首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >公开我量化投资公司的一个策略

公开我量化投资公司的一个策略

作者头像
查克
发布于 2024-12-06 12:18:15
发布于 2024-12-06 12:18:15
8070
举报
文章被收录于专栏:碲矿碲矿

之前分享过 ChatDev ,一个虚拟软件公司,通过智能代理协作来创建软件。今天我基于 CrewAI 创建了一个量化投资公司,并让几位员工生成了一个 A 股投资策略,含代码。

CrewAI

项目地址在这里:https://github.com/joaomdmoura/crewAI

按官方介绍:

  • 基于角色的代理设计:自定义具有特定角色、目标和工具的代理。
  • 自主的代理间委托:代理可以自主地委托任务并相互询问,提高解决问题的效率。
  • 灵活的任务管理:用可自定义的工具定义任务,并动态地分配给代理。
  • 流程驱动:目前仅支持 sequential(顺序)任务执行和 hierarchical(层级)流程,但正在开发更复杂的流程,如共识和自主流程。
  • 将输出保存为文件:将单个任务的输出保存为文件,以便以后使用。
  • 将输出解析为 Pydantic 或 Json:如果您愿意,可以将单个任务的输出解析为 Pydantic 模型或 Json。
  • 与开源模型协作:可以使用 Open AI 或开源模型运行 团队,也可以使用本地模型!

安装依赖

先安装相关的依赖:

代码语言:javascript
复制
pip install "crewai[tools]" duckduckgo-search

这里有个坑,需要 Python 3.10 以上才能使用较新的版本,不然连示例可能都跑不通。

创造员工

参考示例,我创建了一家量化投资公司,有三名员工:量化研究员、量化开发者和数据工程师:

量化研究员
  • 目标

开发和改进量化交易模型,利用数学和统计学方法分析市场数据,寻找投资机会,并通过历史数据回测验证策略的有效性。

  • 背景

你在一家领先的金融科技公司或投资机构工作,拥有数学、物理、计算机科学或相关领域的强大背景。你擅长使用复杂的数学模型来解读市场数据,能够发现那些不为人知的市场机会,并通过数据分析提供深刻的见解。

量化开发者
  • 目标

将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法。同时,负责维护和升级交易系统的软件架构,确保交易执行的高效与稳定。

  • 背景

你具备软件工程或计算机科学等相关领域的专业知识,对编程语言如 Python、C++ 有深入理解。你在一家金融机构或量化投资公司工作,专注于技术解决方案,通过技术创新来提高交易策略的执行效率和性能。

数据工程师
  • 目标

负责搭建和维护高效的数据处理流程,收集、清洗和存储来自交易所及其他数据源的数据,为量化研究和交易提供高质量的数据支持。

  • 背景

你拥有计算机科学、信息技术或相关领域的背景,对数据架构和数据库管理有深入的了解。在量化投资领域工作,你擅长处理大规模数据集,能够设计高效的数据处理系统,确保数据的准确性和及时性。

安排任务

  • 量化研究员:

寻找中国 A 股市场上的投资机会,并通过历史数据回测验证策略的有效性。

  • 量化开发者:

将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法。

  • 数据工程师:

收集、清洗和存储 A 股市场数据。

实现公司

代码语言:javascript
复制
#! /usr/bin/env python3
# -*- coding: utf-8 -*-

import os

from crewai import Agent, Crew, Task
from crewai.process import Process
from langchain_community.tools import DuckDuckGoSearchRun
from langchain_openai import ChatOpenAI

if __name__ == "__main__":
    os.environ["OPENAI_API_KEY"] = "这个不能告诉你了"
    os.environ["OPENAI_BASE_URL"] = "这个得问你的提供商"
    os.environ["OPENAI_MODEL_NAME"] = "gpt-3.5-turbo"

    search_tool = DuckDuckGoSearchRun()

    QuantitativeResearcher = Agent(
        role="量化研究员",
        goal="开发和改进量化交易模型,利用数学和统计学方法分析市场数据,寻找投资机会,并通过历史数据回测验证策略的有效性。",
        backstory="你在一家领先的金融科技公司或投资机构工作,拥有数学、物理、计算机科学或相关领域的强大背景。你擅长使用复杂的数学模型来解读市场数据,能够发现那些不为人知的市场机会,并通过数据分析提供深刻的见解。",
        verbose=True,
        allow_delegation=False,
        tools=[search_tool])
    QuantitativeDeveloper = Agent(
        role="量化开发者",
        goal="将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法。同时,负责维护和升级交易系统的软件架构,确保交易执行的高效与稳定。",
        backstory="你具备软件工程或计算机科学等相关领域的专业知识,对编程语言如Python、C++有深入理解。你在一家金融机构或量化投资公司工作,专注于技术解决方案,通过技术创新来提高交易策略的执行效率和性能。",
        verbose=True,
        allow_delegation=False,
        tools=[search_tool])
    DataEngineer = Agent(
        role="数据工程师",
        goal="负责搭建和维护高效的数据处理流程,收集、清洗和存储来自交易所及其他数据源的数据,为量化研究和交易提供高质量的数据支持。",
        backstory="你拥有计算机科学、信息技术或相关领域的背景,对数据架构和数据库管理有深入的了解。在量化投资领域工作,你擅长处理大规模数据集,能够设计高效的数据处理系统,确保数据的准确性和及时性。",
        verbose=True,
        allow_delegation=False,
        tools=[search_tool])

    strategies = Task(
        description="寻找中国A股市场上的投资机会,并通过历史数据回测验证策略的有效性",
        expected_output="有效的A股交易策略",
        agent=QuantitativeResearcher
    )
    code = Task(
        description="将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法",
        expected_output="可执行的策略代码",
        agent=QuantitativeDeveloper
    )
    data = Task(
        description="收集、清洗和存储 A 股市场数据",
        expected_output="清洗好的 A 股市场数据",
        agent=DataEngineer
    )

    crew = Crew(
        agents=[QuantitativeResearcher, QuantitativeDeveloper, DataEngineer],
        tasks=[data, strategies, code],
        process=Process.hierarchical,
        manager_llm=ChatOpenAI(model="gpt-3.5-turbo"),
        verbose=2,
    )

    result = crew.kickoff()

    print("#" * 80)
    print(result)

检查工作成果

直接运行上面的代码,就可以看到结果了,就是有点儿慢,运行过程大概如下:

代码语言:javascript
复制
[DEBUG]: Working Agent: Crew Manager
[INFO]: Starting Task: 收集、清洗和存储 A 股市场数据

> Entering new CrewAgentExecutor chain...

# 还有好多,省略了……

看最后的结果吧:

代码语言:javascript
复制
# Executable trading strategy code
# This code implements the provided trading strategy designed by the quantitative researcher
# It is written and optimized by the quantitative developer to ensure efficiency and reliability
# The strategy is based on in-depth market trend analysis and extensive backtesting using historical data

import numpy as np
import pandas as pd
import talib

def initialize(context):
    context.security = 'AAPL'
    context.window = 50

def handle_data(context, data):
    prices = data.history(context.security, 'price', context.window, '1d')

    # Calculate technical indicators
    sma = talib.SMA(prices, timeperiod=20)
    rsi = talib.RSI(prices, timeperiod=14)

    # Implement trading strategy
    if prices[-1] > sma[-1] and rsi[-1] > 70:
        order_target_percent(context.security, 1.0)
    elif prices[-1] < sma[-1] and rsi[-1] < 30:
        order_target_percent(context.security, 0.0)

# Additional optimization and risk management measures can be implemented here

代码给了,祝各位老板发财!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2024-03-04,如有侵权请联系 cloudcommunity@tencent.com 删除
目录
  • CrewAI
  • 安装依赖
  • 创造员工
    • 量化研究员
    • 量化开发者
    • 数据工程师
  • 安排任务
  • 实现公司
  • 检查工作成果
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档