LLM Trader · A 股大模型自动交易框架

执行者：Codex ｜ 最后更新：2025-11-05
面向数据驱动的量化团队，提供“行情采集 → 策略生成 → 风险控制 → 执行复盘 → 仪表盘”一站式流水线。

📌 快速索引

项目亮点
架构总览
快速开始
使用指南
自动化交易全流程
配置项速查
质量保证
路线图
参与贡献
社区与支持
许可证

✨ 项目亮点

全链路闭环：内置 scripts/run_full_pipeline.py，实现行情同步、LLM 策略生成、风险评估、交易执行、报表输出的自动化。
大模型驱动策略：LLMStrategyGenerator 使用 OpenAI Chat Completions 生成规则与标的，支持多场景提示词模板及日志追溯。
真实行情接入：OhlcvPipeline、RealtimeQuotesPipeline 默认对接东方财富公开接口，并在证券主表采集阶段自动尝试多个 push2 子域；若外部接口不可用，会依次降级至上交所/深交所官方公开数据，再回退到本地 metadata/symbols.parquet 缓存，保障流程不中断。所有数据统一落地 ParquetRepository。
自动选股：无需手动维护候选列表，系统会在全 A 股范围内按成交额/换手率等指标排序，选取前 symbol_universe_limit 个标的传递给大模型评估，可通过 TRADING_SELECTION_METRIC 自定义指标。
风险可控执行：run_managed_trading_cycle 复用回测撮合引擎，结合 RiskPolicy 的回撤、波动、行业集中度等阈值做风控决策。
多格式报表与可视化：ReportBuilder + ReportWriter 输出 CSV、Markdown、JSON，Streamlit 仪表盘支持实时交易看板、成交分布/趋势图、资金曲线对比及 LLM 日志浏览。
执行历史留痕：每次自动交易循环会写入 trading/runs/*.parquet，记录大模型 prompt/response、策略规则、风控结论、订单与成交统计，可通过 API 或仪表盘回溯。
DevOps 友好：Poetry/Conda 互通，Docker Compose 一键带起数据同步、策略执行、Dashboard。

🧱 架构总览

层级	职责	关键位置
数据采集	东方财富证券主表、行情、实时快照同步与清洗	`src/llm_trader/data/pipelines/`, `src/llm_trader/data/repositories/parquet.py`
策略生成	Prompt 模板管理 + LLM 规则解析	`src/llm_trader/strategy/llm_generator.py`, `src/llm_trader/strategy/prompts.py`
交易执行	实时行情摘要、订单生成、撮合记录	`src/llm_trader/trading/orchestrator.py`, `src/llm_trader/trading/session.py`
风控管理	账户权益监控、告警、行业风险约束	`src/llm_trader/trading/manager.py`, `src/llm_trader/trading/policy.py`
报表与可视化	报表管道 + Streamlit 仪表盘	`src/llm_trader/reports/`, `dashboard/app.py`
自动化管道	回测验证、受控执行与状态跟踪	`src/llm_trader/pipeline/auto.py`, `scripts/run_full_pipeline.py`

更多背景文档请访问 docs/：包括数据仓储 (docs/data_store.md)、风控 (docs/risk_management.md)、实时行情 (docs/realtime_data.md) 等。

🚀 快速开始

环境准备

# 使用 Poetry
poetry install
poetry shell

# 或使用 Conda
conda create -n llm-trader python=3.10
conda run -n llm-trader python -m pip install -r requirements.dev.txt

基础验证

env PYTHONPATH=src python -m pytest

必备配置

复制 .env.example → .env
填写 OPENAI_API_KEY（或兼容接口凭证）
确保 DATA_STORE_DIR 指向读写权限目录
推荐保持 TRADING_EXECUTION_MODE=sandbox

🛠 使用指南

1. 数据准备

# 同步证券主表
python -m llm_trader.data.pipelines.symbols

# 同步行情（示例）
python scripts/run_realtime_scheduler.py --symbols 600000.SH 000001.SZ

首轮运行请先完成证券主表与历史行情同步，否则自动化流程会直接阻断。
同步成功后会在 DATA_STORE_DIR/metadata/symbols.parquet 缓存最近一次的证券主表，后续若东方财富及交易所接口全部失联，系统会自动使用该缓存继续运行。

2. 全流程自动化（本地运行）

推荐方式：使用统一入口一次启动全流程、调度器与仪表盘（默认每 5 分钟自动调度）：
```
env PYTHONPATH=src python app.py
```
- 首次启动会立即执行一次自动交易循环；
- 后续由 APScheduler 根据 config/scheduler.prod.json 的设置每 5 分钟触发一次 managed-trading 任务；
- Streamlit 仪表盘会自动在 DASHBOARD_PORT（默认 8501）监听，可通过 LLM_TRADER_SCHEDULER_CONFIG 指定其他调度配置，或设置 LLM_TRADER_SKIP_INITIAL_PIPELINE=1 跳过首次全量执行。
- 调度任务 run_cycle 会与全流程脚本一致写入 trading_runs 摘要，包含大模型 Prompt/Response、风控结论等信息，供仪表盘新标签实时查看。
（可选）如仅需执行一次而不启动调度器，可继续使用原脚本：
- 确认 .env 中已配置以下核心项（可参考 .env.example）：
  TRADING_SESSION, TRADING_STRATEGY, TRADING_SYMBOLS, TRADING_OBJECTIVE, TRADING_FREQ, TRADING_LOOKBACK_DAYS、OPENAI_API_KEY 等。
  默认报表目录由 TRADING_REPORT_OUTPUT_DIR 控制（缺省为 reports/）。
- 运行自动化脚本：
```
env PYTHONPATH=src python scripts/run_full_pipeline.py
```
该脚本会依次执行 证券主表 & 实时/历史行情同步 → LLM 策略生成 → 回测验收 → 风控执行 → 报表写入，并将阶段结果写入 ${REPORT_OUTPUT_DIR}/status.json。证券主表步骤会先尝试东方财富多域名接口，若均失败则自动切换至上交所/深交所公开数据；如交易所接口仍不可用则会回退到本地缓存的 symbols.parquet。实时行情同步后会自动按 TRADING_SELECTION_METRIC（默认 amount）排序选出前 TRADING_SYMBOL_UNIVERSE_LIMIT 个标的传递给大模型。首次运行若网络受限仍建议预先拉取关键标的，脚本会在缺失时自动补齐指定窗口。
产出的报表与 LLM 日志位于 ${REPORT_OUTPUT_DIR}/<strategy>/<session>/<timestamp>/，可在仪表盘实时看板与图表模块中查看。
若需自定义调度，可直接调用调度器脚本：
```
env PYTHONPATH=src python scripts/run_scheduler.py config/scheduler.prod.json
```
配置文件可自定义作业、频率与管道组合。

3. 单次 AI 交易循环（沙盒）

python scripts/run_ai_trading_cycle.py \
  --session demo-session \
  --strategy demo-strategy \
  --symbols 600000.SH 000001.SZ \
  --objective "获取稳健收益"

大模型生成策略规则与 selected_symbols
复用本地撮合执行，结果写入 data_store/

4. 启动仪表盘

conda run -n llm-trader streamlit run dashboard/app.py

访问 http://localhost:8501，界面包含四个标签：提示词管理、实时交易、自动交易历史 与 自动交易调用日志。第四个标签聚合最新写入的 trading_runs 记录，可按策略/会话筛选并查看完整的 Prompt / Response，点击“刷新调用日志”按钮即可清除缓存并加载最新调度结果。

5. 查询历史摘要

全量流水线每次执行后会在 data_store/trading/runs/strategy=<策略ID>/session=<会话ID>/runs.parquet 写入历史摘要，包含大模型 Prompt/Response、策略规则、风控结论、订单与成交统计。

可通过 FastAPI 查询：

curl -H "X-API-Key: ${LLM_TRADER_API_KEY}" \
     "http://127.0.0.1:8000/api/trading/history?strategy_id=strategy-llm&session_id=session-sandbox&limit=20"

返回示例：

{
  "code": "OK",
  "message": "success",
  "data": [
    {
      "timestamp": "2025-11-04T03:35:56.585894",
      "status": "executed",
      "decision_proceed": true,
      "orders_executed": 1,
      "trades_filled": 1,
      "selected_symbols": ["600000.SH", "000001.SZ"],
      "suggestion_description": "基于短期均线与相对强弱指标的交易策略……",
      "rules": [...],
      "llm_prompt": "...",
      "llm_response": "{...}",
      "alerts": []
    }
  ]
}

6. Docker 一键流程

docker compose -f docker-compose.prod.yml up --build

容器内入口脚本会执行完整流水线并启动 Dashboard。阶段状态持续写入 ${REPORT_OUTPUT_DIR}/status.json。同时，容器会调用 python app.py，先执行一次自动交易循环，再根据 config/scheduler.prod.json 自动每 5 分钟运行一次 managed-trading 任务；无需额外手动启动调度器。若需仅构建镜像，可执行 docker compose build。

🔄 自动化交易全流程

阶段	说明	关键实现	测试
行情采集	东方财富 K 线、实时行情采集与落地	`src/llm_trader/data/pipelines/ohlcv.py`, `src/llm_trader/data/pipelines/realtime_quotes.py`	`tests/data/test_ohlcv_pipeline.py`, `tests/data/test_realtime_quotes.py`
候选标的	周期同步证券主表，东方财富失败时降级至上/深交易所并最终回退本地缓存，生成候选列表	`src/llm_trader/data/pipelines/symbols.py`, `_resolve_candidate_symbols`	`tests/data/test_symbols_pipeline.py`, `tests/trading/test_orchestrator.py`
大模型策略	Prompt 模板 → OpenAI → 规则解析与日志	`src/llm_trader/strategy/llm_generator.py`, `src/llm_trader/strategy/prompts.py`	`tests/strategy/test_llm_generator.py`, `tests/strategy/test_prompts.py`
交易执行	订单生成、撮合、账户快照	`src/llm_trader/trading/orchestrator.py`, `src/llm_trader/trading/session.py`	`tests/trading/test_session.py`, `tests/trading/test_orchestrator.py`
风险控制	回撤、仓位、行业集中度等阈值评估与告警	`src/llm_trader/trading/manager.py`, `src/llm_trader/trading/policy.py`	`tests/trading/test_manager.py`, `tests/trading/test_policy.py`
回测验收	`BacktestRunner` 校验策略表现	`src/llm_trader/pipeline/auto.py`	`tests/pipeline/test_auto.py`, `tests/pipeline/test_full_pipeline.py`
报表输出	生成 CSV/Markdown/JSON + LLM 日志	`src/llm_trader/reports/`	`tests/reports/test_builder.py`
历史留痕	汇总模型输入输出、风控决策、订单统计	`src/llm_trader/pipeline/auto.py`, `src/llm_trader/data/repositories/parquet.py`, `src/llm_trader/api/utils.py`	`tests/pipeline/test_auto.py`, `tests/data/test_trading_repository.py`, `tests/api/test_trading.py`
状态追踪	`PipelineController` 写入阶段状态与告警	`scripts/run_full_pipeline.py`	冒烟测试脚本

⚙️ 配置项速查

变量	说明	默认值
`OPENAI_API_KEY`	调用大模型所需凭证	无（必填）
`TRADING_EXECUTION_MODE`	`sandbox` / `live`，live 目前为 mock 实现	`sandbox`
`TRADING_SYMBOLS`	默认候选标的（留空则自动选股）	空
`TRADING_SYMBOL_UNIVERSE_LIMIT`	自动选股时的最大候选数量	`200`
`TRADING_SELECTION_METRIC`	自动选股指标（`amount`/`volume`/`turnover_rate` 等）	`amount`
`TRADING_LOOKBACK_DAYS`	自动化回测历史窗口天数	`120`
`TRADING_REPORT_OUTPUT_DIR`	报表及状态文件输出目录	`reports`
`DATA_STORE_DIR`	Parquet 数据仓储根目录	`data_store`
`MONITORING_ALERT_CHANNEL`	告警输出渠道 `log`/`stdout`/`stderr`	`log`

更多配置可在 config/settings.py 中查阅，支持 .env / 环境变量覆盖。

✅ 质量保证

推荐的测试流程：
1. env PYTHONPATH=src python3 -m pytest tests/decision tests/trading tests/tasks -q（核心决策链路）
2. env PYTHONPATH=src python3 -m pytest tests/pipeline/test_auto.py -q（自动化管线）
3. env PYTHONPATH=src python3 -m pytest tests/api/test_config_models.py -q（配置中心）
4. 在具备 PostgreSQL/Redis 的环境中执行 env PYTHONPATH=src python3 -m pytest，若仅有 SQLite 可使用 PYTEST_ADDOPTS="--maxfail=1 --timeout=300" 并预期 tests/decision/test_decision_service.py 因 JSONB 跳过。
5. 数据回归：env PYTHONPATH=src python3 -m pytest tests/data/test_trading_repository.py tests/data/regression/test_data_quality.py tests/data/test_symbols_pipeline.py -q，验证 Parquet 仓储与多级降级策略。
运行前请确保本地或容器内提供 PostgreSQL（支持 JSONB）与 Redis；若使用 docker，可执行 docker compose -f docker-compose.prod.yml up -d postgres redis。
重点回归：tests/data/regression/test_data_quality.py、tests/trading/test_manager.py
文档与验证记录：verification.md、.codex/testing.md
Health Check：env PYTHONPATH=src python scripts/healthcheck.py
离线/受限环境：
- 使用 env PYTHONPATH=.codex/vendor:src ... 引入仓库随附的第三方依赖；如需额外包，请将对应 wheel/tarball 置于 .codex/vendor/ 后执行 python3 -m pip install --no-index --find-links .codex/vendor -r requirements.dev.txt。
- 当前缺少 httpx==0.27.2 的离线包，需提前下载或调整 requirements；否则请在具备外网的环境完成一次 pip download 并缓存。
- 长耗时 pytest 可按模块分批执行，并为全量回归设置 PYTEST_ADDOPTS="--maxfail=1 --timeout=600 --durations=10" 观察慢用例，必要时在 tests/data 引入固定数据以避免外部请求。

Docker 测试流程

适用于需要完整 PostgreSQL / Redis / Worker 的端到端验证场景。

准备环境
- 安装 Docker 24+ 与 Compose 插件。
- 将 .env 与 config/ 下的必要配置复制到当前目录。

构建镜像

docker compose -f docker-compose.prod.yml build

或仅构建特定服务：

docker compose -f docker-compose.prod.yml build api worker dashboard

执行集成测试
```
docker compose -f docker-compose.prod.yml up --build --abort-on-container-exit
```
- api 服务在启动脚本中会自动运行 python -m pytest，日志输出可在 api 容器终端查看。
- worker / dashboard 会在 postgres、redis 就绪后拉起，便于观察实时数据。
收集结果
- 测试日志：docker compose logs api.
- 若需导出报告，可在 reports/ 目录挂载宿主机路径。
清理资源
```
docker compose -f docker-compose.prod.yml down -v
```
释放容器与挂载卷。若测试失败，请在 verification.md 记录命令、日志摘要与失败原因。

注意：当前环境（LLM Trader 开发沙箱）禁用 Docker 命令，如需实际运行，请在拥有 Docker 权限的机器上执行并将日志粘贴回仓库。

🗺 路线图

优先级	事项	目标
P0	接入真实券商执行适配器	为 `live` 模式提供真实下单、资金同步与回滚能力
P1	扩展风控指标生态	引入 VaR、敞口黑名单、日内波动限额等可配置指标
P1	多账户/多策略提示词治理	独立模板仓库、审批流程与版本审计
P2	Docker 周期化管道	单容器内提供多轮执行与恢复策略
P2	数据资产回溯	行情/报表归档与断档检测机制

路线图详情与优先级调整记录于《开发计划.md》。

🤝 参与贡献

Fork & 拉取子分支，保持小步提交，Commit message 使用祈使句。
修改前同步更新 .codex/operations-log.md、verification.md。
提交 PR 时请包含：变更摘要、测试命令/日志、关联任务。
文档更新需注明日期与执行者身份。
贡献者需遵循现有代码风格（PEP 8、中文注释、路径引用）。

若需新增模块，请先在《项目需求.md》与《开发计划.md》登记，确保文档与实现同步。

🧭 社区与支持

📚 文档：docs/ 目录（数据存储、风控、调度、策略等）
🧪 测试：tests/ 下按模块划分的单元/集成测试
🛠 工具：scripts/ 提供数据同步、策略执行、报表生成脚本
❓ 问题反馈：当前仅限内部 Issue / Scrum 频道

如需规划新特性，请在《项目需求.md》提交条目，或联系维护者。

📄 许可证

当前未公开对外许可证，代码仅供内部评估与试运行，禁止传播或商用。
后续若对外开源，将补充正式 License 文件并更新本说明。

感谢关注 LLM Trader！欢迎在 Dashboard 与报告中探索大模型驱动的量化交易新范式。 ✨

Name		Name	Last commit message	Last commit date
Latest commit History 13 Commits
.codex		.codex
alembic		alembic
config		config
dashboard		dashboard
docker		docker
docs		docs
scripts		scripts
src/llm_trader		src/llm_trader
tests		tests
.dockerignore		.dockerignore
.env		.env
.env.example		.env.example
.gitignore		.gitignore
AGENTS.md		AGENTS.md
Dockerfile		Dockerfile
Dockerfile.dev		Dockerfile.dev
Makefile		Makefile
README.md		README.md
alembic.ini		alembic.ini
app.py		app.py
docker-compose.dev.yml		docker-compose.dev.yml
docker-compose.prod.yml		docker-compose.prod.yml
monitor.md		monitor.md
pyproject.toml		pyproject.toml
pytest.ini		pytest.ini
requirements.dev.txt		requirements.dev.txt
start.ps1		start.ps1
start.sh		start.sh
verification.md		verification.md
详细方案.md		详细方案.md
项目需求.md		项目需求.md

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

LLM Trader · A 股大模型自动交易框架

📌 快速索引

✨ 项目亮点

🧱 架构总览

🚀 快速开始

环境准备

基础验证

必备配置

🛠 使用指南

1. 数据准备

2. 全流程自动化（本地运行）

3. 单次 AI 交易循环（沙盒）

4. 启动仪表盘

5. 查询历史摘要

6. Docker 一键流程

🔄 自动化交易全流程

⚙️ 配置项速查

✅ 质量保证

Docker 测试流程

🗺 路线图

🤝 参与贡献

🧭 社区与支持

📄 许可证

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Folders and files

Latest commit

History

Repository files navigation

LLM Trader · A 股大模型自动交易框架

📌 快速索引

✨ 项目亮点

🧱 架构总览

🚀 快速开始

环境准备

基础验证

必备配置

🛠 使用指南

1. 数据准备

2. 全流程自动化（本地运行）

3. 单次 AI 交易循环（沙盒）

4. 启动仪表盘

5. 查询历史摘要

6. Docker 一键流程

🔄 自动化交易全流程

⚙️ 配置项速查

✅ 质量保证

Docker 测试流程

🗺 路线图

🤝 参与贡献

🧭 社区与支持

📄 许可证

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages