RDAgent
🥇 第一个以数据为中心的量化多智能体框架 RD-Agent(Q)
研发金融量化智能代理，简称 RD-Agent(Q)，是首个以数据为中心的多智能体框架，旨在通过协调因子-模型协同优化，实现量化策略全栈式研发的自动化。
您可以通过论文了解更多关于 RD-Agent(Q) 的细节。
⚡ 快速入门
在开始之前，请确保您已正确安装 RD-Agent 并配置好环境。如果想了解如何安装和配置 RD-Agent，请参考文档。
之后，您可以通过运行以下命令来启动框架：
🐍 创建 Conda 环境
使用 Python 创建一个新的 conda 环境（我们的 CI 已对 Python 3.10 和 3.11 进行了充分测试）：
conda create -n rdagent python=3.10
激活环境：
conda activate rdagent
📦 安装 RDAgent
您可以从 PyPI 安装 RDAgent 包：
pip install rdagent
🚀 运行应用
您可以使用以下命令直接运行应用程序：
rdagent fin_quant
🛠️ 模块使用
环境变量配置
以下环境变量可以在 .env 文件中设置，以自定义应用程序的行为：
pydantic 设置 rdagent.app.qlib_rd_loop.conf.QuantBasePropSetting
显示 JSON 模式
配置：
-
env_prefix: str = QLIB_QUANT_ -
protected_namespaces: tuple = () -
field action_selection: str = 'bandit'-
行动选择策略：
'bandit'表示基于多臂赌博机的选择，'llm'表示基于大语言模型的选择，'random'表示随机选择。
-
-
field evolving_n: int = 10-
演进次数。
-
-
field factor_coder: str = 'rdagent.scenarios.qlib.developer.factor_coder.QlibFactorCoSTEER'-
因子编码器类。
-
-
field factor_hypothesis2experiment: str = 'rdagent.scenarios.qlib.proposal.factor_proposal.QlibFactorHypothesis2Experiment'-
假设到实验转换类。
-
-
field factor_runner: str = 'rdagent.scenarios.qlib.developer.factor_runner.QlibFactorRunner'-
因子运行器类。
-
-
field factor_summarizer: str = 'rdagent.scenarios.qlib.developer.feedback.QlibFactorExperiment2Feedback'-
因子摘要器类。
-
-
field model_coder: str = 'rdagent.scenarios.qlib.developer.model_coder.QlibModelCoSTEER'-
模型编码器类。
-
-
field model_hypothesis2experiment: str = 'rdagent.scenarios.qlib.proposal.model_proposal.QlibModelHypothesis2Experiment'-
假设到实验转换类。
-
-
field model_runner: str = 'rdagent.scenarios.qlib.developer.model_runner.QlibModelRunner'-
模型运行器类。
-
-
field model_summarizer: str = 'rdagent.scenarios.qlib.developer.feedback.QlibModelExperiment2Feedback'-
模型摘要器类。
-
-
field quant_hypothesis_gen: str = 'rdagent.scenarios.qlib.proposal.quant_proposal.QlibQuantHypothesisGen'-
假设生成类。
-
-
field scen: str = 'rdagent.scenarios.qlib.experiment.quant_experiment.QlibQuantScenario'-
Qlib 模型的场景类。
-
pydantic 设置 rdagent.components.coder.factor_coder.config.FactorCoSTEERSettings
显示 JSON 模式
配置：
-
env_prefix: str = FACTOR_CoSTEER_ -
field coder_use_cache: bool = False-
指示编码器是否使用缓存。
-
-
field data_folder: str = 'git_ignore_folder/factor_implementation_source_data'-
包含金融数据（默认为 Qlib 中的基础数据）的文件夹路径。
-
-
field data_folder_debug: str = 'git_ignore_folder/factor_implementation_source_data_debug'-
包含部分金融数据（用于调试）的文件夹路径。
-
-
field enable_filelock: bool = False -
field file_based_execution_timeout: int = 3600-
每次因子实现执行的超时时间（以秒为单位）。
-
-
field filelock_path: str | None = None -
field knowledge_base_path: str | None = None-
知识库路径。
-
-
field max_loop: int = 10-
任务实现的最大循环次数。
-
-
field max_seconds_multiplier: int = 1000000 -
field new_knowledge_base_path: str | None = None-
新知识库的路径。
-
-
field python_bin: str = 'python'-
Python 二进制文件的路径。
-
-
field select_method: str = 'random'-
因子实现的选择方法。
-
-
field simple_background: bool = False-
是否使用简单的背景信息进行代码反馈。
-
-
field v2_add_fail_attempt_to_latest_successful_execution: bool = False
Qlib 配置
model_template 和 factor_template 目录中的 .yaml 文件包含用于在 Qlib 框架中运行相应模型或因子的一些配置。下面是它们的内容和作用概述：
-
通用设置：
-
provider_uri：指定本地 Qlib 数据路径，设置为~/.qlib/qlib_data/cn_data。 -
market：配置为csi300，表示沪深 300 指数成分股。 -
benchmark：设置为SH000300，用于回测评估。
-
-
数据处理：
-
start_time和end_time：定义完整数据范围，从2008-01-01到2022-08-01。 -
fit_start_time：模型拟合的开始日期，设置为2008-01-01。 -
fit_end_time：模型拟合的结束日期，设置为2014-12-31。 -
features和labels：通过嵌套数据加载器生成，该加载器结合了Alpha158DL（用于如RESI5、WVMA5、RSQR5、KLEN等工程特征）和一个加载预计算的因子文件 (combined_factors_df.parquet) 的StaticDataLoader。 -
normalization：管道包括用于推理的RobustZScoreNorm（带裁剪）和Fillna，以及用于训练的DropnaLabel和CSZScoreNorm。
-
-
训练配置：
-
Model：使用GeneralPTNN，一个基于 PyTorch 的神经网络模型。 -
数据集划分：
-
train：2008-01-01到2014-12-31 -
valid：2015-01-01到2016-12-31 -
test：2017-01-01到2020-08-01
-
-
默认超参数（可通过命令行参数覆盖）：
-
n_epochs：100 -
lr：2e-4 -
early_stop：10 -
batch_size：256 -
weight_decay：0.0 -
metric：loss -
loss：mse -
n_jobs：20 -
GPU：0（如果可用，使用 GPU 0）
-
-
-
回测和评估：
-
strategy：TopkDropoutStrategy，它选择排名前 50 的股票并随机剔除 5 只以引入探索性。 -
backtest period：2017-01-01到2020-08-01 -
initial capital：100,000,000 -
cost configuration：包括开盘/收盘成本、最低交易成本和滑点控制。
-
-
记录和分析：
-
SignalRecord：记录预测的信号。 -
SigAnaRecord：执行信号分析，不进行多空分离。 -
PortAnaRecord：使用配置的策略和回测设置进行投资组合分析。
-
使用 MongoDB Atlas 简化基础设施，这是领先的开发者数据平台。