QuantML — 期权量化机器学习系统

TSLA 期权策略的多层分析引擎，整合多 Agent 协作分析、胜率预测、入场过滤三大模块。

---

🏗️ 项目架构

QuantML/                        ← GitHub 仓库根目录
│
├── StockAssistant/            # ① 多 Agent 分析引擎
│   ├── agents/
│   │   ├── tech_agent.py        # 技术分析（RSI/均线/支撑阻力）
│   │   ├── social_agent.py      # 舆情分析（关键词+LLM+apewisdom）
│   │   ├── option_agent.py      # 期权分析（VIX/IV/希腊值/策略评分）
│   │   ├── researcher.py        # 多轮辩论（多空论点聚合）
│   │   └── risk_agent.py       # 风险评估（仓位/止损/风控建议）
│   ├── strategy_engine.py       # 策略引擎（含胜率预测+入场过滤）
│   ├── unified_fetcher.py      # 统一数据获取（yfinance 一次拉取）
│   └── demo_multi_agent.py     # 主入口，按格式四输出
│
├── TSLA期权策略/              # ② 策略脚本（执行层）
│   ├── multi_strategy_v2.py    # 多策略组合 V2
│   ├── vertical_spread_v6.py   # 垂直价差 V6
│   └── strategy_engine.py       # 策略引擎（引用 StockAssistant）
│
└── QuantML/                  # ③ ML 模块（预测层）
    ├── models/
    │   ├── win_rate_predictor.py     # 胜率预测接口
    │   ├── train_win_rate_model.py   # 训练脚本
    │   ├── win_rate_table.json      # 32组合历史胜率表
    │   └── win_rate_models.pkl      # LR+RF 模型
    └── data/
        └── market_full.pkl           # TSLA 5年市场数据

---

🔄 模块调用关系

用户请求
    ↓
demo_multi_agent.py（入口，按格式四输出）
    ↓
UnifiedDataFetcher → yfinance 一次获取（price/RSI/VIX/IV）
    ↓
[并行] TechAgent + SocialAgent + OptionAgent
    ↓
StrategyEngine（计算策略 + 入场过滤 + 胜率预测）
    ↓
ResearcherTeam（多空辩论）→ RiskAgent（风控）→ 综合结论

---

📊 核心功能

① 多 Agent 协作分析

• 并行调用 5 个 Agent：技术面 + 舆情 + 期权 + 辩论 + 风控
• 辩论模块支持多轮论证，输出多空论点及置信度
• 按格式四输出，包含到期日 + 预测胜率

② 策略引擎（基于282笔数据分析优化）

• VIX 信号参数：GREEN(OTM 5%) / YELLOW(OTM 7%) / RED(OTM 10%)
• 入场过滤器：RSI极端值 / VIX>30 / OTM<5% → 降低评分或拒绝
• 预测胜率：查表(70%)+模型(30%) 融合输出

③ 胜率预测

• 32 个 RSI×VIX×OTM 组合的历史胜率统计
• LR + RF 机器学习模型（5折交叉验证）
• 置信区间：样本≥20笔→高 / ≥5笔→中 / <5笔→低

---

🚀 快速使用

多 Agent 分析（格式四输出）

cd StockAssistant
python3 demo_multi_agent.py TSLA

多策略分析

cd ../TSLA期权策略
python3 multi_strategy_v2.py TSLA

胜率预测

import sys
sys.path.append('../QuantML/models')
from win_rate_predictor import predict_win_rate

result = predict_win_rate(
    rsi=35, vix=18, otm_pct=-7.6,
    trend='下跌', strategy_type='ShortPut'
)
# result: {win_rate: 0.73, confidence: '中', n: 15, ci_low: 0.61, ci_high: 0.84}

---

📈 数据积累机制

触发	操作
新平仓交易	追加到交易记录 → 同步重训练
每50笔真实交易	重新训练模型，ML权重提升
每周	fetch_all_data.py --update 更新市场数据

---

📁 文件说明

文件/目录	说明
StockAssistant/	多 Agent 核心逻辑 + 策略引擎
TSLA期权策略/	策略执行脚本（V2/V6）
QuantML/models/	机器学习模块（胜率预测）
QuantML/data/	历史市场数据（本地）
期权记录.xlsx	真实交易记录（本地，不上传）

---

⚠️ 免责声明

本项目仅供学习和研究使用，不构成投资建议。期权交易存在风险，实际亏损由投资者自行承担。

---

💻 开发环境

基于 Linux 开发，当前运行在 Ubuntu (Kernel 6.8) + Python 3.12。

系统依赖

依赖	版本	用途
Python	≥3.10	运行环境
yfinance	≥1.2.0	美股数据获取
requests	-	HTTP 请求
scikit-learn	-	ML 模型
scipy	-	统计计算
Mihomo	-	代理（VPN）
git	-	版本控制

代理配置

项目使用 Mihomo（代理客户端），代理地址 http://127.0.0.1:7897。配置位于 ~/.openclaw/clash.yaml。yfinance 请求通过代理转发以避免 IP 限流。

运行示例

cd StockAssistant
python3 demo_multi_agent.py TSLA