RDAgent
🤖 自动化量化交易与因子迭代演进
📖 背景
在充满活力的量化交易世界中，因子是交易者利用市场低效性的战略工具。这些因子——从市盈率等简单指标到现金流折现等复杂模型——是高精度预测股价的关键。
通过利用这些因子，量化交易者可以开发出复杂的策略，不仅能识别市场模式，还能显著提高交易效率和精确度。系统地分析和应用这些因子的能力，是区分普通交易和真正战略性地超越市场的关键。这就是**金融模型智能代理（Finance Model Agent）**发挥作用的地方。
🎥 演示
🌟 简介
在此场景中，我们的智能代理演示了假设生成、知识构建和决策制定的迭代过程。
它突显了金融因子如何通过持续的反馈和优化而演进。
以下是增强版的步骤大纲：
-
第一步：假设生成 🔍
基于之前的实验分析和领域专业知识，生成并提出初始假设，并提供详尽的推理和财务依据。
-
第二步：因子创建 ✨
根据假设，将任务进行拆分。
每个任务都涉及开发、定义和实现一个新的金融因子，包括其名称、描述、公式和变量。
-
第三步：因子实现 👨💻
根据描述实现因子代码，并像开发者一样对其进行演进。
对新创建的因子进行量化验证。
-
第四步：使用 Qlib 进行回测 📉
将完整数据集整合到因子实现代码中，并准备好因子库。
在 Qlib 中使用 Alpha158 和新开发的因子以及 LGBModel 进行回测，以评估新因子的有效性和性能。
| 数据集 | 模型 | 因子 | 数据划分 |
| :--- | :--- | :--- | :--- |
| CSI300 (沪深300) | LGBModel | Alpha158 Plus | 训练集：2008-01-01 至 2014-12-31 |
| | | | 验证集：2015-01-01 至 2016-12-31 |
| | | | 测试集：2017-01-01 至 2020-08-01 |
-
第五步：反馈分析 🔍
分析回测结果以评估性能。
整合反馈意见以优化假设并改进模型。
-
第六步：假设优化 ♻️
根据回测反馈优化假设。
重复此过程以持续改进模型。
⚡ 快速入门
请参考**《安装与配置》**文档中的安装部分，以准备您的系统依赖项。
您可以通过运行以下命令来尝试我们的演示：
🐍 创建 Conda 环境
使用 Python 创建一个新的 conda 环境（我们的持续集成环境已对 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_factor
🛠️ 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.FactorBasePropSetting
显示 JSON 模式
配置：
-
env_prefix: str = QLIB_FACTOR_ -
protected_namespaces: tuple = () -
field coder: str = 'rdagent.scenarios.qlib.developer.factor_coder.QlibFactorCoSTEER'-
编码器类。
-
-
field evolving_n: int = 10-
演进次数。
-
-
field hypothesis2experiment: str = 'rdagent.scenarios.qlib.proposal.factor_proposal.QlibFactorHypothesis2Experiment'-
假设到实验转换类。
-
-
field hypothesis_gen: str = 'rdagent.scenarios.qlib.proposal.factor_proposal.QlibFactorHypothesisGen'-
假设生成类。
-
-
field runner: str = 'rdagent.scenarios.qlib.developer.factor_runner.QlibFactorRunner'-
运行器类。
-
-
field scen: str = 'rdagent.scenarios.qlib.experiment.factor_experiment.QlibFactorScenario'-
Qlib 因子场景类。
-
-
field summarizer: str = 'rdagent.scenarios.qlib.developer.feedback.QlibFactorExperiment2Feedback'-
摘要器类。
-
pydantic 设置 rdagent.components.coder.factor_coder.config.FactorCoSTEERSettings
显示 JSON 模式
配置：
-
env_prefix: str = FACTOR_CoSTEER_ -
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 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 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。
-
使用 MongoDB Atlas，您无需单独的数据库即可开始构建由生成式人工智能（GenAI）驱动的应用程序。