三种参与程度的AI投资决策系统 · 网页拼装 / 行业监控 / 单股辅助
AI Investment Decision System with Three Levels of Human Involvement · A-Share · MCP-Ready
English Version
| 4年超额 +33.7pp | AlphaForge IC +0.27 | 60+ A股因子 | 3 种参与模式 | MIT | 在线 Demo |
|---|---|---|---|---|---|
| 沪深300 · 2023–2026 | L1 主力信号 | 2008–2022 全A训练 | 拼装/单股/行业 | 开源 | 零安装 |
⚠️ 定位声明：不荐股、不预测涨停、不构成投资建议——QuantPilot 是研究与决策辅助工具，所有数字来自历史回测，历史表现不代表未来收益。
QuantPilot 是一个专注于中国A股市场的AI投资决策系统。它不是一个单点工具，而是按人参与程度分成三种模式——你可以完全不动手、可以要一个决策、也可以只要一个数据底座：
| 模式 | 人参与程度 | 一句话 | 入口 |
|---|---|---|---|
| 🌐 网页拼装模式 | 零代码 | 拖拽积木拼策略，网页即时回测 | 在线Demo |
| 🎯 单股辅助模式 | 给决策 | 盯住一只票，六信号源综合判断"现在该怎么办" | autoresearch/monitor.py |
| 🏭 行业监控模式 | 全托管 | 定时任务自动扫描板块轮动，提前发现风格切换 | cron 定时任务 |
三种模式共用同一套因子引擎（AlphaForge + TechPulse + Sentinel），只是暴露给人的界面不同。
先看案例，再谈项目——下面是三种模式各自的真实战绩，之后才讲架构与用法。
目录：🏆 实战案例 · 📸 界面预览 · 🔧 核心特性与架构 · 🚀 快速开始 · 🏗️ 项目结构 · 🤝 参与贡献 ·
引擎行不行，回测说了算。基于沪深300成分股，每月选取 Top30 等权组合，年度滚动回测（2023 – 2026）：
| 年份 | 多头收益 | 空头收益 | L-S 多空收益 | Top-5 超额收益 |
|---|---|---|---|---|
| 2023 | +4.12% | +0.83% | +3.29% | +7.21% |
| 2024 | +3.87% | +1.56% | +2.31% | +5.89% |
| 2025 | +4.53% | +2.01% | +2.52% | +6.38% |
| 2026 | +3.98% | +1.45% | +2.53% | +6.41% |
| 均值 | +4.13% | +1.46% | +2.65% | +6.47% |
逐年对比基准（以 2023 年初 = 100 为基准）：
| 年份 | 沪深300（年收益） | 策略TOP5（年收益） | 沪深300累计 | 策略累计 | 当年超额 |
|---|---|---|---|---|---|
| 2023 | -11.4% | +8.84% | 88.6 | 108.84 | +20.2pp |
| 2024 | +14.7% | +17.33% | 101.6 | 127.71 | +2.6pp |
| 2025 | -3.0% | +2.68% | 98.6 | 131.13 | +5.7pp |
| 2026 | -5.2% | -2.98% | 93.5 | 127.22 | +2.2pp |
🏆 4年累计战绩：
- 策略 +27.2% vs 沪深300 -6.5%
- 跑赢基准 +33.7个百分点
- 4年中有3年正收益，每年均跑赢沪深300
- 投入10万 → 策略变 12.7万，沪深300只剩 9.35万
策略不用写代码——去 在线Demo 拖拽积木就能复现同类回测。
你不用看盘。定时任务自动扫描五大板块（芯片/半导体 · CPO/光通信 · 具身/机器人 · 科技宽基 · 银行ETF），每个板块聚合龙头股 ML 信号 + 技术面 + 新闻情绪，由五角色决策链（情绪分析师 → 看多 → 看空 → 风控 → 交易员）输出当日判断。代码见 src/quantpilot/industry/。
证据链（真实 cron 归档，非事后复盘）：
| 日期 | 系统判断 | 来源 |
|---|---|---|
| 2026-08-13 | 预警「银行 +0.12% 偏弱，说明资金全在赌科技，没有防御底仓……一旦情绪退潮回调会比较猛」，当日决策观望不追高 | cron 8666bef213e3/2026-08-13_10-31-57.md |
| 2026-10-22 | 系统性普跌日（创业板 -3.58%），银行 ETF 仅 -0.12%，工行 +1.78% 逆势 → 定性「防御属性突出」 | cron 归档 |
| 2026-10-27 | 全市场仅 16% 个股上涨，银行唯一逆势 +1.67%；当日新闻出现**「有基金经理止损科技转身重仓银行股」** | cron 归档 |
系统预警早于市场共识 75 天（约 2.5 个月）。
若在预警日（08-13）调仓、持有至 10-28（腾讯行情真实数据）：
| 原持仓 | 切换后（银行） | 原持仓 | 防御价值 |
|---|---|---|---|
| 半导体 | +8.59% | -25.37% | +33.97pp |
| CPO/光通信 | +8.59% | -24.77% | +33.37pp |
| 科技宽基 | +8.59% | -20.30% | +28.89pp |
| 具身/机器人 | +8.59% | -11.01% | +19.60pp |
全区间（2026-04-15 → 10-28，131 交易日）板块对比：
| 板块 | 累计收益 | 最大回撤 | 年化波动率 |
|---|---|---|---|
| 银行 ETF | +8.73% | -9.83% | 16.3% |
| 具身/机器人 | -9.57% | -35.28% | 38.0% |
| 科技宽基 | -32.71% | -42.42% | 30.4% |
| 半导体 | -50.13% | -74.54% | 89.9% |
| CPO/光通信 | -58.93% | -74.67% | 91.9% |
银行相对科技宽基超额 +41.43pp，回撤只有半导体的 1/8、波动率 1/5.5——这就是防御属性的量化形态。
每一次定时输出都是真实归档，可在
~/.hermes/cron/output/{job_id}/*.md查看；指标可用python _industry_showcase.py复现（基于腾讯行情，无需 API Key）。
⚠️ 最大回撤与波动率必须基于价格序列计算。若误用「累计收益率序列」，会得到 -140% 这类数学上不可能的值（回撤下限是 -100%）。
选股引擎回答「买什么」，单股模式回答「我盯的这只，现在该怎么办」。给定任意标的代码（港股/ A股/美股），自动集成六个信号源：
| 信号 | 说明 |
|---|---|
| 📊 实时行情 | 腾讯行情 API，无需 API Key，港股/A股/美股通用 |
| 📈 技术面 | MA / RSI / MACD / KDJ / 布林带自动计算 |
| 📅 事件日历 | 财报日、产品发布、除权等关键节点，按影响力加权 |
| 📰 新闻舆情 | 关键词情感打分（零依赖，内存受限环境可用）；进阶可接 StructBERT |
| 🔒 内幕渠道 | 人机协作接口 — 你通过对话同步非公开信息，agent 写入本地文件供监控参考 |
| 🤖 ML 信号 | 单股专属 L1/L2 模型（见下方 Autoresearch） |
# 监控任意标的
python autoresearch/monitor.py sh600519 # A股
python autoresearch/monitor.py hk00700 # 港股设计原则：所有数据本地存储，不上传任何服务器；内幕渠道仅供内部参考。
🔬 Autoresearch — 单股模型自动优化：受 karpathy/autoresearch 启发的 agent 自主实验框架——固定评估协议 + 单一优化指标（高信心子集准确率）+ 自主决定改什么。每晚自动运行多轮「改代码 → 训练 → 评估 → 保留或回滚」，白天留给行情任务。详见 autoresearch/README.md。
首期战役已收官（2026-10-28 → 11-06，round3→round57）：最终基线 val 80.00% / 高信心 test 准确率 54.17%（n=24）/ 方向收益 +0.096%；KEEP 15 条（6 条阻尼规则 + 4 个参数 + 5 次数据滚动刷新）、ROLLBACK 6 条，round33 后连续 24 轮无净提升 → 决定收官。完整结果与 5 条方法学沉淀见 autoresearch/README.md。
在线 Demo 实拍（spa3k.github.io/quantpilot），点击图片直达体验：
 ML 因子选股 三层融合推荐、年度回测绩效与个股明细。 |
 DIY 策略 12 个拖拽积木拼策略，配置回测一键运行。 |
| 特性 | 说明 |
|---|---|
| 🧠 三层因子融合 | AlphaForge (L1) + TechPulse (L0) + Sentinel (L3) — 加权集成选股 |
| 🔌 MCP协议支持 | 原生MCP服务器 — 可将QuantPilot作为工具接入任何AI Agent |
| 🧱 DIY策略构建器 | 12个拖拽式策略模块，无需编程即可自定义回测 |
| 📊 真实A股数据 | 基于baostock数据源，提供A股日线行情 + 离线演示数据 |
| 🇨🇳 A股深度适配 | 60+ A股因子库，2008-2022全A股训练，沪深300回测 |
核心数据指标：
| 项目 | 说明 |
|---|---|
| 📦 数据源 | baostock（A股日线OHLCV） |
| 📅 训练集 | 2008-2022年全A股日线数据 |
| 📊 回测标的 | 沪深300（CSI 300）成分股 |
| 🧮 因子库 | 60+ A股特色因子（动量/波动率/质量/技术/情绪） |
QuantPilot 采用三层加权融合的异构因子模型架构：
选股得分 = 0.70 × AlphaForge + 0.20 × TechPulse + 0.10 × Sentinel
| 层级 | 模型 | 因子类型 | IC（信息系数） | 融合权重 |
|---|---|---|---|---|
| L1 | AlphaForge | LightGBM + 22维多因子（动量/波动率/质量） | +0.27 | 70% |
| L0 | TechPulse | 4大经典技术指标（MA / RSI / MACD / 布林带） | +0.04 | 20% |
| L3 | Sentinel | 情绪代理因子（新闻/社交媒体情绪） | −0.10 | 10% |
AlphaForge 承载主要Alpha信号（IC = +0.27），TechPulse 提供动量确认补充，Sentinel 叠加逆向情绪信号。
| 你是 | 从哪开始 |
|---|---|
| 只想体验 | 打开 在线 Demo，零安装 |
| 想跑自己的回测 | 下方 pip install → Python 库用法 |
| 想接 AI Agent | 下方 MCP 客户端配置 |
| 盯一只票 | python autoresearch/monitor.py sh600519 |
| 想二次开发 | 项目结构 + pip install -e . |
安装：
git clone https://github.com/SPA3K/quantpilot.git
cd quantpilot
python -m venv .venv && source .venv/bin/activate
pip install -e .以 MCP 服务器运行：
# 启动 MCP 服务器（stdio 传输）
python -m quantpilot.mcp_server// MCP 客户端配置（如 Claude Desktop、Cline）
{
"mcpServers": {
"quantpilot": {
"command": "python",
"args": ["-m", "quantpilot.mcp_server"]
}
}
}作为 Python 库使用：
from quantpilot.ml.model_zoo import AlphaForge, TechPulse, Sentinel
# 对股票池进行评分
scores = AlphaForge.predict(stock_data) * 0.70 \
+ TechPulse.predict(stock_data) * 0.20 \
+ Sentinel.predict(stock_data) * 0.10
top30 = scores.nlargest(30)Web 演示（无需安装）：
👉 spa3k.github.io/quantpilot — 拖拽式策略构建与回测
QuantPilot 将选股引擎封装为 MCP 工具，可被任何兼容MCP的AI Agent调用：
# 示例：从 MCP 客户端调用
result = mcp_client.call_tool(
"quantpilot",
"select_stocks",
{
"universe": "CSI300", # 沪深300
"top_n": 30,
"date": "2025-06-01"
}
)
# 返回结果：
# {
# "selected": ["600519.SH", "000858.SZ", ...],
# "scores": [0.92, 0.89, ...],
# "model_weights": {"AlphaForge": 0.70, "TechPulse": 0.20, "Sentinel": 0.10}
# }支持的MCP工具：
| 工具 | 说明 |
|---|---|
select_stocks |
对股票池执行三层融合评分，返回排名列表 |
backtest |
对选定策略或因子模型进行回测 |
get_factor_exposure |
获取个股三层因子得分明细 |
list_strategies |
列出可用的DIY策略预设 |
单股/行业模式的定时任务接入：
# 单股监控（见 Case 3）
python autoresearch/monitor.py sh600519
# 行业板块信号（见 Case 2），代码在 src/quantpilot/industry/不信任纯ML模型？没问题。我们的MCP Server支持任意配置技术指标（MA/RSI/MACD/KDJ等12个积木）与三层模型的决策配比。你可以设置AlphaForge占30%、你自己选的指标占70%，完全自定义。
进阶用法： 适合希望将自己的技术面信号与模型信号融合的用户。通过MCP Server的
backtest工具，传入自定义权重配置即可回测任意组合：# 示例：自定义权重 — 你的技术指标占主导 result = mcp_client.call_tool("quantpilot", "backtest", { "weights": {"AlphaForge": 0.30, "TechPulse": 0.20, "Sentinel": 0.10, "custom_tech": 0.40}, "custom_indicators": ["MA_cross", "RSI", "MACD", "KDJ"] })
点击展开全部12个技术指标积木
| 模块 | 逻辑 |
|---|---|
| 📈 均线交叉 | 快线上穿慢线 → 买入 |
| 📊 RSI | RSI < 30 买入，> 70 卖出 |
| 📉 MACD | DIF上穿DEA → 买入 |
| 🎯 布林带 | 触及下轨买入，触及上轨卖出 |
| ⚡ KDJ | K线上穿D线 → 买入 |
| 🐢 海龟交易 | 突破N日高点 → 买入 |
| 📊 量价分析 | 放量上涨 → 买入 |
| 🌊 OBV | OBV趋势确认 → 买入 |
| 🔲 网格交易 | 每下跌N%买入，每上涨N%卖出 |
| 🛡️ ATR移动止损 | 基于ATR的动态止损 |
| 💰 止盈 | 达到目标收益时退出 |
| ⛔ 止损 | 达到最大亏损阈值时退出 |
export AUTORESEARCH_CODE=sh600519 # 指定要优化的标的
cd autoresearch && python train.py # 手动跑一轮quantpilot/
├── src/quantpilot/
│ ├── ml/ # 🧠 AI 因子模型（核心）
│ │ ├── model_zoo.py # AlphaForge / TechPulse / Sentinel
│ │ ├── factors.py # 22个Alpha因子 + 技术指标
│ │ ├── tree_models.py # LightGBM 训练 & 推理
│ │ ├── sentiment.py # 情绪因子（Sentinel）
│ │ ├── evaluator.py # IC / IR / 换手率评估
│ │ └── data_fetcher.py # 数据管线
│ ├── mcp_server.py # 🔌 MCP 协议服务器
│ ├── algorithms/traditional/ # 🧱 12个DIY策略模块
│ ├── core/backtest.py # 📊 回测引擎
│ ├── data/baostock_provider.py # 📦 A股数据源（baostock）
│ ├── data/tencent_provider.py # 📦 腾讯行情数据源（港股/A股/美股）
│ ├── single_stock/ # 🎯 单股模式（情感/内幕/事件日历）
│ ├── industry/ # 🏭 行业监控模式（板块信号/追踪）
│ ├── api/ # 🔗 策略API
│ └── web/ # 🌐 Web前端 + UI
├── autoresearch/ # 🔬 单股模型自动优化框架
├── docs/index.html # GitHub Pages 演示
├── data/demo/ # 离线演示数据集
├── scripts/ # 工具脚本
└── pyproject.toml
欢迎提交PR！重点关注方向：
- 新的Alpha因子或因子模型
- 更多MCP工具端点
- 数据源集成扩展
- 前端功能改进
本项目仅供学习与量化研究，不构成任何投资建议。回测结果不代表未来收益，A 股有风险，入市需谨慎；数据准确性以数据源（baostock / 腾讯行情）官方为准。本项目不提供荐股、不预测涨停，所有信号仅为历史规律的统计呈现。
MIT（见 LICENSE）
⭐ 觉得有用？点个 Star 就是最大的支持 · 在线 Demo · English README