QuantGPT下载 - QuantGPT源代码下载

QuantGPT

Ai源码

1.0.0

下载

欢迎来到 QuantGPT ？

将人工智能与定量分析相结合以增强战略制定

QuantGPT是一款开源工具，专为那些寻求通过直观的 UI 充分利用 Vectorbt PRO 丰富文档功能的宽客而设计。我们的目标是利用先进的自然语言处理功能，在复杂文档和最终用户之间建立无缝桥梁。

screenshot of complex question

特征

AI 支持的文档搜索：使用自然语言查询完整的 Vectorbt PRO 文档，使信息搜索就像输入问题一样简单。上下文理解：获得与您的搜索查询直接相关的见解和上下文信息，确保您不仅掌握各种分析策略背后的“如何”，而且还掌握“为什么”。高效的策略制定：快速找到您需要的功能、参数和模块，节省您的时间并简化从构思到执行的流程。核心理念QuantGPT的构建信念是，正确的工具可以显着提高量化策略开发的能力和效率。通过将人工智能与策略创建相融合，我们不仅简化了搜索过程，还简化了搜索过程。我们正在重新定义量化分析师与信息交互的方式。

社区与协作

作为一个社区驱动的项目， QuantGPT依靠协作努力和贡献而蓬勃发展。无论是通过代码、想法还是反馈，您的输入都有助于塑造量化策略开发工具的未来。

开始使用

深入了解QuantGPT体验，提升您的交易策略，并为不断发展的定量分析领域做出贡献。

为该存储库添加星标或分叉以表示您的支持并保持更新。查看贡献指南，了解如何参与这一旅程。注意： QuantGPT是一个不断发展的项目。我们从 Vectorbt PRO 开始，但视野是广阔的。目标是最终整合多种分析工具和库，打造一个用于定量分析的多功能生态系统。

探索QuantGPT算法以思考的速度满足策略。

安装

确保您的系统上安装了 Conda。如果没有，请从 Conda 官方网站下载。请按照以下步骤设置QuantGPT ：

第 1 步：克隆存储库

首先将QuantGPT存储库克隆到本地计算机：

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

步骤2：创建并激活Conda环境

使用Python 3.10创建Conda环境并激活它：

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

第三步：安装Scrapy

在 Conda 环境中，使用 Conda 或 pip 安装 Scrapy：

conda install -c conda-forge scrapy

或者

pip install Scrapy

更多详细信息请参阅 Scrapy 官方文档。

第 4 步：安装其余依赖项

安装 Scrapy 后，使用pip安装其他必要的依赖项：

pip install -r requirements.txt

第5步：设置环境变量

将env.example重命名为.env并填写必要的变量：

强制变量：

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

可选变量：如果需要，请在此处从 Chainlit Cloud 获取这些变量；如果您目前不需要持久性，则完全删除它们。您可以在此处阅读有关持久性和 Literal AI 平台的更多信息。

LITERAL_API_KEY= " cl_XXX "

如何生成CHAINLIT_AUTH_SECRET您可以在此处阅读。要将CHAINLIT_AUTH_SECRET添加到.env文件，可以使用以下命令：

chainlit create-secret

第 6 步：运行爬虫

导航到quant_scraper目录以准备运行 scraper：

 cd quant_scraper

执行抓取工具，将secret_url直接传递到命令中：

scrapy crawl vbt_pro -a secret_url= " pvt_XXXX "

pvt_XXXX应从 VectorBT Pro 会员资格中获得。

完成后，导航回项目的根目录：

 cd ..

第 7 步：启动用户界面

一切设置完毕后，启动用户界面：

chainlit run quantgpt.py

首次运行需要 3-5 分钟来构建 Vector Store 索引，具体取决于您的互联网连接速度。

开始使用 QuantGPT

您的QuantGPT设置已完成。默认的 AI 模型是 GPT-4，但您可以在.env文件中调整它。请注意索引和请求的成本，索引成本可能约为 1 美元，每个请求约为 0.2 美元。

它是如何运作的

QuantGPT执行一系列涉及数据提取、转换和响应生成的步骤：

数据提取：
- 网络爬行：利用Scrapy ，系统以编程方式导航 vectorbt pro 文档网站以检索内容。
改造：
- 索引： llama_index模块处理收集到的数据，根据 markdown 标题（“##”）将文档分段为索引部分。
- 问题生成：为了增强索引内容， gpt-3.5-turbo为每个部分生成相关问题，扩展文档的元数据。
- VectorIndex 集成：生成的文档部分及其元数据存储在VectorIndex中。
响应生成：
- 文档检索：为了响应用户查询，系统从VectorIndex中提取相关部分。
- 摘要合成：它采用 tree_summary 方法将信息合成为连贯且上下文相关的答案。

该方法旨在通过大量文档提供 SOTA 质量答案，但代价是每次查询的支付成本更高。

用法

QuantGPT旨在与 Chainlit 交互，利用其强大的聊天机器人 UI 功能，非常适合与定量交易应用程序的大型语言模型 (LLM) 进行交互和评估。

初始访问

启动应用程序后，系统可能会提示您输入登录凭据。使用以下默认组合：

用户名： admin密码： admin

对于那些需要在其实例中保持持久性的用户，Chainlit 需要此身份验证步骤。它是一个占位符，应在生产中或在处理敏感数据时用适当的身份验证措施替换。

对话界面

该应用程序将自身呈现为聊天界面，提供了一种与底层人工智能交互的直观方式。但是，重要的是要注意当前的一些限制：

情境意识

每个交互都是独立处理的。 AI 不会保留之前问题的上下文。为了弥补这一点，请在每个查询中提供全面的信息，以促进更准确的响应。

索引

索引功能正处于开发的早期阶段。正如 LlamaIndex 的元数据提取指南中所演示的那样，预计合并元数据提取将显着增强人工智能从索引文档中检索和利用相关信息的能力。

局限性和发展机会

随着QuantGPT的发展，其功能也会不断发展。当前的限制是成长和发展的机会：

上下文记忆：未来的迭代可能包括用于无缝对话的上下文记忆。
元数据索引：元数据索引的改进预计将提高人工智能的理解和响应准确性。

呼叫所有 LLM 开发人员！

如果您是 LLM 开发人员或爱好者，您的专业知识可以帮助QuantGPT充分发挥其潜力。强烈鼓励实验、尝试和贡献。如果您有想法或改进，请分叉存储库，进行更改并提交拉取请求。您的贡献很有价值，我们随时欢迎！

路线图

以下是QuantGPT即将推出的内容：

不久的将来：

上下文感知对话：实现完整的聊天模式，并带有内存以提供更丰富的上下文。
解耦架构：将索引/查询移出quantgpt.py以便通过 Python 笔记本进行灵活的实验。
元数据增强：引入元数据提取以提高搜索精度。

展望未来：

直接链接索引：添加聊天功能以实时解析链接内容并为其建立索引。
文件解析：扩展索引以包括多种数据格式的文件解析。

长期愿景：

LLM 代理团队合作：组建一个 LLM 代理团队来支持高级研究并可能实现交易分析的自动化。

每一步都旨在让QuantGPT成为量化交易界更智能、更直观的助手。

QuantGPT 的愿景

QuantGPT 最初是作为一个个人项目，出于导航和利用强大但复杂的 vectorbt.pro 库的功能的需要。然而，Quantgpt 的愿景远远超出了单一工具或库的范围。它是关于建立一个全面的生态系统，使量化交易者和开发人员能够将复杂的数据和复杂的策略转化为可操作的见解和可操作的交易系统。

扩大生态系统

以下是有关QuantGPT如何发展的一些想法：

策略翻译：自动将经过回测的策略从 Vectorbt 翻译到 freqtrade 等其他交易平台，使用户能够轻松地从研究环境转移到实时交易环境。
知识整合：将学术论文、教程和书籍等广泛的量化金融资源纳入QuantGPT索引。这将允许用户查询复杂的理论和模型并将其直接应用于他们的交易策略。
交互式学习：使用会话式用户界面创建交互式学习环境，经验不足的交易者可以提出问题并接收解释、代码片段或相关材料的参考，从而使复杂的定量概念的学习曲线变得平坦。
实时数据分析：将QuantGPT与实时市场数据源连接起来，使其能够根据当前市场状况提供即时分析和见解。
自定义索引：允许用户从自己的数据集创建自定义索引，从而实现基于专有信息的个性化见解和策略开发。