🤖 QuantAgent: AI驱动的量化研究实验室

核心理念：传统量化引擎负责交易执行，LLM 负责信息处理与研究辅助。绝不让 AI 直接决定下单，消除幻觉风险。

集成 Qlib、vn.py 和 MCP + Skill 架构的生产级量化研究框架。

🌐 英文版本：README.en.md

核心理念 🔭 : 传统量化引擎负责交易执行，LLM 负责信息处理与研究辅助。绝不让 AI 直接决定下单，消除幻觉风险。

🎯 为什么选择 QuantAgent?

量化开发的五大痛点，一个项目解决：

痛点	解决方案
📊 数据源杂乱	多源自动切换（AKShare/baostock/pytdx），统一数据清洗
🔬 回测难	Qlib + VectorBT 双引擎，Walk-forward 验证
🤖 实盘接口不统一	vn.py 统一执行接口，支持 CTP/IB
🧠 AI 幻觉风险	LLM 只做研究不做交易，严格权限分离
📝 研究流程繁琐	多 Agent 团队协作，自动生成日报/周报

✨ 核心特性

🛡️ 稳健基础设施	🧠 AI 研究团队	📈 策略就绪
多源数据：自动切换 AKShare/baostock/pytdx	每日报告：自动生成 Markdown 报告（日报/周报）	模块化策略：动量策略、事件驱动策略、情绪策略
DuckDB 存储：闪电般的历史数据存储	多 Agent 辩论：多空辩论模块	风控优先：熔断机制、仓位计算、集中度限制
Qlib 集成：最先进的因子分析与回测	知识图谱：归档失败案例、事件和经验教训	样本外验证：样本内/样本外交叉验证
MCP 协议：标准化外部 Agent 接口	Skill 工作流：业务流程指引	vn.py 执行：统一实盘交易接口

🏗️ 系统架构

核心业务架构

系统上下文图

Agent 团队协作架构

🤖 LLM 的正确定位

在 QuantAgent 中，我们严格执行权限分离原则。

✅ LLM 作为分析师	❌ LLM 作为交易员
技术面/基本面分析	直接生成买卖信号
新闻情绪总结	管理实时订单执行
生成投资假设	计算精确仓位
撰写研究日报	处理风控熔断

LLM 是研究员，不是交易员。 这确保了高生产力的同时不牺牲安全性。

🚀 一键安装

一键安装，自动配置虚拟环境、依赖和目录结构。

环境要求

Python 3.10+
Git

一键安装（推荐）

# 克隆项目
git clone https://github.com/Aurora-73/QuantAgent.git
cd QuantAgent

# 跨平台一键安装
python scripts/install.py

脚本会自动完成：

✅ 环境检查（Python/Git）
✅ 创建虚拟环境（自动检测并修复平台不匹配问题）
✅ 安装核心依赖（requirements.txt）
✅ 创建配置文件（configs/.env）
✅ 创建必要目录（data/, logs/, knowledge/）
✅ 验证安装（运行 verify_project.py）

手动安装

# 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

# 配置 API Key
cp configs/.env.example configs/.env
# 编辑 configs/.env，填入必要的 API Key

可选依赖安装

模块	命令	说明
Qlib	`pip install qlib`	研究层核心，因子分析/回测
vnpy	`pip install ta-lib vnpy vnpy-ctp`	执行引擎，实盘交易
OpenBB	`pip install openbb`	海外数据源

📁 目录结构

quant-system/
├── QuantAgent/                # 主代码仓库
│   ├── data/                  # 数据层
│   │   ├── provider.py        # 数据获取
│   │   ├── storage.py         # DuckDB存储
│   │   └── cleaner.py         # 数据清洗
│   ├── strategies/            # 策略层
│   │   ├── base/              # 策略基类
│   │   ├── momentum/          # 动量策略
│   │   ├── event_driven/      # 事件驱动策略
│   │   └── sentiment/         # 情绪策略
│   ├── research/              # 研究层
│   │   ├── backtest.py        # 回测引擎
│   │   └── factor_eval.py     # 因子评估
│   ├── risk/                  # 风控层
│   │   ├── risk_engine.py     # 风控引擎
│   │   └── portfolio.py       # 组合优化
│   ├── knowledge/             # 记忆层
│   │   └── knowledge_base.py  # 层级记忆系统
│   ├── integrations/          # 集成层
│   │   ├── qlib_engine.py     # Qlib集成
│   │   ├── vnpy_engine.py     # vnpy集成
│   │   └── openbb_data.py     # OpenBB集成
│   ├── mcp_server/            # MCP服务端
│   │   ├── server.py          # MCP Server入口
│   │   ├── tools_data.py      # 数据工具
│   │   └── tools_risk.py      # 风险工具
│   ├── skills/                # Skill工作流
│   ├── configs/               # 配置文件
│   └── monitoring/            # 监控层
├── examples/                  # 使用示例
├── tests/                     # 单元测试
├── scripts/                   # 脚本入口
├── docs/                      # 文档
├── requirements.txt           # 依赖列表
├── pyproject.toml             # 项目配置
└── LICENSE                    # 许可证

🎮 运行示例

# 快速开始：获取数据并运行回测
python examples/00_quick_start.py

# 获取股票数据
python examples/01_get_data.py --ticker 600519 --start 2025-01-01

# 计算因子
python examples/02_calc_factors.py

# 运行回测
python examples/03_backtest.py --strategy momentum

# 使用知识库
python examples/04_knowledge.py

每日研究流程

# 运行每日研究
python -m scripts daily-research

# 运行回测
python -m scripts backtest --strategy momentum --ticker 600519 --start 2025-01-01

# 健康检查
python -m scripts health_check

# 列出所有 MCP 工具
python -m mcp_server.server --list-tools

🧪 运行测试

# 运行所有测试
pytest

# 运行指定模块测试
pytest tests/test_risk_engine.py -v

# 运行策略相关测试
pytest tests/test_momentum_strategy.py -v

# 生成覆盖率报告
pytest --cov=quant_system --cov-report=html

🌐 开源项目集成

项目	用途	集成方式	集成模块
Qlib	研究层核心	直接 import	`integrations/qlib_engine.py`
vnpy	执行层核心	直接 import	`integrations/vnpy_engine.py`
AKShare	A股数据	pip install	`data/provider.py`
OpenBB	海外数据源	pip install	`integrations/openbb_data.py`
Riskfolio-Lib	组合优化	pip install	`risk/portfolio.py`
VectorBT	快速回测	pip install	`research/backtest.py`

📊 核心模块

策略接口 (每个策略必须实现)

class StrategyBase(ABC):
    prepare_features()          # 准备特征
    generate_signal()           # 生成信号
    position_sizing()           # 仓位计算
    risk_check()                # 风控检查
    expected_holding_period()   # 预期持仓周期
    kill_switch_condition()     # 熔断条件

MCP 工具清单

标准化 MCP 工具，支持外部 Agent 调用，运行 python -m mcp_server.server --list-tools 查看完整清单：

数据工具: get_quote, get_history, get_factors, get_sector_stocks, update_data, ...
风险与策略工具: run_backtest, run_stress_test, run_brinson_attribution, ...
知识工具: search_events, wiki_search, get_daily_report, ...

Skill 工作流

7 个业务流程指引，让 Agent 知道"先做什么后做什么"：

Skill	用途
sector-screening	行业/概念板块选股
daily-workflow	每日研究流程
backtest-workflow	策略回测流程
risk-assessment	风险评估流程
factor-research	因子研究流程
knowledge-exploration	知识探索流程
market-quick-check	市场快速检查

🗺️ 开发路线

第一阶段：研究 + 报告 + 复盘 ✅

第二阶段：信号引擎 + 回测 ✅

第三阶段：可扩展 + 高性能 + 安全 ✅

第四阶段：研究平台进化 ✅

独立增量更新 + 交易日历 + 数据新鲜度 API
Scheduler → systemd 自动化
周报/月报/季报生成
回测 → 决策记忆自动写入
因子共线性报告 + 假设自动生成
DuckDB 自动备份 + 参数扫描 + 执行 realism
Agent 委员会 MCP 化（ADR-0003）

第五阶段：仿真盘与实盘 📈（未来）

vnpy 模拟交易
滑点与成交监控
vnpy CTP/IB 连接
风控熔断机制

📋 详细路线图与优先级见 docs/project/roadmap.md（权威来源）

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！请遵循以下规范：

如何贡献

Fork 项目
创建功能分支 (git checkout -b feature/foo)
提交更改 (git commit -am 'Add foo')
推送到分支 (git push origin feature/foo)
创建 Pull Request

🌟 适合新手的任务

这些任务非常适合新手开发者入门：

📊 添加新数据源适配器 - 添加新的数据源适配器（如 Tushare、JoinQuant），参考 data/provider.py
📈 实现新策略 - 实现新策略（如反转策略、均值回归策略），参考 strategies/base/
🧪 添加单元测试 - 为数据层或策略层添加单元测试
📖 完善文档 - 完善 MCP 工具文档或 Skill 工作流文档
🔌 添加新 MCP 工具 - 添加新的 MCP 工具，参考 mcp_server/tools_data.py

开发规范

代码格式：Black + Ruff
测试框架：pytest
提交信息：使用 Conventional Commits 格式

Issue 模板

我们提供两种 Issue 模板：

数据源请求 - 数据源请求：如果你需要接入新的数据源
策略分享 - 策略分享：分享你的策略思路或代码

📝 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件。

🙋‍♂️ 交流与反馈

🐛 Bug 报告: 请提交 Issue，提供复现步骤
💡 功能建议: 请提交 Feature Request
📖 文档问题: 请提交 Issue 或直接修改 docs/ 目录
💬 Discussions: 欢迎在 GitHub Discussions 中讨论策略和使用问题

AI 不负责猜涨跌，AI 负责提高整个研究链路的效率和质量！ 🚀

⭐ 如果这个项目对你有帮助，请给个 Star！你的支持是我们持续改进的动力！

Name		Name	Last commit message	Last commit date
.github		.github
agents		agents
configs		configs
data		data
deploy		deploy
docs		docs
examples		examples
execution		execution
integrations		integrations
knowledge		knowledge
mcp_server		mcp_server
monitoring		monitoring
news		news
research		research
risk		risk
scripts		scripts
skills		skills
strategies		strategies
tests		tests
tools		tools
utils		utils
.gitignore		.gitignore
.mcp.json		.mcp.json
CONTRIBUTING.md		CONTRIBUTING.md
LICENSE		LICENSE
README.en.md		README.en.md
README.md		README.md
_test_tools.py		_test_tools.py
mkdocs.yml		mkdocs.yml
pyproject.toml		pyproject.toml
requirements-docs.txt		requirements-docs.txt
requirements.txt		requirements.txt

Latest commit

History

Folders and files

Repository files navigation