基于深度神经网络强化学习的量化因子挖掘中心：从 Parquet / MT5 K 线自动搜索可解释因子公式，支持 Web 端训练、回测与实时信号分析。
QQ 交流群：975328619
仓库地址：github.com/rosemarycox5334-debug/AlphaMaster
AlphaMaster 把「挖因子」做成一条可操作的流水线：
- 训练：用强化学习在特征 + 算子空间里搜索公式，按验证集表现选优
- 回测：用
tanh(因子)连续仓位在历史行情上模拟交易，看资金曲线与绩效 - 实时分析：按周期收盘后重算信号，展示方向与把握；方向转折可推飞书提醒
公式以 token 序列保存（如 strategies/best_BTCUSDT.json），可用 StackVM 解释执行，训练 / 回测 / 实时共用同一套信号逻辑。
pip install -r requirements.txt
python run_web.py --port 8765浏览器打开 http://127.0.0.1:8765。界面分三步：
| 步骤 | 作用 |
|---|---|
| 01 模型训练 | 选 Parquet、开始 / 重新训练、看曲线与日志、导出策略与检查点 |
| 02 策略回测 | 选策略 JSON，设手续费 / 滑点，看绩效与资金曲线 |
| 03 实时分析 | 多数据源监控，收盘后更新信号；可选飞书转折提醒 |
- Parquet 命名：
{品种}_{周期}.parquet，例如BTCUSDT_H1.parquet、XAUUSD_H1.parquet - 开始训练：有检查点则断点续训
- 重新训练：清除检查点从头搜索；已有更优策略作为分数下限，不会被弱结果覆盖
- 展示最优分数、验证分数、训练曲线与最优公式；可选 AI 分析当前训练情况
- 仓位：
position = tanh(factor)，信号越强仓位越大 - 成本：手续费 + 滑点（默认约 0.02% / 0.01%）
- 输出：总收益、夏普、索提诺、盈亏比、滚动夏普与资金曲线
- 数据源：MT5 / OKX 等（以界面可用源为准）
- 只在当前周期 K 线收盘后重新判断；未收盘 bar 不参与信号
- 卡片展示方向（看涨 / 看跌 / 不确定）与把握程度
- 可选飞书 Webhook：仅在方向转折时推送文字提醒
AlphaMaster/
├── web/ # FastAPI Web UI（训练 / 回测 / 实时）
├── model_core/ # 特征、算子、StackVM、训练引擎、回测评分
├── data_pipeline/ # Parquet / MT5 K 线加载与对齐
├── strategy_manager/ # 实盘信号与仓位逻辑（与回测口径一致）
├── execution/ # MT5 下单接口
├── backtest_viz/ # 回测引擎与图表
├── strategies/ # best_{symbol}.json 策略文件
├── checkpoints/ # 训练检查点
├── run_web.py # 启动 Web 控制台
├── train_file.py # CLI：从单个 Parquet 训练
└── requirements.txt
- Python 3.10+（建议 3.11）
- PyTorch、pandas、FastAPI、uvicorn 等（见
requirements.txt） - 可选：MetaTrader 5 终端（实时 MT5 源 / 实盘相关脚本）
- 复制
.env.example为.env填写 MT5 等凭证（.env已 gitignore）
python -m pip install -r requirements.txt
# TradingView 若上面 git 行失败，可单独装：
# python -m pip install git+https://github.com/rongardF/tvdatafeed.git# Web 控制台
python run_web.py --port 8765
# CLI 训练（自动续训；加 --from-scratch 则重新训练）
python train_file.py --data-file D:\K线数据\BTCUSDT_H1.parquet
python train_file.py --data-file D:\K线数据\BTCUSDT_H1.parquet --from-scratch策略输出默认在 strategies/best_{symbol}.json。
- 因子经 StackVM 算出标量序列
position = tanh(factor)∈ (-1, 1)|position|小于阈值时视为无信号（观望）- 实时侧只用已收盘 K 线，避免盘中抖动与回测不一致
仓库内展示图由当前 Web UI 截取，可用：
python scripts/capture_readme_shots.py（需本机已启动 python run_web.py --port 8765，并已安装 Playwright + Chromium。）
本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0)。
修改、分发或通过网络提供服务时，须按相同协议公开对应源代码。