ai_quant_trade

Este repositório se posiciona como um recurso único de negociação quantitativa, abrangendo aprendizado, simulação, pesquisa de estratégias e implantação. Atualmente, não é empacotado como uma biblioteca Python instalável; os usuários clonam o repositório, instalam as dependências do requirements.txt e abrem o README em cada diretório de exemplo. Conteúdo principal: - egs_trade: Exemplos locais de negociação, incluindo estratégias tradicionais de média móvel dupla, otimização de portfólio, tutoriais de aprendizado por reforço, exemplos do Microsoft Qlib e simulação de negociação ao vivo baseada no Wind. - egs_alpha: Mineração de alfa e bibliotecas de fatores, incluindo um exemplo automatizado de mineração baseado em tsfresh, Alpha101, stockstats e material do TA-Lib. - egs_llm: Aplicações financeiras de LLM, incluindo análise de mercado e um exemplo de treinamento de modelo de previsão de ações baseado em raciocínio com Unsloth. - egs_fin_nlp: Análise de texto financeiro, incluindo um exemplo de classificação de sentimento de mercado com StructBERT. - egs_data: Material de aquisição e processamento de dados, com fontes de dados comuns e uma interface unificada. - egs_aide: Ferramentas de assistência à negociação, incluindo monitores de ações baseados em Excel, alertas, gráficos de candlestick, planilhas de sentimento e fluxo de capital, fallback de múltiplas fontes de dados, recarregamento de configuração e testes. - egs_online_platform: Estratégias e código de pesquisa para plataformas como JoinQuant e outros serviços chineses de pesquisa quantitativa. - ai_notes e a seção de recursos selecionados: Notas, tutoriais, comparações de frameworks, interpretações de artigos e links organizados em dados, fatores, backtesting, estratégias, visualização, HFT, LLMs e interfaces de negociação. - quant_brain, runtime e tools: Áreas de algoritmo central, implantação e código auxiliar. O projeto afirma que cobre ações, fundos, criptomoedas e outros mercados, e discute caminhos de implantação em Python, C++, CPU e GPU. Seu público varia de investidores institucionais a traders de varejo com ou sem experiência em programação. O repositório inclui números históricos de backtest relatados para alguns exemplos, mas sua própria documentação alerta que as estratégias não têm garantia de permanecer eficazes e devem ser verificadas cuidadosamente antes do uso ao vivo. Alguns tutoriais detalhados, vídeos e modelos são oferecidos por meio de canais complementares pagos, enquanto o repositório principal de código permanece disponível gratuitamente. O projeto é licenciado sob Apache 2.0 e indica Python 3.8+.