Sobre el proyecto

Este repositorio se posiciona como un recurso integral de trading cuantitativo que abarca aprendizaje, simulación, investigación de estrategias y despliegue. Actualmente no está empaquetado como una biblioteca de Python instalable; los usuarios clonan el repositorio, instalan las dependencias desde requirements.txt y abren el README en cada directorio de ejemplo. Contenido principal: - egs_trade: Ejemplos de trading local, incluidos estrategias tradicionales de doble media móvil, optimización de carteras, tutoriales de reinforcement learning, ejemplos de Microsoft Qlib y simulación de trading en vivo basada en Wind. - egs_alpha: Minería de alpha y bibliotecas de factores, incluido un ejemplo de minería automatizada basada en tsfresh, Alpha101, stockstats y material de TA-Lib. - egs_llm: Aplicaciones financieras de LLM, incluidos análisis de mercado y un ejemplo de entrenamiento de un modelo de pronóstico bursátil con razonamiento basado en Unsloth. - egs_fin_nlp: Análisis de texto financiero, incluido un ejemplo de clasificación de sentimiento de mercado con StructBERT. - egs_data: Material de adquisición y procesamiento de datos, con fuentes de datos comunes y una interfaz unificada. - egs_aide: Herramientas de asistente de trading, incluidos monitores de acciones basados en Excel, alertas, gráficos de velas, hojas de sentimiento y flujo de capital, respaldo de múltiples fuentes de datos, recarga de configuración y pruebas. - egs_online_platform: Estrategias y código de investigación para plataformas como JoinQuant y otros servicios chinos de investigación cuantitativa. - ai_notes y la sección de recursos seleccionados: Notas, tutoriales, comparaciones de frameworks, interpretaciones de artículos y enlaces organizados en datos, factores, backtesting, estrategias, visualización, HFT, LLM e interfaces de trading. - quant_brain, runtime y tools: Áreas de algoritmo central, despliegue y código auxiliar. El proyecto afirma que cubre acciones, fondos, criptomonedas y otros mercados, y analiza rutas de despliegue en Python, C++, CPU y GPU. Su audiencia abarca desde inversores institucionales hasta traders minoristas con o sin experiencia en programación. El repositorio incluye cifras históricas de backtesting reportadas para algunos ejemplos, pero su propia documentación advierte que no se garantiza que las estrategias sigan siendo efectivas y que deben verificarse cuidadosamente antes de su uso en vivo. Algunos tutoriales detallados, videos y modelos se ofrecen a través de canales complementarios de pago, mientras que el repositorio de código principal sigue siendo de acceso gratuito. El proyecto está licenciado bajo Apache 2.0 e indica Python 3.8+.