RDAgent
🤖 自动化量化交易与模型迭代演进
📖 背景
在量化金融领域，因子发现和模型开发在驱动业绩方面都扮演着至关重要的角色。虽然人们通常更关注新金融因子的发现，但利用这些因子的模型也同样重要。一个量化策略的有效性不仅取决于所使用的因子，还取决于这些因子如何被有效地整合到强大、可预测的模型中。
然而，开发和优化这些模型的过程既耗时又复杂，需要持续的优化和调整以适应不断变化的市场条件。这正是**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，我们的自动化系统在一个持续、迭代的过程中，进行假设提出、模型构建、代码实现、回测分析，并利用反馈。
其目标是通过自主研发，自动优化 Qlib 库中的性能指标，最终发现最高效的代码。
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：模型创建 ✨
将假设转化为具体任务。
开发、定义并实现一个量化模型，包括其名称、描述和公式。
-
第三步：模型实现 👨💻
根据详细描述实现模型代码。
像开发者一样对模型进行迭代演进，以确保其准确性和效率。
-
第四步：使用 Qlib 进行回测 📉
使用新开发模型和 Qlib 中从 Alpha158 提取的 20 个因子进行回测。
评估模型的有效性和性能。
| 数据集 | 模型 | 因子 | 数据划分 |
| :--- | :--- | :--- | :--- |
| CSI300 (沪深300) | RDAgent-dev | 20 个因子 (Alpha158) | 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_model
🛠️ 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.ModelBasePropSetting
显示 JSON 模式
配置：
-
env_prefix: str = QLIB_MODEL_ -
protected_namespaces: tuple = () -
field coder: str = 'rdagent.scenarios.qlib.developer.model_coder.QlibModelCoSTEER'-
编码器类。
-
-
field evolving_n: int = 10-
演进次数。
-
-
field hypothesis2experiment: str = 'rdagent.scenarios.qlib.proposal.model_proposal.QlibModelHypothesis2Experiment'-
假设到实验转换类。
-
-
field hypothesis_gen: str = 'rdagent.scenarios.qlib.proposal.model_proposal.QlibModelHypothesisGen'-
假设生成类。
-
-
field runner: str = 'rdagent.scenarios.qlib.developer.model_runner.QlibModelRunner'-
运行器类。
-
-
field scen: str = 'rdagent.scenarios.qlib.experiment.model_experiment.QlibModelScenario'-
Qlib 模型场景类。
-
-
field summarizer: str = 'rdagent.scenarios.qlib.developer.feedback.QlibModelExperiment2Feedback'-
摘要器类。
-
Qlib 配置
model_template 文件夹中的 config.yaml 文件包含了在 Qlib 中运行已开发模型的相关配置。默认设置包括关键信息，例如：
-
market：指定市场，设置为csi300。 -
fields_group：定义字段组，值为feature。 -
col_list：使用的列列表，包括RESI5、WVMA5、RSQR5等各种指标。 -
start_time：数据开始日期，设置为2008-01-01。 -
end_time：数据结束日期，设置为2020-08-01。 -
fit_start_time：模型拟合开始日期，设置为2008-01-01。 -
fit_end_time：模型拟合结束日期，设置为2014-12-31。
默认使用的超参数如下：
-
n_epochs：迭代次数，设置为100。 -
lr：学习率，设置为1e-3。 -
early_stop：早停条件，设置为10。 -
batch_size：批次大小，设置为2000。 -
metric：评估指标，设置为loss。 -
loss：损失函数，设置为mse。 -
n_jobs：并行作业数，设置为20。
使用 MongoDB Atlas，您可以轻松构建由生成式人工智能（GenAI）驱动的应用程序，无需单独的数据库。