与 Portal
├── strategies/          # 本地自定义信号策略与显式清单
├── important_data/      # 因子库、策略资产、模板、股票池
├── docs/                # CLI、Docker、架构与实盘接入文档
├── scripts/             # 数据维护及实盘预检 / smoke 工具
├── tests/               # 离线、集成与实盘契约测试
├── Dockerfile.live      # x86_64 券商 SDK 运行镜像
├── docker-compose.yml   # Docker 服务编排
└── README_en.md         # 英文项目首页

XTP Pro / EMT 的 SDK 绑定和 broker 插件属于可选、可能受许可约束的独立包，不是 AlphaPilot 核心源码的一部分；开发环境中出现的本地插件目录默认不参与 Git 同步。

🚧 开发状态与路线图

AlphaPilot 仍在持续开发中：目前存在部分已知 bug 正在修复与优化，功能和接口可能调整，项目会保持更新。

计划中的方向：

加入美股的支持
继续扩展量化择时策略、分钟级研究能力和选股策略优化
优化交互界面，加入更多的可以调节的选项，包括调仓方法，LightGBM等模型参数设置
接入更多因子挖掘方法
持续修复已知问题、完善文档与稳定性
持续完善模拟盘/实盘交易系统、券商适配、恢复流程和安全控制

欢迎通过 Issue / PR 反馈问题与建议。

如果有疑问或者开发问题也可以发送邮件咨询：ruiwong@zju.edu.cn

开发日志

下表按提交时的实现状态记录。旧记录中的 timing_*、stage/parity/qualification、LIVE approval 等接口或门禁已在后续 0.2.0 重构中删除；当前用法以文档中心和自动生成 CLI 参考为准。

日期	类型	功能/模块	目标	关键改动	影响入口	验证	状态/后续
2026-07-25	增强	动态观察行情与策略实例术语	在不中断 daemon 的情况下扩展展示行情，并明确区分策略实例与旧择时策略名称	新增 strategy/observer 两类订阅、50 个动态 observer 上限、首 Tick 等待状态、重连恢复和双层 universe 过滤；Portal 中原“择时策略”字段统一为“策略实例”	`live_daemon_subscribe`、`trading_deployment_subscribe`、Portal「模拟与实盘」页	Live engine/market data/runner、CLI/API、Portal 交互与安全闭环测试	当前 observer 只增不减、停止 daemon 后清空；录制行情保留且不进入策略决策
2026-07-24	安全	Portal 操作员鉴权	让全部交易写接口默认要求操作员身份，同时保留显式的隔离网络实验模式	`/api/live` 与 `/api/trading` 写操作统一使用 `required`/`optional` 模式；新增本机安全设置、只读安全状态、transport 审计和高风险网络提示	`portal_operator_auth`、`GET /api/portal/security`、Portal 策略实例/模拟与实盘页	Portal security、OpenAPI、CLI、前端交互和审计测试	默认保持 `required`；`optional` 不会关闭账户绑定、对账、Kill Switch 或 RiskGate
2026-07-24	破坏性重构	独立部署与中性诊断	将实例校验、部署配置和研究验收解耦，避免诊断事实隐式授予 LIVE 权限	引入 schema v10 `DeploymentSpec`、独立 PAPER/SIMULATION/SHADOW/LIVE 配置、运行诊断和通用 decision comparison；删除 promote/stage/parity/qualification/LIVE approval 状态机	`trading_deploy`、`trading_diagnostics`、`trading_decision_compare`、`/api/trading/deployments/*`	schema v10、部署安全闭环、回放/实盘一致性、CLI/OpenAPI/Portal 回归	当前部署只要求已验证且绑定新鲜的实例；真实路由仍受环境开关、账户/Provider、对账、心跳和逐单风控约束
2026-07-15	实盘验收	全接口验收、Broker UAT v2 与旧入口删除门禁	以一次性完整等价验收和真实券商回报证明正式链路可替代旧入口，同时保持 LIVE 20/5 日门禁独立	schema v8 保存 Git/核心代码/native SDK/插件哈希、两子订单累计金额和 callback 状态；增加只读预检、私有凭据包装器、泄漏扫描，并拆分 removal/live qualification	`/api/trading/{compatibility,removal-check,broker-uat-runs}`、`alphapilot trading_broker_uat_preflight`、`scripts/broker_uat_local.py`	全量后端与 Portal、正式接口矩阵、OpenAPI/CLI、wheel、XTP/EMT 真实模拟 UAT	只有 removal qualification 全绿才删除旧入口；自动 LIVE 仍需独立 20 PAPER 日、5 SHADOW 日、parity 与人工授权
2026-07-14	迁移与验收	新链路等价、Broker UAT 与旧入口删除门禁	在不提前删除兼容入口的前提下证明正式链路等价、确定且可恢复	timing 兼容入口转接正式 REPLAY；增加精确历史窗口、决策 provenance、REPLAY/SHADOW parity、qualification、XTP/EMT 共用 UAT harness、多环境调用证据、schema v6/v7 和 commit 绑定的发布验证；固定 0.2.0 Sunset	`/api/trading/{compatibility,parity-runs,broker-uat-runs}`、`alphapilot trading_{compatibility,removal_check,parity_,qualification,broker_uat_}`、`docs/strategy-trading-migration-0.2.md`	全量测试、Portal coverage/typecheck/build、OpenAPI/CLI、依赖边界、变更行覆盖率和 wheel smoke 必须由发布脚本在干净 commit 上生成报告	正式替代与兼容演练工具已落地；后续由 v8 验收门禁决定删除，20/5 日仅约束自动 LIVE
2026-07-14	全链路重构	策略实例到交易执行	让规则择时和 Qlib 横截面选股分别共享可恢复的信号、组合、账户 sizing、回放和实盘执行链路	新增纯 trading contracts、v1/v2 provider 生命周期与隔离 worker、独立组合政策注册、不可变 Qlib 研究 artifact、D 日决策/D+1 sizing、统一 ReplayRuntime、卖出后买入执行状态机、账户边界、操作员 token/LIVE approval/审计、schema v5 起始迁移、正式 `/api/trading`/`trading_*` CLI 和 Portal 工作台；组合策略只预留接口	`/api/trading/`、`alphapilot trading_`、Portal「择时/实盘」页、`docs/strategy-trading-full-chain.md`	后端与 Portal 回归、typecheck 和生产构建	代码闭环完成；自动 LIVE 默认关闭，仍需 20 日 PAPER、5 日 SHADOW 和 XTP/EMT UAT 后才可受限试运行
2026-07-14	安全重构	策略运行安全闭环	让自动策略只有在部署状态、daemon 实况、账户绑定和恢复对账一致时才可路由	新增 `DeploymentCoordinator`、daemon control port、全绑定自动路由授权、实例/账户/全局 kill switch、真实数据但不可路由的 SHADOW、按配置哈希绑定的 PAPER/SHADOW stage evidence、SQLite v3 顺序迁移与备份；预留并行选股/个股择时/市场择时公共契约但不实现组合算法	`/api/trading/deployments/`、`/api/trading/stage-runs/`、`/api/trading/kill-switches/*`、`alphapilot live_daemon_start --strategy-instance-id`、`docs/strategy-runtime.md`	全量后端、Portal 前端和新增安全/迁移回归	完成首个安全闭环里程碑；仍需执行状态机、真实券商 UAT 和连续 PAPER/SHADOW 运行证据后才可小规模实盘
2026-07-10	重构	实盘券商/行情插件	将券商 SDK 与 AlphaPilot 核心解耦，支持可发现、可安装和可卸载的实盘接入	将 XTP Pro 和 EMT 重构为 `alphapilot.live.plugins` entry point 插件，交易/行情通道可分别配置；新增插件发现、可用性检查及 `live_plugins` 入口	`alphapilot live_plugins` / `live_brokers` / `live_quote_providers`；Portal「实盘」页；`docs/live-xtp.md`；`docs/live-plugins.md`	新增插件安装与注册表测试，并覆盖 CLI、Portal 和 gateway 回归	仍在开发；需在目标券商环境持续验证连接、恢复和实盘安全控制
2026-07-07	新增	模拟盘/实盘交易系统	打通从研究信号到模拟盘/实盘执行的统一交易层，并通过显式风控与确认流程约束真实资金操作	新增 `live` system/module，支持 paper、dry-run、live 模式；新增券商注册表与实盘适配；新增运行时预检查、连接、状态查询、手动下单、目标组合提交、守护进程生命周期控制、策略启动/暂停/恢复/停止、风控状态、追加式账本事件、恢复辅助能力，以及 Portal 实盘 API/UI 集成	`alphapilot live_` CLI；Portal「实盘」页；`/api/live/`；`docs/live-xtp.md`；`Dockerfile.live`	新增并扩展 live engine/runtime/risk/registry/strategy-runner/daemon/recovery/events 测试，以及 Portal live API/前端覆盖	仍在开发；后续继续验证券商侧行为、生产恢复、账户安全限制与实盘运行稳定性
2026-07-01	新增	量化择时系统	在现有选股/回测流程之外提供可复用的技术指标择时能力，并为后续模拟盘/实盘接入预留执行边界	新增 `timing` system/module 与 `alphapilot timing_strategies` / `timing_signal` / `timing_backtest` CLI；实现 BOLL、SMA、双均线、RSI、KDJ、Aroon、StochRSI、ARBR 等内置策略；新增 pandas 技术指标与信号工具、长仓/空仓回测引擎、下一根 bar 开盘成交、手续费/滑点/整手约束、signals/trades/equity_curve/positions/summary 产物；Portal 新增「择时」页、API、后台任务与结果预览；股票池创建/追加支持从已下载股票中勾选；修复前端 `ignoreDeprecations` 以恢复 TypeScript 5.x typecheck	`alphapilot timing_` CLI；Portal「择时」页；`/api/timing/`；后台 job `timing_backtest`；Portal「市场数据」股票池管理	新增 `tests/test_timing_indicators.py`、`tests/test_timing_engine.py`、`tests/test_timing_system.py`；扩展 CLI、Portal API/job、前端页面与参数规格测试	已完成基础版；后续继续扩展分钟级择时、组合级资金分配与实盘适配
2026-06-30	新增	分钟级数据工作流	将 AlphaPilot 从日频扩展到分钟级别，支持盘中研究流程	已支持分钟级别的数据下载、展示、因子挖掘和回测功能	市场数据下载；Portal 数据展示；因子挖掘；因子回测	待完整回归	已完成
2026-06-29	新增	股票池管理	让用户可批量将股票组织成命名股票池，并在回测与因子挖掘中复用	新增 `stock_pool` CLI 模块及完整增删改查（`pool_create` / `pool_list` / `pool_add` / `pool_remove` / `pool_rename` / `pool_delete` 等）；股票池以 JSON 为真实来源并同步到 Qlib instruments；Portal「市场数据」页新增股票池管理区块，挖掘 / 回测 / 库管理 / 调度器表单的「市场 / 股票池」字段改为股票池下拉选择	`alphapilot pool_*` CLI；Portal「市场数据」页；挖掘 / 回测 / 库管理 / 调度器表单；`/api/data/instrument-sets`；`/api/modules/run`	`pytest tests/test_stock_pool.py tests/test_kernel_registry.py`；`npm run build`；`npm run test`	已完成
2026-06-26	新增	Portal 参数帮助	让复杂任务/配置面板更易理解、更一致	新增可复用问号帮助面板，扩展挖掘、回测、库管理、市场数据、日频交易、调度器、通知与高级设置说明；补充 Daily Trade 左侧标题	Portal 各任务/配置面板	`npm run build`；`npm run typecheck` 因现有 `tsconfig.json` 中 `ignoreDeprecations: "6.0"` 与 TypeScript 5.9 不兼容而阻塞	已完成；修复 tsconfig 后再依赖 typecheck
2026-06-24	优化	Portal 市场数据 / K 线图	提升本地 K 线查看体验	主图 + 副图布局；副图支持成交额、成交量、换手率、涨跌幅切换；新增范围按钮、统一 hover、深浅主题适配	Portal「市场数据」页	`npm run typecheck`；`npm run build`	已完成
2026-06-24	新增	因子库 / 重复检查	帮助清理重复或近似重复因子，降低因子库维护成本	新增重复因子检测、建议保留/删除、批量删除相关 API 与 Portal 入口	Portal「因子/策略库」页；`/api/factors/duplicates`；`/api/factors/bulk-delete`	前端 `npm run typecheck`；`npm run build` 覆盖 UI 编译	已完成

Warning

实盘方案仍在验证中，请勿随意登录自己的实盘账号。

🙏 致谢

本项目受到 RndmVariableQ/AlphaAgent 以及DulyHao/AlphaForge启发，进行开发与优化。感谢原作者与社区的工作。

×

_{AlphaPilot · 股票量化研究平台 × ZJU Eagle Lab}

Name		Name	Last commit message	Last commit date
Latest commit History 605 Commits
.github		.github
alphapilot		alphapilot
docs		docs
important_data		important_data
plugins/alphapilot_broker_xcommon		plugins/alphapilot_broker_xcommon
scripts		scripts
strategies/dual_ma_volume_confirmed		strategies/dual_ma_volume_confirmed
tests		tests
.dockerignore		.dockerignore
.env.docker.example		.env.docker.example
.env.example		.env.example
.gitignore		.gitignore
CONTRIBUTING.md		CONTRIBUTING.md
Dockerfile		Dockerfile
Dockerfile.live		Dockerfile.live
LICENSE		LICENSE
README.md		README.md
README_en.md		README_en.md
docker-compose.yml		docker-compose.yml
pyproject.toml		pyproject.toml
requirements.txt		requirements.txt

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

LLM 驱动的量化研究、模拟盘与实盘执行平台

项目简介

核心功能

因子挖掘

回测与评估

策略复测与日频信号

模拟盘与实盘交易

统一 Web 门户

数据准备与管理

通知与远程控制

🚀 快速开始

1. 创建环境

2. 安装项目

3. 配置环境变量

4. 准备数据

5. 启动门户

6. 运行一次任务

7. 体验模拟盘，再接入实盘（可选）

🧩 自定义策略教程

1. 创建策略目录

2. 声明策略清单

3. 检查注册结果

4. 创建实例并回测

5. 编写多因子或模型策略

6. 独立配置 PAPER、仿真、SHADOW 或 LIVE

🧭 典型工作流

📚 更多文档

📂 目录结构

🚧 开发状态与路线图

开发日志

🙏 致谢

About

Releases

Packages

Contributors

Languages

Folders and files

Latest commit

History

Repository files navigation

LLM 驱动的量化研究、模拟盘与实盘执行平台

项目简介

核心功能

因子挖掘

回测与评估

策略复测与日频信号

模拟盘与实盘交易

统一 Web 门户

数据准备与管理

通知与远程控制

🚀 快速开始

1. 创建环境

2. 安装项目

3. 配置环境变量

4. 准备数据

5. 启动门户

6. 运行一次任务

7. 体验模拟盘，再接入实盘（可选）

🧩 自定义策略教程

1. 创建策略目录

2. 声明策略清单

3. 检查注册结果

4. 创建实例并回测

5. 编写多因子或模型策略

6. 独立配置 PAPER、仿真、SHADOW 或 LIVE

🧭 典型工作流

📚 更多文档

📂 目录结构

🚧 开发状态与路线图

开发日志

🙏 致谢

About

Resources

Contributing

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages