Files

T

TIANHE eea7d75615 new

Signed-off-by: TIANHE <TIANHE@GMAIL.COM>

2026-01-06 19:30:16 +08:00

22 KiB

Raw Blame History

🇺🇸 English | 🇨🇳 简体中文 | 🇹🇼 繁體中文 | 🇯🇵 日本語 | 🇰🇷 한국어

QuantDinger

下一代 AI 量化交易平台

🤖 AI 原生 · 🐍 可视化 Python · 🌍 全球多市场 · 🔒 隐私优先

拥有 AI 副驾驶的构建、回测与交易平台。比 PineScript 更强，比 SaaS 更智能。

官方社区 · 在线演示 · 📺 视频演示 · 🌟 加入我们

📖 简介

QuantDinger 是什么？

QuantDinger 是一个本地优先、隐私优先的量化交易基础设施。它完全运行在你的机器上，让你完全控制自己的策略、交易数据和 API 密钥。

为什么选择本地优先？

与将你的数据和策略锁定在云端的 SaaS 平台不同，QuantDinger 在本地运行。你的策略、交易日志、API 密钥和分析结果都保留在你的机器上。没有供应商锁定，没有订阅费用，没有数据泄露风险。

适合谁使用？

QuantDinger 为以下用户而构建：

重视数据主权和隐私的交易员、研究员和工程师
需要透明、可审计的交易基础设施
更偏好工程而非营销
需要完整的工作流：数据、分析、回测和执行

核心功能

QuantDinger 包含一个内置的基于 LLM 的多智能体研究系统，能够从网络收集金融情报，结合本地市场数据，生成分析报告。这与策略开发、回测和实盘交易工作流无缝集成。

核心价值

🔓 Apache 2.0 开源：完全宽松且商业友好。不像病毒式的 GPL/AGPL 协议，你真正拥有你的代码和修改权。
🐍 Python 原生 & 可视化：使用标准 Python 编写指标（比 PineScript 更简单），并由 AI 辅助。直接在图表上可视化信号——打造“本地版 TradingView”体验。
🤖 AI 闭环优化：不仅运行策略，AI 还会分析回测结果并建议参数调整（止损/止盈/MACD 设置），形成闭环优化。
🌍 全球市场接入：统一系统支持加密货币（实盘）、美股/A股、外汇和期货（数据/通知）。
⚡ Docker & 清晰架构：4 行命令极速部署。现代技术栈（Vue + Python），架构清晰，关注点分离。

📺 视频演示

点击上方视频观看 QuantDinger 项目介绍

📚 文档

Python 策略开发指南

📸 功能预览

📊 专业量化仪表盘

实时监控市场动态、资产状况和策略状态。

🤖 AI 深度投研

多智能体协作进行市场情绪与技术分析。

💬 智能交易助手

通过自然语言接口获取即时市场洞察。

📈 交互式指标分析

丰富的技术指标库，支持拖拽式分析。

🐍 Python 策略生成

内置编辑器，支持 AI 辅助策略代码编写。

✨ 关键特性

1. 可视化 Python 策略工作台

比 PineScript 更强，比 SaaS 更智能。

Python 原生：用 Python 编写指标和策略。利用完整的 Python 生态（Pandas, Numpy, TA-Lib），而不是 PineScript 这种专用语言。
"Mini-TradingView" 体验：直接在内置的 K 线图上运行你的 Python 指标。在历史数据上可视化调试买卖信号。
AI 辅助编程：让内置 AI 为你编写复杂的逻辑。从创意到代码只需几秒钟。

2. 完整的交易生命周期

从指标到执行，无缝衔接。

指标：定义你的市场入场/出场信号。
策略配置：附加风险管理规则（仓位管理、止损、止盈）。
回测 & AI 优化：运行回测，查看丰富的性能指标，并让 AI 分析结果以建议改进（例如：“调整 MACD 阈值为 X”）。
执行模式：
- 实盘交易：直接 API 执行，支持 10+ 加密货币交易所（Binance, OKX 等）。
- 信号通知：针对非实盘执行的市场（股票/外汇/期货），通过 Telegram, Discord, Email, SMS 或 Webhook 发送信号。

3. AI 多智能体投研

你的 7x24 小时 AI 投委会。

系统雇佣了一个多智能体团队作为你策略的二次过滤器：

研究智能体：抓取网络新闻和宏观事件（Google/Bing）。
分析智能体：分析技术指标和资金流向。
策略集成：AI 的判断可以作为“市场过滤器”——仅当 AI 情绪一致时才允许策略交易（例如：“如果 AI 风险分析师标记宏观风险极高，则不要买入”）。

4. 通用数据引擎

QuantDinger 提供跨多个市场的统一数据接口：

加密货币：直接 API 连接进行交易（10+ 交易所）和 CCXT 集成获取行情数据（100+ 数据源）
股票：Yahoo Finance、Finnhub、Tiingo（美股）和 AkShare（A股/港股）
期货/外汇：OANDA 和主要期货数据源
代理支持：内置代理配置，适应受限网络环境

5. 🧠 AI 记忆增强系统（Memory-Augmented Agents）

QuantDinger 的多智能体不是“每次从零开始”。它内置了一个本地记忆库 + 反思闭环，让每个智能体在生成提示词（prompt）时能检索过往经验，并在事后验证/复盘后把结果写回记忆库。

本质：RAG 风格的“经验检索增强”，不是训练/微调模型权重（零外部向量库依赖）。
隐私：所有记忆与反思记录默认落盘在本地 SQLite：backend_api_python/data/memory/。

逻辑图（从请求到记忆闭环）

flowchart TB
    %% ===== 🌐 入口层 =====
    subgraph Entry["🌐 API 入口"]
        A["📡 POST /api/analysis/multi"]
        A2["🔄 POST /api/analysis/reflect"]
    end

    %% ===== ⚙️ 服务编排层 =====
    subgraph Service["⚙️ 服务编排"]
        B[AnalysisService]
        C[AgentCoordinator]
        D["📊 构建上下文<br/>price · kline · news · indicators"]
    end

    %% ===== 🤖 多智能体工作流 =====
    subgraph Agents["🤖 多智能体工作流"]

        subgraph P1["📈 Phase 1 · 多维分析（并行）"]
            E1["🔍 MarketAnalyst<br/><i>技术面分析</i>"]
            E2["📑 FundamentalAnalyst<br/><i>基本面分析</i>"]
            E3["📰 NewsAnalyst<br/><i>新闻舆情</i>"]
            E4["💭 SentimentAnalyst<br/><i>市场情绪</i>"]
            E5["⚠️ RiskAnalyst<br/><i>风险评估</i>"]
        end

        subgraph P2["🎯 Phase 2 · 多空博弈（并行）"]
            F1["🐂 BullResearcher<br/><i>看多论据</i>"]
            F2["🐻 BearResearcher<br/><i>看空论据</i>"]
        end

        subgraph P3["💹 Phase 3 · 交易决策"]
            G["🎰 TraderAgent<br/><i>综合研判 → BUY / SELL / HOLD</i>"]
        end

    end

    %% ===== 🧠 记忆层 =====
    subgraph Memory["🧠 本地记忆库 SQLite（data/memory/）"]
        M1[("market_analyst")]
        M2[("fundamental")]
        M3[("news_analyst")]
        M4[("sentiment")]
        M5[("risk_analyst")]
        M6[("bull_researcher")]
        M7[("bear_researcher")]
        M8[("trader_agent")]
    end

    %% ===== 🔄 反思闭环 =====
    subgraph Reflect["🔄 反思闭环（可选）"]
        R[ReflectionService]
        RR[("reflection_records.db")]
        W["⏰ ReflectionWorker"]
    end

    %% ===== 主流程 =====
    A --> B --> C --> D
    D --> P1 --> P2 --> P3

    %% ===== 记忆读写 =====
    E1 <-.-> M1
    E2 <-.-> M2
    E3 <-.-> M3
    E4 <-.-> M4
    E5 <-.-> M5
    F1 <-.-> M6
    F2 <-.-> M7
    G <-.-> M8

    %% ===== 反思流程 =====
    C --> R --> RR
    W --> RR
    W -.->|"验证 + 学习"| M8
    A2 -.->|"手动复盘"| M8

1) 记忆是如何“注入提示词”的？

每个 agent 在 analyze() 时会：

构造 situation：例如 "{market}:{symbol} fundamental analysis"、"{market}:{symbol} trading decision" 等
携带结构化 metadata：market/symbol/timeframe + memory_features（价格、涨跌幅、技术指标等）
检索 Top-K 历史经验：转成一段可读的 memory_prompt
拼进 system_prompt：模型在做本次分析前先“读历史经验”

你可以在这些文件里看到同样的模式：

backend_api_python/app/services/agents/base_agent.py：get_memories() + format_memories_for_prompt()
backend_api_python/app/services/agents/*_agents.py、trader_agent.py：把 memory_prompt 拼进 system prompt

2) 记忆检索算法（为什么“像”RAG？）

每个角色的记忆表保存（简化）：

situation / recommendation / result / returns
market / symbol / timeframe / features_json
embedding（可选 BLOB）：本地“哈希向量”嵌入（无外部依赖）

检索时会从最近 AGENT_MEMORY_CANDIDATE_LIMIT 条候选中打分排序： [ score = w_{sim}\cdot sim + w_{recency}\cdot recency + w_{returns}\cdot returns_score ]

sim：默认用 embedding cosine，相同维度的本地哈希向量；没有 embedding 时退化为 difflib 文本相似度
recency：半衰期衰减（AGENT_MEMORY_HALF_LIFE_DAYS）
returns_score：对收益做 tanh 压缩，避免极值支配排序
timeframe 惩罚：如果查询 timeframe 与记忆记录 timeframe 不一致，会额外扣分

3) “学习”从哪里来？（两条写入通道）

自动反思（可选）：
- 分析结束后，系统会把 BUY/SELL/HOLD 记录到 reflection_records.db
- 开启 ENABLE_REFLECTION_WORKER=true 后，后台线程会按 REFLECTION_WORKER_INTERVAL_SEC 轮询到期记录，拉取最新价格做验证，并把验证结果写回 trader_agent_memory.db
手动复盘（推荐）：
- 调用 POST /api/analysis/reflect，把你的真实交易结果（returns/result）写回记忆库，用于后续决策增强

4) 关键环境变量（`.env`）

ENABLE_AGENT_MEMORY：是否启用记忆增强（默认 true）
AGENT_MEMORY_TOP_K：每次注入的经验条数（默认 5）
AGENT_MEMORY_CANDIDATE_LIMIT：候选池大小（默认 500）
AGENT_MEMORY_ENABLE_VECTOR：是否启用 embedding cosine（默认 true；否则退化为文本相似）
AGENT_MEMORY_EMBEDDING_DIM：哈希 embedding 维度（默认 256）
AGENT_MEMORY_HALF_LIFE_DAYS：时间衰减半衰期（默认 30）
AGENT_MEMORY_W_SIM / W_RECENCY / W_RETURNS：三项权重（默认 0.75 / 0.20 / 0.05）
ENABLE_REFLECTION_WORKER：是否启用自动验证闭环（默认 false）
REFLECTION_WORKER_INTERVAL_SEC：自动验证周期（默认 86400 秒）

6. 策略运行时

基于线程的执行器：独立的线程池用于策略执行
自动恢复：系统重启后恢复运行中的策略
订单队列：后台工作线程用于订单执行

7. 技术栈

后端：Python (Flask) + SQLite + Redis（可选）
前端：Vue 2 + Ant Design Vue + KlineCharts/ECharts
部署：Docker Compose

🔌 支持的交易所

QuantDinger 支持直接 API 连接到主要加密货币交易所进行执行，并使用 CCXT 获取广泛的行情数据。

直接 API 支持

交易所	市场
Binance	现货, 合约, 杠杆
OKX	现货, 永续, 期权
Bitget	现货, 合约, 跟单交易

也支持通过 CCXT

Bybit、Gate.io、Kraken、KuCoin、HTX 以及 100+ 其他交易所用于行情数据。

多语言支持

QuantDinger 为全球用户构建，提供全面的国际化支持：

所有 UI 元素、错误信息和文档均已完全翻译。语言会根据浏览器设置自动检测，也可以在应用中手动切换。

支持的市场

市场类型	数据源	交易
加密货币	Binance, OKX, Bitget, + 100 交易所	✅ 全面支持
美股	Yahoo Finance, Finnhub, Tiingo	✅ 通过券商 API
A股/港股	AkShare, 东方财富	⚡ 仅数据
外汇	Finnhub, OANDA	✅ 通过券商 API
期货	交易所 API, AkShare	⚡ 仅数据

架构 (当前仓库)

┌─────────────────────────────┐
│      quantdinger_vue         │
│   (Vue 2 + Ant Design Vue)   │
└──────────────┬──────────────┘
               │  HTTP (/api/*)
               ▼
┌─────────────────────────────┐
│     backend_api_python       │
│   (Flask + 策略运行时)       │
└──────────────┬──────────────┘
               │
               ├─ SQLite (quantdinger.db)
               ├─ Redis (可选缓存)
               └─ 数据提供商 / LLMs / 交易所

仓库目录结构

.
├─ backend_api_python/         # Flask API + AI + 回测 + 策略运行时
│  ├─ app/
│  ├─ env.example              # 复制为 .env 进行本地配置
│  ├─ requirements.txt
│  └─ run.py                   # 入口点
└─ quantdinger_vue/            # Vue 2 UI (开发服务器代理 /api -> 后端)

快速开始

选项 1: Docker 部署 (推荐)

运行 QuantDinger 最快的方式。

1. 一键启动

Linux / macOS

git clone https://github.com/brokermr810/QuantDinger.git && \
cd QuantDinger && \
cp backend_api_python/env.example backend_api_python/.env && \
docker-compose up -d --build

Windows (PowerShell)

git clone https://github.com/brokermr810/QuantDinger.git
cd QuantDinger
Copy-Item backend_api_python\env.example -Destination backend_api_python\.env
docker-compose up -d --build

2. 访问与配置

前端 UI: http://localhost:8888
默认账号: quantdinger / 123456

注意：为了使用 AI 功能或生产环境安全，请编辑 backend_api_python/.env（添加 OPENROUTER_API_KEY，修改密码），然后执行 docker-compose restart backend 重启服务。

3. 访问应用

前端 UI: http://localhost
后端 API: http://localhost:5000

Docker 命令参考

# 查看运行状态
docker-compose ps

# 查看日志
docker-compose logs -f

# 停止服务
docker-compose down

# 停止并删除卷 (警告：会删除数据库！)
docker-compose down -v

数据持久化

以下数据挂载到主机，重启容器后依然保留：

volumes:
  - ./backend_api_python/logs:/app/logs                       # 日志
  - ./backend_api_python/data:/app/data                       # 数据目录（包含 quantdinger.db）
  - ./backend_api_python/.env:/app/.env                       # 配置文件

选项 2: 本地开发

先决条件

推荐 Python 3.10+
推荐 Node.js 16+

1. 启动后端 (Flask API)

cd backend_api_python
pip install -r requirements.txt
cp env.example .env   # Windows: copy env.example .env
python run.py

后端将在 http://localhost:5000 上可用。

2. 启动前端 (Vue UI)

cd quantdinger_vue
npm install
npm run serve

前端开发服务器运行在 http://localhost:8000 并将 /api/* 代理到 http://localhost:5000。

配置 (.env)

使用 backend_api_python/env.example 作为模板。常用设置包括：

认证: SECRET_KEY, ADMIN_USER, ADMIN_PASSWORD
服务器: PYTHON_API_HOST, PYTHON_API_PORT, PYTHON_API_DEBUG
AI / LLM: OPENROUTER_API_KEY, OPENROUTER_MODEL
网络搜索: SEARCH_PROVIDER, SEARCH_GOOGLE_*, SEARCH_BING_API_KEY
代理 (可选): PROXY_PORT 或 PROXY_URL

🤝 社区与支持

贡献: 贡献指南 · 贡献者
Telegram: QuantDinger 群组
Discord: 加入服务器
📺 视频演示: 项目介绍
YouTube: @quantdinger
Email: brokermr810@gmail.com
GitHub Issues: 报告 Bug / 功能请求

💰 项目可持续性

QuantDinger 是开源且免费使用的。如果你觉得它有用，以下是一些支持项目持续发展的方式：

直接捐赠

ERC-20 / BEP-20 / Polygon / Arbitrum

0x96fa4962181bea077f8c7240efe46afbe73641a7

交易所推荐链接

如果你正在注册支持的交易所，使用下面的链接可以提供推荐收益，帮助支持项目。这些是可选的，不会影响你的交易费用或账户功能。

交易所	推荐链接
Binance	使用推荐链接注册
OKX	使用推荐链接注册
Bitget	使用推荐链接注册

专业服务

提供以下专业服务：

服务	描述
部署与设置	一对一协助服务器部署、配置和优化
定制策略开发	针对特定需求和市场定制交易策略
企业版升级	商业授权、优先支持和企业级高级功能
培训与咨询	为你的交易团队提供实战培训和战略咨询

感兴趣？ 联系我们：

📧 Email: brokermr810@gmail.com
💬 Telegram: QuantDinger Group

致谢

QuantDinger 站在这些伟大的开源项目肩膀之上：Flask, Pandas, CCXT, Vue.js, Ant Design Vue, KlineCharts 等。

感谢所有维护者和贡献者！ ❤️

22 KiB Raw Blame History Unescape Escape