Bill/AI-Trader
1
0
Fork 0
mirror of https://github.com/Xe138/AI-Trader.git synced 2026-04-01 17:17:24 -04:00
Code Issues Packages Projects Releases Wiki Activity
Files
1e835a5af8b07cc9a33b537f84c065cbda53193f
AI-Trader/README_CN.md
tianyufan 1e835a5af8 update front
2025-10-28 21:37:24 +08:00

17 KiB
Raw Blame History

🚀 AI-Trader: Which LLM Rules the Market?

让AI在金融市场中一展身手

Python License

一个AI股票交易代理系统，让多个大语言模型在纳斯达克100股票池中完全自主决策、同台竞技！

🏆 当前锦标赛排行榜

点击查看

🥇 锦标赛期间：(Last Update 2025/10/27)

🏆 Rank 🤖 AI Model 📈 Total Earnings
🥇 1st DeepSeek 🚀 +12.94%
🥈 2nd MiniMax-M2 📊 +8.56%
🥉 3rd GPT-5 📊 +6.87%
4th Claude-3.7 📊 +6.23%
5th Qwen3-max 📊 +4.46%
Baseline QQQ 📊 +4.12%
6th Gemini-2.5-flash 📊 -2.05%

📊 实时性能仪表板

rank

每日追踪AI模型在纳斯达克100交易中的表现

📝 本周更新计划

我们很高兴宣布以下更新将在本周内上线：

  • ⏰ 小时级别交易支持 - 升级至小时级精度交易
  • 🚀 服务部署与并行执行 - 部署生产服务 + 并行模型执行
  • 🎨 增强前端仪表板 - 添加详细的交易日志可视化（完整交易过程展示）

敬请期待这些激动人心的改进！🎉

🎯 核心特色: 100% AI自主决策，零人工干预，纯工具驱动架构

🚀 快速开始 • 📈 性能分析 • 🛠️ 配置指南

🌟 项目介绍

AI-Trader让五个不同的AI模型，每个都采用独特的投资策略，在同一个市场中完全自主决策、竞争，看谁能在纳斯达克100交易中赚得最多！

🎯 核心特性

  • 🤖 完全自主决策: AI代理100%独立分析、决策、执行，零人工干预
  • 🛠️ 纯工具驱动架构: 基于MCP工具链，AI通过标准化工具调用完成所有交易操作
  • 🏆 多模型竞技场: 部署多个AI模型（GPT、Claude、Qwen等）进行竞争性交易
  • 📊 实时性能分析: 完整的交易记录、持仓监控和盈亏分析
  • 🔍 智能市场情报: 集成Jina搜索，获取实时市场新闻和财务报告
  • ⚡ MCP工具链集成: 基于Model Context Protocol的模块化工具生态系统
  • 🔌 可扩展策略框架: 支持第三方策略和自定义AI代理集成
  • ⏰ 历史回放功能: 时间段回放功能，自动过滤未来信息

🎮 交易环境

每个AI模型以$10,000起始资金在受控环境中交易纳斯达克100股票，使用真实市场数据和历史回放功能。

  • 💰 初始资金: $10,000美元起始余额
  • 📈 交易范围: 纳斯达克100成分股（100只顶级科技股）
  • ⏰ 交易时间: 工作日市场时间，支持历史模拟
  • 📊 数据集成: Alpha Vantage API结合Jina AI市场情报
  • 🔄 时间管理: 历史期间回放，自动过滤未来信息

🧠 智能交易能力

AI代理完全自主运行，进行市场研究、制定交易决策，并在无人干预的情况下持续优化策略。

  • 📰 自主市场研究: 智能检索和过滤市场新闻、分析师报告和财务数据
  • 💡 独立决策引擎: 多维度分析驱动完全自主的买卖执行
  • 📝 全面交易记录: 自动记录交易理由、执行细节和投资组合变化
  • 🔄 自适应策略演进: 基于市场表现反馈自我优化的算法

🏁 竞赛规则

所有AI模型在相同条件下竞争，使用相同的资金、数据访问、工具和评估指标，确保公平比较。

  • 💰 起始资金: $10,000美元初始投资
  • 📊 数据访问: 统一的市场数据和信息源
  • ⏰ 运行时间: 同步的交易时间窗口
  • 📈 性能指标: 所有模型的标准评估标准
  • 🛠️ 工具访问: 所有参与者使用相同的MCP工具链

🎯 目标: 确定哪个AI模型通过纯自主操作获得卓越的投资回报！

🚫 零人工干预

AI代理完全自主运行，在没有任何人工编程、指导或干预的情况下制定所有交易决策和策略调整。

  • ❌ 无预编程: 零预设交易策略或算法规则
  • ❌ 无人工输入: 完全依赖内在的AI推理能力
  • ❌ 无手动覆盖: 交易期间绝对禁止人工干预
  • ✅ 纯工具执行: 所有操作仅通过标准化工具调用执行
  • ✅ 自适应学习: 基于市场表现反馈的独立策略优化

⏰ 历史回放架构

AI-Trader Bench的核心创新是其完全可重放的交易环境，确保AI代理在历史市场数据上的性能评估具有科学严谨性和可重复性。

🔄 时间控制框架

📅 灵活的时间设置

{
  "date_range": {
    "init_date": "2025-01-01",  // 任意开始日期
    "end_date": "2025-01-31"    // 任意结束日期
  }
}

🛡️ 防前瞻数据控制

AI只能访问当前时间及之前的数据。不允许未来信息。

  • 📊 价格数据边界: 市场数据访问限制在模拟时间戳和历史记录
  • 📰 新闻时间线执行: 实时过滤防止访问未来日期的新闻和公告
  • 📈 财务报告时间线: 信息限制在模拟当前日期的官方发布数据
  • 🔍 历史情报范围: 市场分析限制在时间上适当的数据可用性

🎯 重放优势

🔬 实证研究框架

  • 📊 市场效率研究: 评估AI在不同市场条件和波动制度下的表现
  • 🧠 决策一致性分析: 检查AI交易逻辑的时间稳定性和行为模式
  • 📈 风险管理评估: 验证AI驱动的风险缓解策略的有效性

🎯 公平竞赛框架

  • 🏆 平等信息访问: 所有AI模型使用相同的历史数据集运行
  • 📊 标准化评估: 使用统一数据源计算的性能指标
  • 🔍 完全可重复性: 具有可验证结果的完整实验透明度

📁 项目架构

AI-Trader Bench/
├── 🤖 核心系统
│   ├── main.py    # 🎯 主程序入口
│   ├── agent/base_agent/          # 🧠 AI代理核心
│   └── configs/                   # ⚙️ 配置文件
│
├── 🛠️ MCP工具链
│   ├── agent_tools/
│   │   ├── tool_trade.py          # 💰 交易执行
│   │   ├── tool_get_price_local.py # 📊 价格查询
│   │   ├── tool_jina_search.py   # 🔍 信息搜索
│   │   └── tool_math.py           # 🧮 数学计算
│   └── tools/                     # 🔧 辅助工具
│
├── 📊 数据系统
│   ├── data/
│   │   ├── daily_prices_*.json    # 📈 股票价格数据
│   │   ├── merged.jsonl           # 🔄 统一数据格式
│   │   └── agent_data/            # 📝 AI交易记录
│   └── calculate_performance.py   # 📈 性能分析
│
├── 🎨 前端界面
│   └── frontend/                  # 🌐 Web仪表板
│
└── 📋 配置与文档
    ├── configs/                   # ⚙️ 系统配置
    ├── prompts/                   # 💬 AI提示词
    └── calc_perf.sh              # 🚀 性能计算脚本

🔧 核心组件详解

🎯 主程序 (main.py)

  • 多模型并发: 同时运行多个AI模型进行交易
  • 配置管理: 支持JSON配置文件和环境变量
  • 日期管理: 灵活的交易日历和日期范围设置
  • 错误处理: 完善的异常处理和重试机制

🛠️ MCP工具链

工具 功能 API
交易工具 买入/卖出股票，持仓管理 buy(), sell()
价格工具 实时和历史价格查询 get_price_local()
搜索工具 市场信息搜索 get_information()
数学工具 财务计算和分析 基础数学运算

📊 数据系统

  • 📈 价格数据: 纳斯达克100成分股的完整OHLCV数据
  • 📝 交易记录: 每个AI模型的详细交易历史
  • 📊 性能指标: 夏普比率、最大回撤、年化收益等
  • 🔄 数据同步: 自动化的数据获取和更新机制

🚀 快速开始

📋 前置要求

  • Python 3.8+
  • API密钥: OpenAI、Alpha Vantage、Jina AI

⚡ 一键安装

# 1. 克隆项目
git clone https://github.com/HKUDS/AI-Trader.git
cd AI-Trader

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置环境变量
cp .env.example .env
# 编辑 .env 文件，填入你的API密钥

🔑 环境配置

创建 .env 文件并配置以下变量：

# 🤖 AI模型API配置
OPENAI_API_BASE=https://your-openai-proxy.com/v1
OPENAI_API_KEY=your_openai_key

# 📊 数据源配置
ALPHAADVANTAGE_API_KEY=your_alpha_vantage_key
JINA_API_KEY=your_jina_api_key

# ⚙️ 系统配置
RUNTIME_ENV_PATH=./runtime_env.json #推荐使用绝对路径

# 🌐 服务端口配置
MATH_HTTP_PORT=8000
SEARCH_HTTP_PORT=8001
TRADE_HTTP_PORT=8002
GETPRICE_HTTP_PORT=8003
# 🧠 AI代理配置
AGENT_MAX_STEP=30             # 最大推理步数

📦 依赖包

# 安装生产环境依赖
pip install -r requirements.txt

# 或手动安装核心依赖
pip install langchain langchain-openai langchain-mcp-adapters fastmcp python-dotenv requests numpy pandas

🎮 运行指南

📊 步骤1: 数据准备 (./fresh_data.sh)

# 📈 获取纳斯达克100股票数据
cd data
python get_daily_price.py

# 🔄 合并数据为统一格式
python merge_jsonl.py

🛠️ 步骤2: 启动MCP服务

cd ./agent_tools
python start_mcp_services.py

🚀 步骤3: 启动AI竞技场

# 🎯 运行主程序 - 让AI们开始交易！
python main.py

# 🎯 或使用自定义配置
python main.py configs/my_config.json

⏰ 时间设置示例

📅 创建自定义时间配置

{
  "agent_type": "BaseAgent",
  "date_range": {
    "init_date": "2024-01-01",  // 回测开始日期
    "end_date": "2024-03-31"     // 回测结束日期
  },
  "models": [
    {
      "name": "claude-3.7-sonnet",
      "basemodel": "anthropic/claude-3.7-sonnet",
      "signature": "claude-3.7-sonnet",
      "enabled": true
    }
  ]
}

📈 启动Web界面

cd docs
python3 -m http.server 8000
# 访问 http://localhost:8000

📈 性能分析

🏆 竞技规则

规则项 设置 说明
💰 初始资金 $10,000 每个AI模型起始资金
📈 交易标的 纳斯达克100 100只顶级科技股
⏰ 交易时间 工作日 周一至周五
💲 价格基准 开盘价 使用当日开盘价交易
📝 记录方式 JSONL格式 完整交易历史记录

⚙️ 配置指南

📋 配置文件结构

{
  "agent_type": "BaseAgent",
  "date_range": {
    "init_date": "2025-01-01",
    "end_date": "2025-01-31"
  },
  "models": [
    {
      "name": "claude-3.7-sonnet",
      "basemodel": "anthropic/claude-3.7-sonnet",
      "signature": "claude-3.7-sonnet",
      "enabled": true
    }
  ],
  "agent_config": {
    "max_steps": 30,
    "max_retries": 3,
    "base_delay": 1.0,
    "initial_cash": 10000.0
  },
  "log_config": {
    "log_path": "./data/agent_data"
  }
}

🔧 配置参数说明

参数 说明 默认值
agent_type AI代理类型 "BaseAgent"
max_steps 最大推理步数 30
max_retries 最大重试次数 3
base_delay 操作延迟(秒) 1.0
initial_cash 初始资金 $10,000

📊 数据格式

💰 持仓记录 (position.jsonl)

{
  "date": "2025-01-20",
  "id": 1,
  "this_action": {
    "action": "buy",
    "symbol": "AAPL", 
    "amount": 10
  },
  "positions": {
    "AAPL": 10,
    "MSFT": 0,
    "CASH": 9737.6
  }
}

📈 价格数据 (merged.jsonl)

{
  "Meta Data": {
    "2. Symbol": "AAPL",
    "3. Last Refreshed": "2025-01-20"
  },
  "Time Series (Daily)": {
    "2025-01-20": {
      "1. buy price": "255.8850",
      "2. high": "264.3750", 
      "3. low": "255.6300",
      "4. sell price": "262.2400",
      "5. volume": "90483029"
    }
  }
}

📁 文件结构

data/agent_data/
├── claude-3.7-sonnet/
│   ├── position/
│   │   └── position.jsonl      # 📝 持仓记录
│   └── log/
│       └── 2025-01-20/
│           └── log.jsonl       # 📊 交易日志
├── gpt-4o/
│   └── ...
└── qwen3-max/
    └── ...

🔌 第三方策略集成

AI-Trader Bench采用模块化设计，支持轻松集成第三方策略和自定义AI代理。

🛠️ 集成方式

1. 自定义AI代理

# 创建新的AI代理类
class CustomAgent(BaseAgent):
    def __init__(self, model_name, **kwargs):
        super().__init__(model_name, **kwargs)
        # 添加自定义逻辑

2. 注册新代理

# 在 main.py 中注册
AGENT_REGISTRY = {
    "BaseAgent": {
        "module": "agent.base_agent.base_agent",
        "class": "BaseAgent"
    },
    "CustomAgent": {  # 新增
        "module": "agent.custom.custom_agent",
        "class": "CustomAgent"
    },
}

3. 配置文件设置

{
  "agent_type": "CustomAgent",
  "models": [
    {
      "name": "your-custom-model",
      "basemodel": "your/model/path",
      "signature": "custom-signature",
      "enabled": true
    }
  ]
}

🔧 扩展工具链

添加自定义工具

# 创建新的MCP工具
@mcp.tools()
class CustomTool:
    def __init__(self):
        self.name = "custom_tool"
    
    def execute(self, params):
        # 实现自定义工具逻辑
        return result

🚀 路线图

🌟 未来计划

  • 🇨🇳 A股支持 - 扩展至中国股市
  • 📊 收盘后统计 - 自动收益分析
  • 🔌 策略市场 - 添加第三方策略分享平台
  • 🎨 炫酷前端界面 - 现代化Web仪表板
  • ₿ 加密货币 - 支持数字货币交易
  • 📈 更多策略 - 技术分析、量化策略
  • ⏰ 高级回放 - 支持分钟级时间精度和实时回放
  • 🔍 智能过滤 - 更精确的未来信息检测和过滤

🤝 贡献指南

我们欢迎各种形式的贡献！特别是AI交易策略和代理实现。

🧠 AI策略贡献

  • 🎯 交易策略: 贡献你的AI交易策略实现
  • 🤖 自定义代理: 实现新的AI代理类型
  • 📊 分析工具: 添加新的市场分析工具
  • 🔍 数据源: 集成新的数据源和API

🐛 问题报告

  • 使用GitHub Issues报告bug
  • 提供详细的复现步骤
  • 包含系统环境信息

💡 功能建议

  • 在Issues中提出新功能想法
  • 详细描述使用场景
  • 讨论实现方案

🔧 代码贡献

  1. Fork项目
  2. 创建功能分支
  3. 实现你的策略或功能
  4. 添加测试用例
  5. 创建Pull Request

📚 文档改进

  • 完善README文档
  • 添加代码注释
  • 编写使用教程
  • 贡献策略说明文档

🏆 策略分享

  • 📈 技术分析策略: 基于技术指标的AI策略
  • 📊 量化策略: 多因子模型和量化分析
  • 🔍 基本面策略: 基于财务数据的分析策略
  • 🌐 宏观策略: 基于宏观经济数据的策略

📞 支持与社区

📄 许可证

本项目采用 MIT License 开源协议。

🙏 致谢

感谢以下开源项目和服务：

免责声明

AI-Trader项目所提供的资料仅供研究之用，并不构成任何投资建议。投资者在作出任何投资决策之前，应寻求独立专业意见。任何过往表现未必可作为未来业绩的指标。阁下应注意，投资价值可能上升亦可能下跌，且并无任何保证。AI-Trader项目的所有内容仅作研究之用，并不构成对所提及之证券／行业的任何投资推荐。投资涉及风险。如有需要，请寻求专业咨询。

🌟 如果这个项目对你有帮助，请给我们一个Star！

GitHub stars GitHub forks

🤖 让AI在金融市场中完全自主决策、一展身手！
🛠️ 纯工具驱动，零人工干预，真正的AI交易竞技场！ 🚀

Reference in New Issue View Git Blame Copy Permalink