保姆级Qbot上手指南：四步本地部署你的AI量化交易系统-北京尧图网络

保姆级Qbot上手指南四步本地部署你的AI量化交易系统【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot晚上十点老张盯着手机里的K线图叹了口气今天又因为开会错过了卖出信号浮盈回吐了大半。他不是不努力——每天盯盘三四个小时Excel里记了满满一屏交易记录可真要复盘时还是说不清这笔到底赚在哪、亏在哪。这大概是很多散户的日常信息不少、时间不够、纪律全凭意志力。如果你也有同感不妨看看Qbot。它是一款完全本地部署的AI量化交易系统把行情采集、策略回测、信号推送和自动下单串成一条完整流水线让规则替你下单、数据替你做复盘成为现实。别再靠肉眼盯盘了散户手工交易的三个死结先说清楚我们到底在解决什么问题否则工具装好了也白搭。死结一盯盘是效率最低的信息获取方式。一个人的眼睛和精力有限盯得住自选股就盯不住大盘盯得住A股就盯不住币圈。而机器可以同时盯着几十个标的24小时不眨眼。死结二复盘靠记忆等于没有复盘。手工记录很难回答三个关键问题我的策略长期胜率是多少最大回撤发生在什么时候收益到底是靠运气还是靠逻辑这些恰恰是量化交易最擅长用数据回答的。死结三下单靠冲动纪律形同虚设。涨了想追、跌了想扛情绪一来之前想好的买卖规则全部作废。把规则写进程序让程序执行是斩断情绪干扰最直接的办法。Qbot 的设计初衷正是把这三件事自动化数据它来抓信号它来算回测它来做你的账户、策略和数据全部留在自己电脑上不经过任何第三方服务器。想清楚这一点我们再花点时间让它跑起来。新手如何在一小时内跑通第一次MACD回测先别急着研究架构我们用最短路径拿到第一次正反馈跑一个现成的MACD策略回测亲眼看到期初资金变成期末资金。打开终端依次执行三步# 第一步把项目克隆到本地安装目录按自己习惯选择 git clone https://gitcode.com/GitHub_Trending/qbot/Qbot cd Qbot # 第二步安装依赖建议先为项目创建独立的 Python 虚拟环境 pip install -r requirements.txt # 第三步运行官方自带的 MACD 回测示例 python docs/tutorials_code/02.easy_macd_strategy/macd.py这个示例只有两个关键点它读取同目录下的603186.csv历史行情然后用 EMA(12) 减 EMA(26) 构造MACD金叉买入、下跌超10%卖出。程序跑完会在终端打印Starting Portfolio Value和Final Portfolio Value并自动弹出一张包含买卖信号标记的走势图图注从上到下依次是资产与现金变化、K线与均线、成交量、MACD指标绿色三角为买入、红色三角为卖出。初次跑通看到这张图你就已经走完了数据→策略→回测→可视化的最小闭环。想看一眼更完整的回测报告可以在图形界面里操作安装依赖后运行python main.py会打开AI智能量化投研平台窗口其中自带的回测页面能同时展示净值曲线、年度收益柱状图和关键指标表如下所示图注重点关注三条信息——策略曲线与基准曲线的相对位置、年度收益的正负分布、底部的累计收益/年化收益/夏普比率等指标。如果你在 Windows 上遇到 wxPython 安装失败别慌dev/目录下已经按 Python 3.8/3.9 和不同系统打包好了对应的 whl 文件直接pip install dev/wxPython-xxx.whl即可。看到回测图之后大多数人会冒出同一个问题这一套东西到底是怎么转起来的把Qbot想成一家餐厅数据、策略和交易是怎么串起来的与其背架构图不如把整个系统想象成一家后厨流水线每个环节都有明确分工。采购员负责进食材对应数据管理模块。它从 tushare、baostock、同花顺等多个源并行拉取行情再通过清洗和特征工程把带泥的菜变成切好的净菜存进本地数据库。你的所有数据只在本机流转这就是完全本地部署的分量所在。菜谱决定做什么菜对应策略引擎。项目里已经备好了几十本菜谱经典技术指标MACD、RSI、布林带、形态类策略双底、突破以及机器学习类策略XGBoost、LightGBM、LSTM。想吃什么口味照着docs/03-智能策略/和pytrader/strategies/里的模板选就行。试菜环节决定能不能上菜单对应回测引擎。它用历史数据模拟真实交易告诉你这道菜在过去几年是赚钱还是亏钱、波动有多大。qbot/engine/backtest/目录下的示例就是干这个的。出餐与质检对应实盘机器人和风控模块。信号触发后系统按预设仓位下单同时盯住回撤和流动性一旦超限就暂停交易。把这几层连起来看就是下面这张整体架构图图注从自选股票池出发数据管理、选股、组合分析、择时四个模块各自出活最终汇入实盘机器人完成交易与风控。原理清楚了接下来就到了新手摔跤最集中的路段配置和回测细节。新手最容易踩的3个配置与回测大坑坑一数据源没配好程序空转不出结果。Qbot 默认从多个数据源取数其中部分接口如 tushare需要申请 token。正确姿势是先复制示例配置再改cp utils/configure/sample_config.json utils/configure/config.json然后在config.json里填入你自己的 token 和数据存储路径。很多人跳过这一步直接跑程序看似在运行实际拿不到数据回测结果自然是空的。坑二复权没搞清楚回测曲线严重失真。股票分红送股会产生除权跳空K线上凭空出现一根断崖。如果历史数据没有做前复权或后复权处理MACD、均线这些依赖价格连续性的指标会计算出错误信号。跑长周期回测前务必确认你用的行情是复权数据。坑三回测参数设得太美实盘立刻露馅。手续费设为 0、滑点设为 0回测曲线当然漂亮但真实市场里每一笔成交都要付成本。一个比较贴近现实的起始配置长这样{ benchmark: 000300.SH, start_date: 2019-01-01, end_date: 2023-12-31, initial_capital: 500000, commission: 0.00025, slippage: 0.0005 }参数含义以沪深300为基准、起始资金50万、双边佣金万2.5、单笔滑点万分之5。先用这类保守参数跑如果结果还能看再谈优化一上来就把成本归零等于自欺欺人。同理风控参数也别放飞比如把最大回撤阈值放在20%、单票仓位上限15%左右留足安全垫。绕开这三个坑你的回测结果才真正具备参考价值。下一步的问题自然变成怎么让策略更聪明一点想让策略更聪明从均线到AI模型的升级路线很多新手跑通 MACD 后就想上机器学习这里给你一条稳妥的升级路径每走一步都能看到明确收益。第一步让多个指标互相验证。单一指标的假信号很多把 MACD 和 KDJ 叠加起来做共振过滤误报率会明显下降。官方示例在docs/tutorials_code/04.kdj_with_macd/kdj_macd.py跑完对比Figure_kdj.png和Figure_kdj_with_macd.png两张图你能直观看到信号质量的变化。第二步引入机器学习模型做预测。当你有了一定的历史回测积累可以试试pytrader/strategies/lgb_strategy.py这类梯度提升树策略用成交量、涨跌幅、技术指标等结构化特征预测未来收益方向。项目还内置了更前沿的 Transformer、TFT、强化学习等模型基准都在pytrader/strategies/benchmarks/下模型库界面长这样图注左侧为经典策略股票、基金、期货右侧为智能策略GBDT、RNN、Transformer、强化学习按算法分类清晰。第三步让多个策略投票而不是单打独斗。单一策略总有失灵的市场环境组合可以在一定程度上平滑波动。一个可复制的最小示例# 三个子策略的初始权重趋势占大头回归和机器学习做补充 strategies [ {name: 双均线趋势, weight: 0.5}, {name: 布林带回归, weight: 0.3}, {name: 随机森林选股, weight: 0.2}, ] # 每个季度根据夏普比率动态调整权重 def adjust_weights(metrics): total sum(m[sharpe] for m in metrics) for m in metrics: m[weight] m[sharpe] / total # 表现好的策略分到更多预算 return metrics第四步先上模拟盘再谈实盘。回测再漂亮也只是历史重演正式真金白银之前建议先用模拟账户跑几周。Qbot 的交易配置界面已经对接了多家券商和加密交易所参数配置清楚后再切换实盘图注左侧是策略导航右侧是交易所与账户配置保存参数后即可切换模拟/实盘模式。升级路线从来不是越复杂越好而是每一步都比上一步更能回答我这个策略凭什么赚钱。今天的动手练习清单照着勾选就入门了文章读到这里剩下的就是动手。下面是今天就可以完成的六件事做完就算正式入门克隆代码仓库并安装依赖跑通docs/tutorials_code/02.easy_macd_strategy/macd.py记录期末资金数值用同一只股票换一个回测区间重跑一次观察结果如何变化复制utils/configure/sample_config.json为config.json填入自己的数据源 token运行python main.py打开图形界面逛一圈回测和策略面板挑一篇docs/02-经典策略/下的文档比如布林线均值回归读完理解一种新策略的逻辑在回测配置里加入佣金和滑点参数观察收益曲线下降多少最后说一句掏心窝的话量化交易系统不会替你稳赚它真正给到你的是一套把规则讲清楚、把结果算明白的纪律。Qbot 的价值在于让你把精力从盯盘转移到想清楚策略逻辑上——而这恰恰是投资里最难、也最值得做的事。现在就去跑通你的第一次回测吧。【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

保姆级Qbot上手指南：四步本地部署你的AI量化交易系统

相关推荐

android studio修改maven为中科大镜像源代码

交叉编译ffmpeg后只需要几十行jni代码-----直接用命令行调用ffmpeg

构建GitHub热点追踪体系：从自动化监控到技术趋势洞察

更多资讯

基恩士PLC软件安装与程序上传下载操作入门指南

QCOM_V1.6串口调试工具：轻量、稳定、零依赖的UART通信验证方案

基于Django的空气质量大数据分析平台开发实践

从零构建个人智能代理：技术选型与实战开发

状态模式解析：优雅管理对象行为变化

ERP与MES批处理接口设计：共享目录、排他控制与去重实践

今日更新

猫狗目标检测数据集：VOC/COCO/YOLO三格式一体化实战包

HDU2017多校标程复现：算法竞赛工程化真题沙盒

Codex Sandbox 隔离环境拆解：AI Agent 的临时实验室如何运作

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？