QuantLab-AI 是一个专为量化金融爱好者、数据科学家和交易员设计的综合性 Web 平台。它完美融合了传统金融技术分析（Technical Analysis）与前沿的人工智能算法（Deep Learning & Machine Learning）。
无论您是想通过 LSTM/Transformer 预测股价走势，还是想回测 MACD/布林带 交易策略的有效性，亦或是利用 XGBoost/SVM 进行多因子选股，QuantLab-AI 都能提供开箱即用的强大支持。
专业级的行情分析体验，支持多维度技术指标叠加。
- 多股同屏对比：支持同时加载多只股票数据，直观对比走势。
- 全套技术指标：
- 主图：K 线、MA5、MA20、MA50 均线系统。
- 副图：成交量 (Volume)、MACD (平滑异同移动平均线)、RSI (相对强弱指标)。
- 交互操作：支持缩放、平移、十字光标悬停查看详细 OHLC 数据。
- 导出功能：一键导出当前分析图表为 PNG 图片。
集成了统计学与深度学习的预测引擎，参数完全可调。
支持多种模型对未来股价（开盘价）进行预测，并自动划分训练/测试集进行评估。
| 模型类别 | 支持算法 | 适用场景 |
|---|---|---|
| 深度学习 (DL) | LSTM, GRU, RNN, CNN (1D) | 捕捉长短期时间序列依赖关系 |
| 机器学习 (ML) | XGBoost, Random Forest, SVM | 非线性特征建模，抗过拟合 |
| 统计学模型 | ARIMA, GARCH | 捕捉线性趋势与波动率聚类 |
| 基础模型 | Linear Regression | 基准测试 |
- 超参数微调：用户可在 UI 界面自定义 Epochs、Batch Size、神经元数量、树深度、核函数等。
- 评估指标矩阵：自动计算 RMSE (均方根误差)、MAE (平均绝对误差)、R² Score、方向准确率 (Direction Accuracy)。
验证交易逻辑的试金石，提供详细的资金曲线与交易日志。
- 资金管理：自定义初始资金与最大持仓限制。
- 可视化回测：展示策略收益曲线 vs 标的基准走势。
- 详细交易日志：分页展示每一笔买卖操作的时间、价格、股数及单笔盈亏。
- 绩效评估：
- 总收益率 (Total Return)
- 最大回撤 (Max Drawdown)
- 夏普比率 (Sharpe Ratio)
海量股票池中的淘金者，结合基本面与 AI 评分。
- 多维度筛选：支持按市盈率 (PE)、市值 (Market Cap)、成交量 (Volume) 进行初筛。
- 14 种选股策略引擎：
- 基本面/技术面：低估值高分红、RSI 超卖、MACD 金叉。
- AI 评分：决策树分类、SVM 预测、MLP/CNN/LSTM 深度学习打分、PCA 降维选股、K-Means 聚类选股、强化学习 (RL) 模拟评分。
- 结果可视化：选出的股票自动生成 K 线预览图与详细技术指标分析报告。
本项目包含丰富的量化策略实现，您可以直接在仿真和选股模块中使用：
点击展开查看详细策略列表
- MACD Strategy: 基于 DIF 与 DEA 的金叉/死叉信号。
- MA Crossover: 短期均线 (如 MA10) 上穿长期均线 (如 MA50)。
- Bollinger Bands: 价格突破布林带下轨买入，突破上轨卖出。
- RSI Strategy: 利用 RSI < 30 (超卖) 买入，RSI > 70 (超买) 卖出。
- Momentum/Volatility: 基于动量因子与波动率因子的多因子评分。
- Turnover & Volume: 结合换手率与量比的异常交易检测。
- Supervised Learning: 使用历史技术指标 (MACD, RSI, Volatility) 作为特征 (X)，未来涨跌作为标签 (y)，训练模型 (RF, XGB, SVM, LSTM) 进行二分类预测。
- Unsupervised Learning: 使用 K-Means 对股票形态进行聚类。
- 后端框架: Flask - 轻量级且灵活的 Python Web 框架。
- 数据源: yfinance - 雅虎财经 API，提供全球股票数据。
- 数据处理: Pandas, NumPy - 高效的金融数据清洗与向量化计算。
- 可视化: Plotly.js - 高性能交互式金融图表。
- AI 内核:
- TensorFlow/Keras: 构建 LSTM, GRU, CNN 等深度神经网络。
- Scikit-learn: 实现 SVM, PCA, K-Means, Random Forest 等算法。
- XGBoost: 高性能梯度提升树算法。
- Statsmodels/Arch: 专业的时间序列统计建模。
- Python 3.8+
- Git
git clone [https://github.com/your-username/QuantLab-AI.git](https://github.com/your-username/QuantLab-AI.git)
cd QuantLab-AI
### 2. 创建虚拟环境 (强烈推荐)
```bash
# Windows
python -m venv venv
venv\Scripts\activate
# macOS/Linux
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
(如果没有 requirements.txt，可以直接运行以下命令安装核心依赖)
pip install flask yfinance pandas numpy plotly scikit-learn xgboost tensorflow statsmodels arch
python app.py
打开浏览器并访问：http://127.0.0.1:5000
本项目 (QuantLab-AI) 提供的所有数据分析、模型预测及策略回测结果仅供计算机科学与金融工程学习研究使用。
- 数据延迟：数据来源于 Yahoo Finance 公开接口，可能存在延迟或缺漏。
- 模型风险：人工智能模型基于历史数据训练，不保证对未来市场的预测准确性。
- 非投资建议：本平台不构成任何投资建议或诱导。金融市场有风险，投资需谨慎。