QuantGPT下載 - QuantGPT原始碼下載

QuantGPT

Ai源碼

1.0.0

下載

歡迎來到 QuantGPT ？

將人工智慧與定量分析相結合以增強策略制定

QuantGPT是一款開源工具，專為那些尋求透過直覺的 UI 充分利用 Vectorbt PRO 豐富文件功能的寬客而設計。我們的目標是利用先進的自然語言處理功能，在複雜文件和最終用戶之間建立無縫橋樑。

screenshot of complex question

特徵

AI 支援的文檔搜尋：使用自然語言查詢完整的 Vectorbt PRO 文檔，使資訊搜尋就像輸入問題一樣簡單。上下文理解：獲得與您的搜尋查詢直接相關的見解和上下文信息，確保您不僅掌握各種分析策略背後的“方式”，而且還掌握“原因”。高效率的策略制定：快速找到您需要的功能、參數和模組，節省您的時間並簡化從構思到執行的流程。核心理念QuantGPT的建構信念是，正確的工具可以顯著提高量化策略開發的能力和效率。透過將人工智慧與策略創建相融合，我們不僅簡化了搜尋過程，還簡化了搜尋過程。我們正在重新定義量化分析師與資訊互動的方式。

社區與協作

作為一個社群驅動的項目， QuantGPT依靠協作努力和貢獻而蓬勃發展。無論是透過程式碼、想法或回饋，您的輸入都有助於塑造量化策略開發工具的未來。

開始使用

深入了解QuantGPT體驗，提升您的交易策略，並為不斷發展的定量分析領域做出貢獻。

為該存儲庫添加星標或分叉以表示您的支持並保持更新。請參閱貢獻指南，了解如何參與這趟旅程。注意： QuantGPT是一個不斷發展的專案。我們從 Vectorbt PRO 開始，但視野是廣闊的。目標是最終整合多種分析工具和函式庫，打造一個用於定量分析的多功能生態系統。

探索QuantGPT演算法以思考的速度滿足策略。

安裝

確保您的系統上安裝了 Conda。如果沒有，請從 Conda 官方網站下載。請依照以下步驟設定QuantGPT ：

第 1 步：克隆儲存庫

首先將QuantGPT儲存庫克隆到本機：

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

步驟2：創建並啟動Conda環境

使用Python 3.10創建Conda環境並啟動它：

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

第三步：安裝Scrapy

在 Conda 環境中，使用 Conda 或 pip 安裝 Scrapy：

conda install -c conda-forge scrapy

或者

pip install Scrapy

更多詳細資訊請參閱 Scrapy 官方文件。

第 4 步：安裝其餘依賴項

安裝 Scrapy 後，使用pip安裝其他必要的依賴項：

pip install -r requirements.txt

第5步：設定環境變數

將env.example重命名為.env並填入必要的變數：

強制變數：

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

可選變數：如果需要，請在此處從 Chainlit Cloud 取得這些變數；如果您目前不需要持久性，請完全刪除它們。您可以在此處閱讀有關持久性和 Literal AI 平台的更多資訊。

LITERAL_API_KEY= " cl_XXX "

如何產生CHAINLIT_AUTH_SECRET您可以在此處閱讀。要將CHAINLIT_AUTH_SECRET新增至.env文件，可以使用以下命令：

chainlit create-secret

第 6 步：運行爬蟲

導航到quant_scraper目錄以準備運行 scraper：

 cd quant_scraper

執行抓取工具，將secret_url直接傳遞到指令中：

scrapy crawl vbt_pro -a secret_url= " pvt_XXXX "

pvt_XXXX應從 VectorBT Pro 會員資格中獲得。

完成後，導航回專案的根目錄：

 cd ..

第 7 步：啟動使用者介面

一切設定完畢後，啟動使用者介面：

chainlit run quantgpt.py

首次運行需要 3-5 分鐘來建立 Vector Store 索引，具體取決於您的網路連線速度。

開始使用 QuantGPT

您的QuantGPT設定已完成。預設的 AI 模型是 GPT-4，但您可以在.env檔案中調整它。請注意索引和請求的成本，索引成本可能約為 1 美元，每個請求約為 0.2 美元。

它是如何運作的

QuantGPT執行一系列涉及資料擷取、轉換和回應產生的步驟：

資料擷取：
- 網路爬行：利用Scrapy ，系統以程式設計方式導覽 vectorbt pro 文件網站以檢索內容。
改造：
- 索引： llama_index模組處理收集到的數據，根據 markdown 標題（“##”）將文件分段為索引部分。
- 問題生成：為了增強索引內容， gpt-3.5-turbo為每個部分產生相關問題，擴展文件的元資料。
- VectorIndex 整合：產生的文件部分及其元資料儲存在VectorIndex中。
響應生成：
- 文件檢索：為了回應使用者查詢，系統從VectorIndex中提取相關部分。
- 摘要合成：它採用 tree_summary 方法將資訊合成為連貫且上下文相關的答案。

該方法旨在透過大量文件提供 SOTA 品質答案，但代價是每次查詢的支付成本更高。

用法

QuantGPT旨在與 Chainlit 交互，利用其強大的聊天機器人 UI 功能，非常適合與定量交易應用程式的大型語言模型 (LLM) 進行交互和評估。

初步訪問

啟動應用程式後，系統可能會提示您輸入登入憑證。使用以下預設組合：

使用者名稱： admin密碼： admin

對於那些需要在其實例中保持持久性的用戶，Chainlit 需要此驗證步驟。它是一個佔位符，應在生產中或在處理敏感資料時用適當的身份驗證措施替換。

對話式介面

該應用程式將自身呈現為聊天介面，提供了一種與底層人工智慧互動的直覺方式。但是，重要的是要注意當前的一些限制：

情境意識

每個交互都是獨立處理的。 AI 不會保留先前問題的上下文。為了彌補這一點，請在每個查詢中提供全面的信息，以促進更準確的回應。

索引

索引功能正處於開發的早期階段。正如 LlamaIndex 的元資料擷取指南中所示範的那樣，預計合併元資料擷取將顯著增強人工智慧從索引文件中檢索和利用相關資訊的能力。

限制和發展機會

隨著QuantGPT的發展，其功能也會持續發展。目前的限制是成長和發展的機會：

上下文記憶：未來的迭代可能包括用於無縫對話的上下文記憶。
元資料索引：元資料索引的改進預計將提高人工智慧的理解和回應準確性。

打電話給所有 LLM 開發人員！

如果您是 LLM 開發人員或愛好者，您的專業知識可以幫助QuantGPT充分發揮其潛力。強烈鼓勵實驗、嘗試和貢獻。如果您有想法或改進，請分叉儲存庫，進行更改並提交拉取請求。您的貢獻很有價值，我們隨時歡迎！

路線圖

以下是QuantGPT即將推出的內容：

不久的將來：

上下文感知對話：實現完整的聊天模式，並帶有記憶體以提供更豐富的上下文。
解耦架構：將索引/查詢移出quantgpt.py以便透過 Python 筆記本進行靈活的實驗。
元資料增強：引入元資料提取以提高搜尋精度。

展望未來：

直接連結索引：新增聊天功能以即時解析連結內容並為其建立索引。
檔案解析：擴展索引以包括多種資料格式的檔案解析。

長期願景：

LLM 代理團隊合作：組建一個 LLM 代理團隊來支援高級研究並可能實現交易分析的自動化。

每一步都旨在讓QuantGPT成為量化交易界更聰明、更直覺的助理。

QuantGPT 的願景

QuantGPT 最初是作為一個個人項目，出於導航和利用強大但複雜的 vectorbt.pro 庫的功能的需要。然而，Quantgpt 的願景遠遠超出了單一工具或函式庫的範圍。它是關於建立一個全面的生態系統，使量化交易者和開發人員能夠將複雜的數據和複雜的策略轉化為可操作的見解和可操作的交易系統。

擴大生態系統

以下是有關QuantGPT如何發展的一些想法：

策略翻譯：自動將經過回測的策略從 Vectorbt 翻譯到 freqtrade 等其他交易平台，使用戶能夠輕鬆地從研究環境轉移到即時交易環境。
知識整合：將學術論文、教程和書籍等廣泛的量化金融資源納入QuantGPT索引。這將允許用戶查詢複雜的理論和模型並將其直接應用於他們的交易策略。
互動式學習：使用對話式使用者介面創建互動式學習環境，經驗不足的交易者可以提出問題並獲得解釋、程式碼片段或相關資料的參考，從而使複雜的定量概念的學習曲線變得平坦。
即時數據分析：將QuantGPT與即時市場數據源連接起來，使其能夠根據當前市場狀況提供即時分析和見解。
自訂索引：允許使用者從自己的資料集建立自訂索引，從而實現基於專有資訊的個人化見解和策略開發。