⚠️ 本项目仅供研究与教育用途，不构成投资建议。
基于 Qwen2.5-14B 微调 + LangGraph 多 Agent 工作流的 A 股量化交易系统。参考 ai-hedge-fund 的多分析师协作架构，结合 A 股特有的反转效应（全技术因子 IC 为负）和市场环境感知，覆盖 A 股、商品期货、ETF 基金、可转债四大市场。
┌──────────────────────────────────┐
│ LangGraph 工作流 │
└──────────────┬───────────────────┘
│
┌───────────────┬───────────┼───────────┬───────────────┐
│ │ │ │ │
技术面分析师 基本面分析师 资金面分析师 情绪面分析师 估值分析师
(28指标+反转) (PE/PB/ROE) (北向/主力) (逆向投资) (安全边际)
│ │ │ │ │
└───────────────┴───────────┼───────────┴───────────────┘
│
┌─────────▼─────────┐
│ 市场环境分析 │
│ (牛/熊/震荡检测) │
└─────────┬─────────┘
│
┌─────────▼─────────┐
│ 风控管理 │
│ (波动率+仓位) │
└─────────┬─────────┘
│
┌─────────▼─────────┐
│ 组合经理 │
│ (最终买卖决策) │
└───────────────────┘
# 单只股票全分析师
cd /opt/quant-llm
source finetune-env/bin/activate
python -m src.main --ticker 600519.SH
# 多只股票 + 显示推理过程
python -m src.main --ticker 600519.SH,000858.SZ,300750.SZ --show-reasoning
# 指定日期范围
python -m src.main --ticker 600519.SH --start-date 2025-06-01 --end-date 2025-12-31
# 使用特定分析师
python -m src.main --ticker 600519.SH --analysts technical_analyst,fundamentals_analyst
# 列出所有分析师
python -m src.main --list-analysts# 一键执行全部流程（数据采集 → 转换 → 合并 → 训练）
bash /opt/quant-llm/run.sh
# 或分步执行
bash /opt/quant-llm/run.sh crawl # 数据采集
bash /opt/quant-llm/run.sh convert # 行情 → 训练问答对
bash /opt/quant-llm/run.sh predict # 预测性训练数据
bash /opt/quant-llm/run.sh factors # 构建个股因子
bash /opt/quant-llm/run.sh merge # 合并训练集
bash /opt/quant-llm/run.sh train # QLoRA 微调
bash /opt/quant-llm/run.sh export # 导出 GGUF
bash /opt/quant-llm/run.sh eval # 模型评估
bash /opt/quant-llm/run.sh backtest # 回测验证
bash /opt/quant-llm/run.sh trade-live # 实盘交易- GPU: NVIDIA RTX A5000 24GB（或同等显存以上）
- 内存: 64GB+
- 存储: 50GB 可用空间
- CUDA: 12.x
# 创建并激活虚拟环境
python3 -m venv /opt/quant-llm/finetune-env
source /opt/quant-llm/finetune-env/bin/activate
# 安装依赖
pip install -r requirements.txt
pip install langgraph langchain-core pydantic # 多 Agent 工作流如需使用数据增强功能，还需本地运行 ollama：
ollama pull qwen3:14b # 量化计算种子扩展
ollama pull deepseek-r1:32b # 推理链增强（可选）/opt/quant-llm/
├── src/ # 多 Agent 交易系统（新）
│ ├── main.py # CLI 入口
│ ├── agents/
│ │ ├── technicals.py # 技术面分析师（28指标+反转策略）
│ │ ├── fundamentals.py # 基本面分析师（PE/PB/ROE）
│ │ ├── fund_flow.py # 资金面分析师（北向/主力）
│ │ ├── sentiment.py # 情绪面分析师（逆向投资）
│ │ ├── valuation.py # 估值分析师（安全边际）
│ │ ├── regime.py # 市场环境分析师（牛/熊/震荡）
│ │ ├── risk_manager.py # 风控管理（波动率+仓位限制）
│ │ └── portfolio_manager.py # 组合经理（最终决策）
│ ├── graph/
│ │ ├── state.py # AgentState 状态定义
│ │ └── workflow.py # LangGraph 工作流编排
│ ├── tools/
│ │ └── api.py # 数据获取（本地缓存+akshare）
│ └── utils/
│ ├── analysts.py # 分析师注册中心
│ └── llm.py # LLM 调用（ollama/OpenAI兼容）
│
├── scripts/ # 训练链路脚本（原有）
│ ├── _config.py # 配置加载器
│ ├── indicators.py # 28个技术指标
│ ├── crawl_ashare.py # A股历史行情爬取
│ ├── convert_all_to_training.py # 行情→训练对
│ ├── generate_predictive_data.py # 预测性训练数据
│ ├── build_stock_factors.py # 个股因子构建
│ ├── merge_and_retrain.py # 合并训练集
│ ├── train.py # QLoRA微调
│ ├── evaluate.py # 模型评估
│ ├── backtest_signals.py # 回测系统
│ ├── trade_live_qwen.py # 实盘决策
│ └── trade_session_runner.py # 交易调度器
│
├── run.sh # 一键执行脚本
├── config.yaml # 中心化配置
├── requirements.txt # Python 依赖
│
├── training-data/ # 训练数据
│ ├── ashare/ # A股行情（~5000只）
│ ├── futures/ # 商品期货
│ ├── etf/ # ETF基金
│ ├── cbond/ # 可转债
│ ├── factors/ # 因子数据
│ └── merged_train_v4.jsonl # 最终训练集
│
├── output/ # 模型输出
├── logs/ # 日志
└── finetune-env/ # Python 虚拟环境
| 分析师 | 核心能力 | A股特色 |
|---|---|---|
| 技术面 | 28个指标，反转策略 | 基于 IC 因子分析：RSI(-0.40), 20d趋势(-0.46) |
| 基本面 | PE/PB/ROE 估值 | 分行业PE对比，破净检测 |
| 资金面 | 北向资金、主力流向 | 跟踪"聪明钱"动向 |
| 情绪面 | 恐慌贪婪、涨跌停 | 逆向投资：恐慌时贪婪 |
| 估值 | 多维估值，安全边际 | PE分位数+PB分位数+行业对比 |
| 市场环境 | 5维regime检测 | 牛(95%仓位)/熊(30%仓位)/震荡(50%仓位) |
- 波动率调整：年化波动率 <15%→仓位上限25%，>50%→仓位上限10%
- 单票上限：10%
- T+1 约束：当日买入次日才能卖出
- 环境自适应：牛市10只/震荡5只/熊市3只
start → [6个分析师并行] → 风控管理 → 组合经理 → 最终决策
所有分析师独立并行运行，信号汇总到风控层计算仓位上限，最终由组合经理做出 buy/sell/hold 决策。
scripts/indicators.py 提供 28 个技术指标，纯 pandas/numpy 实现：
| 类别 | 指标 |
|---|---|
| 原有 | RSI(14), MACD(12,26,9), MA(20), Volume MA(5) |
| 多周期均线 | MA(5/10/60/120), EMA(12/26) |
| 动量 | ROC(12), Williams %R(14), CCI(20) |
| 波动率 | ATR(14), Bollinger Bands(20,2), HV(20) |
| 量能 | OBV, MFI(14), VWAP近似 |
| 趋势 | ADX(14) |
基于 IC 因子分析实证：A股所有主要技术因子 IC 均为负值，趋势跟踪失效，反转/均值回归是主导效应。
| 因子组 | IC_IR | 策略含义 |
|---|---|---|
| RSI | -0.40 | 超卖看多、超买看空 |
| 20d趋势 | -0.46 | 20日跌幅越大，反转概率越高 |
| HV波动率 | -0.42 | 高波动=风险，低波动=机会 |
| MA20偏离 | -0.38 | 偏离均值越远越可能回归 |
| 指标 | 个股策略 | 沪深300 |
|---|---|---|
| 总收益率 | +1201% | +122% |
| 年化收益率 | 12.99% | 6.08% |
| 夏普比率 | 0.383 | 0.302 |
| 胜率 | 39.3% | — |
| 超额收益 | +1079% | — |
接入东方财富模拟盘，双层决策架构：
规则引擎初筛（Top50） → Qwen Skills 精排 → 风控层 → 东方财富API执行
- 执行时段：09:30-11:30, 13:00-15:00
- 调度频率：每5分钟一轮
- 交易成本：佣金万2.5 + 印花税千1(卖出) + 滑点万3
详细的交易架构、风控体系和执行细节见原有 README（训练系统） 部分。
- LangGraph: 多 Agent 工作流编排
- 基座模型: Qwen2.5-14B (4bit 量化)
- 微调框架: Unsloth + TRL SFTTrainer
- 数据源: akshare (东方财富 API)、HuggingFace
- 技术指标: 28 个自研指标（纯 pandas/numpy）
- 回测系统: 走步验证，T+1 约束
- LLM 推理: ollama (本地) / OpenAI 兼容接口
本项目仅供研究与教育用途。模型输出不构成任何投资建议，不保证盈利。量化交易存在市场风险，使用者需自行承担交易风险和损失。