基于强化学习和LLM Agent技术的A股量化交易系统
quantA是一个面向A股市场的量化交易系统，结合了强化学习和大语言模型Agent技术，旨在实现中频/日内交易的盈利。
- 多Agent决策: 市场数据、技术分析、情绪分析、策略生成、风控Agent协同工作
- 强化学习: 基于PPO/DQN算法的智能交易策略
- A股适配: 支持T+1、涨跌停、最小申报单位等A股特殊规则
- 高性能执行: Python策略研发 + Rust执行引擎
- 实时监控: 完整的监控告警和合规报告系统
LLM Agent决策层 → 强化学习策略层 → Rust执行引擎 → 数据基础设施
- 决策层: GLM-4驱动的多Agent系统
- 策略层: Stable-Baselines3强化学习框架
- 执行层: Rust高性能订单管理和风控
- 数据层: ClickHouse/DuckDB时序数据存储
| 层级 | 技术选型 |
|---|---|
| LLM模型 | GLM-4/GLM-4-Plus (智谱AI) |
| LLM框架 | LangChain / LangGraph |
| RL框架 | Stable-Baselines3 / FinRL |
| 数据存储 | DuckDB / ClickHouse |
| 数据处理 | Pandas / NumPy |
| 执行引擎 | Rust + PyO3 |
| 券商接口 | 华泰XTP |
- 测试通过率: ✅ 100% (262/262)
- 代码覆盖率: 42.47%
- 文档完整性: ⭐⭐⭐⭐⭐
- 代码质量: ⭐⭐⭐⭐⭐ (Black + Isort + Flake8)
from backtest.engine.backtest import BacktestEngine
from backtest.engine.strategies import BuyAndHoldStrategy
import pandas as pd
# 1. 准备数据
data = pd.read_csv('your_data.csv')
# 2. 创建策略
strategy = BuyAndHoldStrategy(symbol="600519.SH", quantity=1000)
# 3. 运行回测
engine = BacktestEngine(
data={"600519.SH": data},
strategy=strategy,
initial_cash=1_000_000,
)
results = engine.run()
# 4. 查看结果
print(f"收益率: {results['total_return_pct']:.2f}%")
print(f"夏普比率: {results['sharpe_ratio']:.2f}")- Python 3.10+
- Rust 1.70+ (可选，用于高性能执行引擎)
- Linux/macOS (推荐)
# 克隆项目
git clone https://github.com/yourusername/quantA.git
cd quantA
# 创建虚拟环境
python -m venv venv
source venv/bin/activate # Linux/macOS
# venv\Scripts\activate # Windows
# 安装依赖
pip install -r requirements.txt
# 复制环境变量模板
cp .env.example .env
# 编辑.env文件，填入API密钥
vim .env-
获取API密钥:
- 智谱AI: https://open.bigmodel.cn/
- Tushare: https://tushare.pro/
- 华泰XTP: 需要开通华泰证券账户
-
配置环境变量 (
.env):ZHIPUAI_API_KEY=your_key_here TUSHARE_TOKEN=your_token_here
# 初始化数据库
make db-init
# 运行回测示例
make run
# 或
python examples/backtest_example.py
# 运行Agent示例
make run-agent
# 或
python examples/agent_example.py
# 运行RL训练示例
python examples/rl_training_guide.py
# 运行高级策略示例
python examples/advanced_strategy_example.py
# 启动监控面板
make monitor
# 运行测试
make test项目使用 Makefile 管理常用开发任务：
# 测试相关
make test # 运行所有测试
make test-cov # 运行测试并生成覆盖率报告
make test-unit # 只运行单元测试
make test-agents # 只运行Agent测试
make test-rl # 只运行强化学习测试
# 代码质量
make format # 格式化代码 (black + isort)
make lint # 代码检查 (flake8 + mypy)
# 数据库
make db-init # 初始化数据库
make db-backup # 备份数据库
# 其他
make clean # 清理临时文件
make monitor # 启动监控面板
make api # 启动API服务完整的RL训练工作流示例：
# 运行完整RL训练流程
python examples/rl_complete_workflow.py该示例包含：
- 数据准备和预处理
- 交易环境创建
- PPO/DQN模型训练
- 模型评估和对比
- 模型保存和加载
from rl.models import ModelManager
# 创建模型管理器
manager = ModelManager(models_dir="models")
# 保存训练好的模型
version = manager.save_model(
model=trained_model,
algorithm="ppo",
metadata={"total_timesteps": 50000}
)
# 加载模型
model = manager.load_model(version.version_id)
# 列出所有版本
versions = manager.list_versions(algorithm="ppo")使用监控告警系统：
from live.monitoring import create_default_alert_manager, Monitor
# 创建告警管理器
alert_manager = create_default_alert_manager()
alert_manager.start()
# 创建监控器
monitor = Monitor(alert_manager)
monitor.start()
# 查看状态摘要
print(monitor.get_summary())
# 获取完整状态
status = monitor.get_status()系统内置了多种告警规则：
- 亏损限制告警（单日亏损超过5%）
- 回撤限制告警（最大回撤超过10%）
- 持仓集中度告警（单一持仓超过30%）
- 数据延迟告警（数据延迟超过5分钟）
quantA/
├── agents/ # LLM Agent系统 ✅
│ ├── base/ # Agent基类和协调器
│ ├── market_data_agent/ # 市场数据Agent
│ ├── technical_agent/ # 技术分析Agent
│ ├── sentiment_agent/ # 情绪分析Agent
│ ├── strategy_agent/ # 策略生成Agent
│ └── risk_agent/ # 风控Agent
├── rl/ # 强化学习系统 ✅
│ ├── envs/ # A股交易环境 (Gymnasium)
│ ├── models/ # 模型管理和持久化
│ ├── training/ # 训练器 (PPO/DQN/A2C/SAC/TD3)
│ ├── rewards/ # 奖励函数库 (8+种)
│ └── evaluation/ # 模型评估和对比
├── rust_engine/ # Rust执行引擎 🔄
│ ├── src/ # 源代码
│ │ ├── execution.rs # 订单执行
│ │ ├── portfolio.rs # 投资组合
│ │ └── error.rs # 错误处理
│ └── Cargo.toml # Rust项目配置
├── data/ # 数据层 ✅
│ ├── market/ # 行情数据采集
│ ├── storage/ # 数据存储 (DuckDB/ClickHouse)
│ └── fundamental/ # 基本面数据
├── backtest/ # 回测系统 ✅
│ ├── engine/ # 回测引擎、技术指标、A股规则
│ └── metrics/ # 绩效分析和报告
├── live/ # 实盘交易 🔄
│ ├── brokers/ # 券商接口 (XTP)
│ └── monitoring/ # 监控告警系统
│ ├── alerting.py # 告警管理
│ └── monitor.py # 实时监控
├── config/ # 配置文件
│ ├── settings.py # 全局配置
│ ├── symbols.py # 股票池配置
│ └── strategies.py # 策略参数
├── utils/ # 工具函数
├── examples/ # 示例代码
├── tests/ # 测试套件
└── docs/ # 文档
整体进度: 70% (28/40 任务完成) | 测试通过率: 100% (262/262) | 代码覆盖率: 42.47% | 详细进度见 PROGRESS.md
可立即使用的功能模块：
- ✅ 回测系统 - 完整的事件驱动回测引擎，支持20+技术指标
- ✅ A股规则 - T+1、涨跌停、交易时间等A股特定规则
- ✅ 绩效分析 - 夏普比率、最大回撤、胜率等20+绩效指标
- ✅ LLM Agent - 5个专业Agent + 协调器，基于GLM-4
- ✅ 技术指标 - MA/EMA/MACD/RSI/KDJ/布林带/ATR等
- ✅ 报告生成 - 自动生成HTML格式的回测报告
- ✅ 强化学习 - 完整的RL训练框架（PPO/DQN/A2C/SAC/TD3）
- ✅ 模型管理 - 模型版本控制和持久化
- ✅ 监控告警 - 实时监控和告警系统
- 项目结构搭建
- 配置管理 (settings.py, symbols.py, strategies.py)
- 日志和时间工具
- 技术指标计算模块 (20+ 指标)
- A股规则引擎 (T+1/涨跌停/交易时间)
- 事件驱动回测引擎
- 滑点和交易成本模型
- 绩效分析模块
- HTML报告生成
- 双均线策略示例
- Agent基类和消息协议
- Agent协调器 (LangGraph集成)
- GLM-4模型集成
- 5个核心Agent实现
- 市场数据Agent
- 技术分析Agent
- 情绪分析Agent
- 策略生成Agent
- 风控Agent
- A股交易环境 (Gymnasium接口)
- 奖励函数设计 (8+种奖励函数)
- PPO/DQN模型实现 (支持A2C/SAC/TD3)
- 训练和评估框架
- 模型训练和测试
- 模型版本管理
- 大规模训练示例
- Rust基础架构 (错误处理、事件系统)
- 订单管理模块
- 订单簿模块
- 投资组合模块
- Python-Rust绑定 (PyO3)
- Python包装器
- 完整编译和部署
- 性能测试和优化
- XTP接口基础框架
- 模拟交易实现
- 监控告警系统
- Web监控面板 (Streamlit)
- XTP C++ SDK集成
- 实盘数据对接
- 合规报告系统
本系统仅供学习和研究使用。量化交易存在风险，过往业绩不代表未来表现。
- 市场风险：市场波动可能导致亏损
- 模型风险：AI模型可能失效
- 技术风险：系统故障可能影响交易
- 合规风险：需遵守监管要求
本项目仅用于教育和研究目的。使用本系统进行实盘交易的所有风险由使用者自行承担。作者不对任何损失负责。
欢迎提交Issue和Pull Request！
MIT License