这是什么 · AI 工具图鉴

📌 核心价值：把微软 Qlib、RD-Agent、TradingAgents 三大组件塞进一个 Docker，300+ 因子 + 13 种模型 + 13 万文件行情数据，全部本地闭环。

开源 AI 量化工具一直卡在"数据 / 算力 / 工程化"三道门槛上，今天介绍的项目把整条流水线封装好了。

QuantMind 系统架构图

QuantMind（量化大脑）是一套面向个人开发者和投研团队的 AI 原生多市场量化交易平台，它把微软 Qlib 量化框架、RD-Agent 因子演化框架和 TradingAgents 多智能体投研体系整合进同一套系统。

平台覆盖完整的量化研究流水线：数据底座 → 因子挖掘 → 模型训练 → 批量推理 → 组合回测 → QMT / 通达信实盘 → 生产监控，并支持 A 股、港股、美股、期货、区块链五大市场。

核心定位：把工业级量化投研的全流程，压缩到一台 Ubuntu 服务器 + 一个 Docker Compose 上。

✨ 核心功能一览

模块	核心能力	技术亮点
数据底座	QuantDB 数据中枢	300+ 预计算特征 · Parquet + DuckDB · 秒级载入 13 万文件
因子演化	QuantaAlpha 2.0	LLM 自然语言假设 → 因子公式合成 → 遗传演化回测
模型工场	13 种 ML / DL	LightGBM / XGBoost / GRU / LSTM / ALSTM / Transformer / TabNet / TCN / TFT 等
超参寻优	Optuna 自动调参	Stacking 多模型集成 + AutoDL 远程 GPU 调度
批量推理	全市场截面打分	Top-N 选股 + 多信号融合 + SHAP 特征归因
回测引擎	微软 Qlib	事件驱动 + TopkDropout + 涨跌停模拟
实盘通道	MiniQMT (xtquant)	加密 WebSocket Bridge + 断线看门狗
通达信联动	一键板块推送	盘中预警雷达 + 双击闪电下单（模拟 / 实盘）

🛠️ 快速上手：5 分钟跑通示例

部署准备

系统基于 Docker 容器化编排，推荐 Ubuntu 22.04 / 24.04。仓库提供三种部署方式：

# 方式 1: 完整一键部署（含数据 + 预训练模型，部署即用）
curl -fsSL https://gitee.com/qusong0627/QuantMind/raw/master/deploy/full-deploy.sh | sudo bash

# 方式 2: 在线源码部署（不含数据，需自备 QuantDB）
curl -fsSL https://gitee.com/qusong0627/QuantMind/raw/master/deploy/deploy.sh | sudo bash

# 方式 3: 本地开发模式（需手动启动后端 + 前端）
cd backend && python main_oss.py
cd electron && npm install && npm run dev

部署完成后可访问：

Web 控制台：http://<服务器 IP>:3000
API 接口网关：http://<服务器 IP>:8000
Swagger API 文档：http://<服务器 IP>:8000/docs

数据准备

完整一键部署已内含基础业务数据；若使用源码部署，需准备数据：

# 方式 1: QuantDB 在线 API 同步（推荐）
docker exec quantmind python backend/scripts/quantdb_daily_sync.py

# 方式 2: 离线数据包导入（约 56 GB / 13 万文件）
cd /opt/quantmind/data/quantdb
7z x -y /path/to/quant_data.7z

注意：完整数据包约 56 GB，离线导入需提前评估磁盘。

📊 数据底座与因子工场

QuantDB 数据中枢

平台内置 300+ 维预计算特征，包括 L1 / L2 微观结构、资金流等技术因子，所有数据以 Parquet 列式存储，结合 DuckDB 引擎实现千万级行情秒级载入。

市场监控与资金流向看板

QuantaAlpha 因子演化

QuantaAlpha 智能因子挖掘平台

QuantaAlpha 2.0 基于微软 RD-Agent 框架，把因子研发从"手写代码"变成"自然语言交互"：

研究员用中文 / 英文写量化假设（例：「量价齐升 + 资金净流入 + 突破 20 日均线」）
LLM 自动将假设翻译为因子公式
遗传算法在回测中演化筛选
优选因子自动入库到因子库

核心创新：把"因子研究员"这个角色交给了 LLM，公式合成 → 回测验证 → 入库优选全自动。

🤖 模型训练与推理

13 种模型工场

平台覆盖从经典梯度提升树到深度学习的全谱系算法：

树模型：LightGBM、XGBoost、CatBoost
深度学习：GRU、LSTM、ALSTM、Transformer
结构化数据网络：TabNet、TCN、NativeTFT

模型训练工场

训练参数可视化配置，内置 Optuna 自动超参寻优 和 Stacking 多模型集成。算力支持本地 CPU / GPU 一键切换，亦可推送到 AutoDL 远程 GPU 集群。

批量推理与信号

批量推理与选股信号中心

全市场每日批量截面打分 → Top-N 潜力标的智能推荐 → 多信号动态融合。生产质量闭环包括每日真实 Rank IC / ICIR 自动回填、SHAP 特征重要性、数据漂移告警。

📈 回测与市场分析

Qlib 高性能回测

Qlib 回测中心

基于微软 Qlib 的事件驱动回测引擎，支持 TopkDropout 等经典多因子选股策略。细粒度交易费率、滑点与涨跌停模拟，配套多维收益归因与风险指标全景展示。

市场分析与资金流向

大盘全景、多周期资金流向、板块 / 个股资金链、申万行业热力矩形图谱与市场情绪温度计。

技术亮点：申万行业热力矩形图谱在社区同类工具中较少见，能在一张图里看到行业涨跌分布与板块轮动节奏。

📰 AI-IDE 与实时舆情

AI-IDE 策略工作区

AI-IDE 策略开发工作区

内置代码编辑器与量化 AI Copilot 助手，支持策略编写、语法检查、一键回测与云端发布。

7×24 实时舆情

汇聚主流财经媒体 7×24 实时快讯，事件标签识别 + 利好 / 利空情绪分类 + 正文实体关联分析，把舆情数据流也变成模型可消费的特征。

💼 实盘通道

MiniQMT 加密 WebSocket Bridge

平台原生对接券商 MiniQMT (xtquant)，提供 Windows 独立 QMT Agent 桌面客户端：

加密 WebSocket Bridge 双向通信
同步 / 异步买卖、保护限价单、撤单防饥饿队列
账户资产与持仓秒级同步落库
完整支持柜台异步成交回报
断线看门狗自动重连

通达信深度联动

模型截面选股结果一键推入通达信自定义板块，盘中实时预警雷达弹窗 + 双击闪电下单（支持模拟盘与实盘双模式）。

核心卖点：很多个人量化者只敢"模拟跑"，平台把 QMT + 通达信实盘通道封装好，把研究到实盘的最后一公里打通。

📊 与同类方案对比

维度	QuantMind	Qlib 原生	TradingAgents-Astock	通用回测平台
数据接入	内置 300+ 因子 + QuantDB	需自行准备	多 Agent 调用外部	数据散落各处
因子演化	LLM 自动演化	无	多 Agent 协同	人工手写
模型种类	13 种 ML / DL	主要树模型	LLM Agent	视平台而定
实盘对接	QMT + 通达信	无	无	部分支持
舆情数据	7×24 RSS + 情绪	无	Agent 调用	无
部署方式	Docker Compose 一键	需自配环境	Docker	视平台而定
开源协议	AGPL-3.0	MIT	MIT	视项目而定

🧰 技术架构与微服务拆分

后端统一由 backend/main_oss.py 单入口编排启动，按职责拆分为四个微服务：

端口	服务名	职责
`:8000`	API 服务	用户认证、策略管理、数据平台、模型管理、新闻代理
`:8001`	Engine 服务	Qlib 回测、AI 训练 / 推理、Alpha 因子挖掘、投研编排
`:8002`	Trade 服务	订单管理、持仓监控、模拟撮合、风控系统
`:8003`	Stream 服务	实时行情接收、WebSocket 推送网关

前端使用 Electron + React + TypeScript 同时支持桌面端和 Web 模式。

💰 开源协议与社区

开源协议： AGPL v3

注意：AGPL-3.0 比 MIT / Apache 严格，二次分发需开源完整代码；个人学习研究无影响，商业化部署前请评估合规边界。

社区渠道：

GitHub Issues：提交问题与功能建议
QQ 交流群：1097406397（见 README 二维码）
部署指南：docs/部署指南.md

🎯 总结

QuantMind 的最大价值是把过去需要"数据团队 + 因子团队 + 工程团队"才能搭起来的东西，压缩到一个 Docker Compose + 56GB 数据包。对个人量化研究者和小投研团队来说，省下了 3-6 个月的基础设施搭建时间。

推荐指数： ⭐⭐⭐⭐（满分 5 星；扣 1 星因 AGPL-3.0 协议较严，且数据离线包 56 GB 对个人开发者磁盘压力大）

适合人群：

✅ 有一定 Python / 量化基础，想快速搭建完整研究-回测-实盘流水线的个人开发者
✅ 中小投研团队，期望统一因子库、模型工场与回测环境
✅ 想把 TradingAgents 多 Agent 框架从"演示"推进到"真实生产"的团队
❌ 不适合：零编程背景只想跑跑指标的散户（建议直接用券商量化终端）

GitHub 仓库： qusong0627/QuantMind

风险提示：本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。

数据截至 2026-09-10，最新信息请以官网为准。

配套媒体