QuantGPT

Bienvenue sur QuantGPT ?

Interfacez l’IA avec l’analyse quantitative pour une élaboration de stratégie améliorée

QuantGPT est un outil open source conçu pour les quants qui cherchent à exploiter la puissance de la documentation complète de vectorbt PRO via une interface utilisateur intuitive. Notre objectif est de fournir un pont transparent entre une documentation complexe et l'utilisateur final, en utilisant les capacités avancées de traitement du langage naturel.

Caractéristiques

Recherche de documentation basée sur l'IA : interrogez l'ensemble de la documentation de vectorbt PRO en utilisant le langage naturel, ce qui rend la recherche d'informations aussi simple que de taper une question. Compréhension contextuelle : obtenez des informations contextuelles directement liées à vos requêtes de recherche, en vous assurant de comprendre non seulement le « comment », mais aussi le « pourquoi » derrière diverses stratégies analytiques. Développement de stratégie efficace : trouvez rapidement les fonctions, les paramètres et les modules dont vous avez besoin, ce qui vous fera gagner du temps et rationalisera le processus de la conception à l'exécution. Philosophie de base QuantGPT est construit avec la conviction que les bons outils peuvent améliorer considérablement la capacité et l'efficacité du développement de stratégies quantitatives. En fusionnant l'IA avec la création de stratégies, nous ne simplifions pas seulement le processus de recherche ; nous redéfinissons la manière dont les quants interagissent avec l'information.

Communauté et collaboration

En tant que projet communautaire, QuantGPT prospère grâce aux efforts de collaboration et aux contributions. Que ce soit par le biais de code, d'idées ou de commentaires, votre contribution contribue à façonner l'avenir des outils de développement de stratégies quantitatives.

Commencer

Plongez dans l'expérience QuantGPT pour améliorer vos stratégies de trading et contribuer au paysage évolutif de l'analyse quantitative.

Mettez en vedette ou forkez le dépôt pour montrer votre soutien et rester à jour. Consultez les directives de contribution pour voir comment vous pouvez faire partie du voyage. Remarque : QuantGPT est un projet en constante évolution. Nous commençons par vectorbt PRO, mais l'horizon est vaste. L’objectif est d’intégrer à terme une multitude d’outils et de bibliothèques analytiques, créant ainsi un écosystème polyvalent pour l’analyse quantitative.

Explorez QuantGPT , où les algorithmes rencontrent les stratégies à la vitesse de la pensée.

Installation

Assurez-vous que Conda est installé sur votre système. Sinon, téléchargez-le sur le site officiel de Conda. Suivez ces étapes pour configurer QuantGPT :

Étape 1 : cloner le référentiel

Commencez par cloner le référentiel QuantGPT sur votre machine locale :

git clone https://github.com/rnikitin/quantgpt.git
cd quantgpt

Étape 2 : Créer et activer l'environnement Conda

Créez un environnement Conda avec Python 3.10 et activez-le :

conda create --name quantgpt python=3.10
conda activate quantgpt

Étape 3 : Installer Scrapy

Dans l'environnement Conda, installez Scrapy en utilisant Conda ou pip :

conda install -c conda-forge scrapy

ou

pip install Scrapy

Reportez-vous à la documentation officielle de Scrapy pour plus de détails.

Étape 4 : Installer les dépendances restantes

Une fois Scrapy installé, utilisez pip pour installer les autres dépendances nécessaires :

pip install -r requirements.txt

Étape 5 : configurer les variables d'environnement

Renommez env.example en .env et remplissez les variables nécessaires :

Variables obligatoires :

OPENAI_API_KEY= " sk-XXXX "
GPT_MODEL= " gpt-4 "

Variables facultatives : acquérez-les auprès de Chainlit Cloud si nécessaire ici ou supprimez-les complètement, si vous n'avez pas besoin de persistance pour le moment. Vous pouvez en savoir plus sur la persistance et la plateforme Literal AI ici.

LITERAL_API_KEY= " cl_XXX "

Comment générer CHAINLIT_AUTH_SECRET vous pouvez lire ici. Pour ajouter CHAINLIT_AUTH_SECRET au fichier .env , vous pouvez utiliser la commande suivante :

chainlit create-secret

Étape 6 : Exécutez le grattoir

Accédez au répertoire quant_scraper pour préparer l'exécution du scraper :

 cd quant_scraper

Exécutez le scraper en passant le secret_url directement dans la commande :

scrapy crawl vbt_pro -a secret_url= " pvt_XXXX "

pvt_XXXX doit être obtenu auprès de l’adhésion VectorBT Pro.

Une fois terminé, revenez au répertoire racine du projet :

 cd ..

Étape 7 : Lancer l'interface utilisateur

Une fois tout configuré, lancez l'interface utilisateur :

chainlit run quantgpt.py

Prévoyez 3 à 5 minutes lors de la première exécution pour créer l'index Vector Store, en fonction de la vitesse de votre connexion Internet.

Commencez à utiliser QuantGPT

Votre configuration de QuantGPT est terminée. Le modèle d'IA par défaut est GPT-4, mais vous pouvez l'ajuster dans le fichier .env . Soyez conscient des coûts d'indexation et de demandes, qui peuvent être d'environ 1 $ pour l'indexation et 0,2 $ par demande.

Comment ça marche

QuantGPT fonctionne selon une séquence d'étapes impliquant l'extraction, la transformation et la génération de réponses :

1. Extraction de données :

   • Exploration Web : à l'aide Scrapy , le système parcourt par programme le site Web de documentation de Vectorbt Pro pour récupérer le contenu.

2. Transformation:

   • Indexation : le module llama_index traite les données collectées, segmentant les documents en fonction des en-têtes de démarque ("##") en sections indexées.
   • Génération de questions : pour augmenter le contenu indexé, gpt-3.5-turbo génère des questions associées pour chaque section, élargissant ainsi les métadonnées des documents.
   • Intégration de VectorIndex : les sections du document résultantes, ainsi que leurs métadonnées, sont stockées dans VectorIndex .

3. Génération de réponse :

   • Récupération de documents : en réponse aux requêtes des utilisateurs, le système extrait les sections pertinentes du VectorIndex .
   • Composition récapitulative : il utilise la méthode tree_summary pour synthétiser les informations en une réponse cohérente et contextuellement pertinente.

L'approche vise à fournir des réponses de qualité SOTA à partir d'une documentation complète, avec pour contrepartie des coûts de paiement plus élevés par requête.

Usage

QuantGPT est conçu pour s'interfacer avec Chainlit, en tirant parti de ses robustes capacités d'interface utilisateur de chatbot, idéales pour interagir et évaluer de grands modèles de langage (LLM) pour les applications de trading quantitatif.

Accès initial

Au lancement de l'application, vous serez peut-être invité à fournir vos identifiants de connexion. Utilisez la combinaison par défaut suivante :

Nom d'utilisateur : admin Mot de passe : admin

Cette étape d'authentification est requise par Chainlit pour ceux qui ont besoin de persistance au sein de leur instance. Il s'agit d'un espace réservé et doit être remplacé par des mesures d'authentification appropriées en production ou si des données sensibles sont traitées.

Interface conversationnelle

L'application se présente comme une interface de chat, offrant un moyen intuitif d'interagir avec l'IA sous-jacente. Cependant, il est important de noter certaines limitations actuelles :

Conscience contextuelle

• Chaque interaction est traitée indépendamment. L'IA ne conserve pas le contexte des questions précédentes. Pour compenser cela, fournissez des informations complètes dans chaque requête afin de faciliter une réponse plus précise.

Indexage

• La fonctionnalité d’indexation en est aux premiers stades de développement. Il est prévu que l'intégration de l'extraction de métadonnées, comme démontré dans le guide d'extraction de métadonnées de LlamaIndex, améliorera considérablement la capacité de l'IA à récupérer et à utiliser les informations pertinentes de la documentation indexée.

Limites et opportunités de développement

À mesure que QuantGPT évolue, ses capacités évoluent également. Les limitations actuelles sont des opportunités de croissance et de développement :

• Mémoire contextuelle : les futures itérations pourraient inclure une mémoire contextuelle pour des conversations transparentes.
• Indexation des métadonnées : les améliorations apportées à l'indexation des métadonnées devraient affiner la compréhension et la précision des réponses de l'IA.

Appel à tous les développeurs LLM !

Si vous êtes un développeur ou un passionné de LLM, votre expertise peut aider QuantGPT à atteindre son plein potentiel. L'expérimentation, les essais et les contributions sont fortement encouragés. Si vous avez des idées ou des améliorations, veuillez créer le référentiel, apporter vos modifications et soumettre une pull request. Vos contributions sont précieuses et toujours les bienvenues !

Feuille de route

Voici ce qui se profile à l’horizon pour QuantGPT :

Futur proche :

• Conversations contextuelles : implémentez un mode de discussion complet avec mémoire pour un contexte plus riche.
• Architecture découplée : déplacez l'indexation/requête hors de quantgpt.py pour permettre une expérimentation flexible via un notebook Python.
• Améliorations des métadonnées : introduisez des extractions de métadonnées pour une meilleure précision de recherche.

Regarder vers l'avenir :

• Indexation directe des liens : ajoutez des fonctionnalités de chat pour analyser et indexer le contenu des liens en temps réel.
• Analyse de fichiers : développez l'indexation pour inclure l'analyse de fichiers pour divers formats de données.

Vision à long terme :

• Travail d'équipe des agents LLM : rassemblez une équipe d'agents LLM pour prendre en charge la recherche avancée et potentiellement automatiser l'analyse des transactions.

Chaque étape vise à faire de QuantGPT un assistant plus intelligent et plus intuitif pour la communauté du trading quantitatif.

Vision pour QuantGPT

QuantGPT a commencé comme un projet personnel né de la nécessité de naviguer et d'exploiter les capacités de la bibliothèque vectorbt.pro puissante mais complexe. Cependant, la vision de quantgpt s’étend bien au-delà d’un seul outil ou bibliothèque. Il s'agit de créer un écosystème complet qui permet aux traders et aux développeurs quantitatifs de transformer des données complexes et des stratégies sophistiquées en informations exploitables et en systèmes de trading opérationnels.

Expansion de l'écosystème

Voici quelques idées sur la façon dont QuantGPT pourrait évoluer :

• Traduction de stratégie : automatisez la traduction des stratégies backtestées de vectorbt vers d'autres plateformes de trading comme freqtrade, permettant aux utilisateurs de passer facilement des environnements de recherche aux environnements de trading en direct.

• Intégration des connaissances : intégrez un large éventail de ressources financières quantitatives, telles que des articles universitaires, des tutoriels et des livres, dans l'indice QuantGPT . Cela permettrait aux utilisateurs d'interroger et d'appliquer des théories et des modèles complexes directement à leurs stratégies de trading.

• Apprentissage interactif : utilisez l'interface utilisateur conversationnelle pour créer un environnement d'apprentissage interactif dans lequel les traders moins expérimentés peuvent poser des questions et recevoir des explications, des extraits de code ou des références à des documents pertinents, aplatissant ainsi la courbe d'apprentissage des concepts quantitatifs complexes.

• Analyse des données en temps réel : connectez QuantGPT aux flux de données de marché en temps réel, ce qui lui permet de fournir des analyses et des informations à la volée basées sur les conditions actuelles du marché.

• Indexation personnalisée : permettez aux utilisateurs de créer des index personnalisés à partir de leurs propres ensembles de données, permettant ainsi des informations personnalisées et le développement de stratégies basées sur des informations exclusives.

Un appel à l’innovation collective

QuantGPT n'est pas seulement un outil ; c'est une plateforme pour l'innovation. Voici comment cela pourrait servir la communauté :

• Développement collaboratif : encouragez les développeurs et les quants à contribuer à la croissance de QuantGPT , que ce soit par le biais de contributions de code, de partage d'ensembles de données ou de développement de plugins pour des fonctionnalités supplémentaires.

• Combler les lacunes : en agissant comme agent de liaison entre divers outils et plates-formes quantitatives, QuantGPT pourrait rationaliser le flux de travail pour le développement de la stratégie et le backtesting, le rendant plus efficace et accessible.

• Démocratiser le trading quantitatif : aider à éliminer les barrières à l'entrée dans l'espace du trading quantitatif, en rendant les outils et analyses de trading avancés accessibles à un public plus large.

L’avenir de QuantGPT est aussi limité que notre créativité collective. Au fur et à mesure de sa croissance et de son adaptation, QuantGPT vise à devenir une pierre angulaire de la boîte à outils de tout trader quantitatif, du débutant curieux au professionnel chevronné. Rejoignez-nous pour façonner l’avenir du trading quantitatif.

Remerciements spéciaux

Un grand merci aux personnes et aux équipes dont le travail a été fondamental pour le développement de QuantGPT :

• @polakowo , pour la création de vectorbt.pro, une bibliothèque qui a considérablement démocratisé le trading quantitatif.
• OpenAI , pour les modèles GPT qui ont redéfini notre interaction avec l'apprentissage automatique et l'analyse des données.
• LlamaIndex , pour le puissant outil d'indexation qui rend de grandes quantités de données accessibles et exploitables.
• Chainlit , pour avoir fourni une interface utilisateur conviviale, permettant une manière transparente et intuitive d'interagir avec QuantGPT .

Vos contributions collectives ont non seulement inspiré mais également permis à ce projet de se concrétiser.

Licence

QuantGPT est mis à disposition sous la licence MIT. Cette licence permissive permet la réutilisation dans un logiciel propriétaire à condition que toutes les copies du logiciel sous licence incluent une copie des termes de la licence MIT et de l'avis de droit d'auteur.

Pour afficher la licence complète, consultez le fichier LICENSE dans le référentiel GitHub.