QbotLSTMTransformer选股流水线三步跑通本地智能选股回测【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot去年三月我在Qbot里跑完一次回测看到一笔追高单挂在20日最高点五天后才触发止损离场。问题不在手速在于买在哪个位置完全靠人盯。Qbot的LSTMTransformer智能选股流水线就是把收盘价序列转成买卖信号的一套本地方案。看懂行情→信号的完整流水线三步跑通一个LSTM回测上手前避开四个高频坑Qbot智能选股能力速览功能解决什么问题对应模块LSTM趋势回测用前20天收盘价序列预测次日方向替代人工看K线lstm_strategy_bt.pyTransformer因子建模给24天价格窗口里每个位置算出注意力权重stock_Transformer.py多因子股票池筛选用PE/PB/ROE三个因子打分选出得分前10只multi_factor_strategy.pyTushare行情接入拉取前复权日线喂给模型训练get_data.py一条数据链从行情到交易信号行情数据进厂。lstm_strategy_bt.py 通过 Tushare国内主流行情API拉取 600018 的前复权日线跨度约两年半2020-01-01 至 2023-01-31。前复权就是把历史价格按分红送股折算避免除权日出现假跳空。特征提取。拿到收盘价后先做 MinMaxScaler 归一化把价格压到 0~1 区间。归一化的意义很直接LSTM对数值尺度敏感10元的票和1000元的票放在同一窗口里没法比较。LSTM趋势建模。归一化后的序列切成滑动窗口取前 20 个交易日源码参数 lookback20预测第 21 天的收盘价。模型只有三层结构见源码# 20日收盘价窗口1维输入 model.add(LSTM(unitsself.p.neurons, input_shape(self.p.lookback, 1))) model.add(Dropout(0.2)) model.add(Dense(units1)) # 输出次日预测价训练用前 80% 数据train_size0.8跑 50 轮。信号规则写得很死预测价高于现价就买 100 股持仓后收盘价超过成本价 5%源码里是* 1.05就清仓。回测初始资金 1 万手续费万分之一。Transformer跨因子注意力。第二道工序在 docs/tutorials_code/13_Transformer/。把序列窗口设为 24 天seq_len2424 天每天的价格在模型里是一个token8 个注意力头num_heads8、2 层编码器num_layers2、512 维隐层学习窗口里哪些天更该被重视。类比一下LSTM 像顺着一段录音从头听到尾Transformer 像先扫一遍全篇再回头重点听几处——哪些天的价格变动对下一天更有参考意义权重由训练自己给而不是写死最近三天最重要。信号融合。趋势判断和股票池筛选在仓库里分属两个模块多因子策略用线性回归对 pe_ttm、pb、roe_ttm 三个因子做动态加权得分最高的前 10 只进入持仓num_stocks10。组合方式是因子得分先筛股票池LSTM 再决定池内个股的买卖时点。两个模块在仓库中独立运行融合逻辑需要自己拼接参考 docs/03-智能策略/model_zoo.md。三步跑通LSTM回测装依赖建 Python 3.8 环境安装指南 声明仅在 3.8/3.9 下测试过再装仓库自带的 TA-Lib wheelpython3.8 -m pip install dev/TA_Lib-0.4.28-cp38-cp38-linux_x86_64.whl配数据源编辑 utils/configure/config.json填入 Tushare 的 tokents_token: 你的Tushare令牌跑回测python qbot/strategies/lstm_strategy_bt.py。脚本会自动经 Tushare 拉前复权数据并打印 Sharpe 比率。⚠️ 四个高频坑Python 版本要卡死官方只在 3.8/3.9 下测试过依据docs/Install_guide.md 首段加粗说明。3.10 的 pip 装不上仓库里 cp38/cp39 的 wheel。窗口长度决定数据下限lookback20 意味着至少 20 个交易日才能产出第一个预测数据太短模型直接没料可学依据lstm_strategy_bt.py 的_prepare_X。止盈阈值写死在源码5% 的卖出条件直接是position.price * 1.05想改参数要动代码而不是改配置依据同文件next方法。别拿单票策略当全市场选股用LSTM 示例只回测单只 600018股票池层面的筛选在 multi_factor_strategy.py两模块能力边界不同依据两文件__main__入口。一句话总结Qbot 把行情进、信号出拆成 LSTM 与 Transformer 两道可回测的工序数值、路径全部可查。策略源码库qbot/strategies/智能策略文档docs/03-智能策略/常见问题docs/FQA.md【免费下载链接】Qbot[updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考