Quant Trade Agent

中文 | English

基于 Hermes-Agent 框架的多市场量化交易 Agent，覆盖加密货币(实盘)与 A 股(信号-only) 两大专区。

专区导览

• 🪙 加密货币专区：85+ 工具、自研回测引擎、实盘 + 期货 + 资金费率套利、订单状态机 + WebSocket 实时行情
• 📈 A 股专区：基于 AKShare 的信号-only 模式，K 线/行情/技术信号工具，不接券商、不自动下单
• 🔌 共享底座：Hermes-Agent + LLM 决策 + 飞书手动确认工作流 + 因子实验室 + 论文搜索

🪙 加密货币专区

核心特性

• 89 个工具（30 模块）：行情、技术指标、现货交易、期货交易（开/平仓+止损）、衍生品数据（含资金费率历史）、情绪、新闻、链上、宏观（19项 FRED）、基本面、回测引擎、因子实验室、策略生成、论文搜索、AI 因子挖掘、日志、告警、信号确认、风控熔断、资金费率套利（监控+执行）、滑点估算、网格交易、订单状态机 + SQLite 持久化、WebSocket 实时行情
• 自研回测引擎：事件驱动 + 滑点/手续费 + 永续合约资金费率自动结算（支持时变 funding_series 接入真实历史）+ Buy&Hold 基准 + ECharts HTML 仪表盘报告
• WebSocket 实时行情：后台线程订阅 ccxt.pro WS，内存快照无网络延迟读取，订阅断线自动降级 REST
• 订单状态机 + 持久化：pending → submitted → partial_fill → filled / cancelled，带超时轮询到终态；订单全量落 ~/.hermes/orders.db，重启不丢状态，提供 list_open_orders / reconcile_open_orders 工具
• 36+ 因子库 + IC/IR 验证：动量/波动率/微观结构/量价因子，自动 IC/IR/分层回测/半衰期检验
• LLM 原生决策：买卖决策由 Hermes Agent (LLM) 综合 5 位 Analyst 意见后直接做出，不走 Python if-else 硬规则
• 论文搜索 + LLM 因子挖掘：arxiv 搜索 → PDF 解析 → LLM 提出因子假说 → 安全沙箱验证 → 自动入库
• 完整管道：搜论文 → 挖因子 → 写策略 → 跑回测 → LLM 综合决策，全链路自动化
• 14 个 Skill：5 个 Analyst Agent (trend-follower / mean-reverter / fundamental / sentiment-hunter / risk-defender)
• 手动确认工作流：Agent → 飞书通知 → 人工确认 → 自动下单 + 止损
• 多交易所 + 多渠道：Binance / OKX / KuCoin × CLI / HTTP API / 飞书 Bot / MCP Server
• 274 项自动化测试 + 端到端联调

仪表盘预览

包含：统计卡片、净值曲线(Equity Curve)、K线图+买卖点标记、盈亏分布、交易记录、交易所余额

启动：cd quant-trade && python scripts/web_dashboard.py → http://localhost:8877

回测报告预览

回测引擎自动生成 ECharts HTML 报告，暗色主题，包含：

• 指标卡片：总收益/年化/夏普/最大回撤/胜率/交易次数/盈亏比/索提诺/vs Buy&Hold
• 账户净值曲线 (vs Buy&Hold 对照)
• 回撤曲线
• 回测配置 + 完整指标 JSON
• 订单明细表（时间/方向/数量/成交价/手续费/原因）

示例输出（MA Cross 策略，BTC/USDT 1d，2024-01-01 起）：

使用示例

以下是通过 Hermes CLI (python cli.py -q "...") 或飞书对话直接下达的指令示例：

回测

# MA 交叉策略回测
你：帮我用 MA 交叉策略回测 BTC/USDT，从 2024 年开始，日线

# 结果：
📊 回测完成：MA_Cross | BTC/USDT | 1d
  总收益: +24.36% | 年化: +9.96% | 夏普: 0.456
  最大回撤: 36.66% | 交易 17 笔 | 胜率 23.5%
  📄 HTML 报告: ~/.hermes/backtest_reports/MA_Cross_BTC_USDT_20260418.html

因子分析

# 计算并验证因子
你：帮我计算 BTC/USDT 的所有因子，然后验证哪些有效

# 结果：
🔬 36 个因子计算完成
  动量(12): ret_5, ret_10, ret_20, roc_5...
  波动率(9): vol_5, vol_20, parkinson_5...
  微观结构(9): funding_rate_zscore, oi_change_pct...
  量价(9): vwap_dev_20, volume_zscore_20...

📊 IC/IR 验证: 8 个显著因子已入库
  ret_10: IC=0.042, IR=0.58 ✅
  vol_ratio_5_20: IC=-0.031, IR=0.72 ✅

策略生成

# 从因子档案自动生成策略并回测
你：从因子档案里选 Top 5 因子，自动生成策略回测 ETH/USDT

# 结果：
🏭 策略已生成: AutoFactor_ret_10_vol_ratio_5_20_ma_dev_20
  因子: [ret_10, vol_ratio_5_20, ma_dev_20, rsi_14, vol_20]
  权重: [0.29, 0.22, 0.19, 0.16, 0.14]
  📊 回测: 总收益 +18.2% | 夏普 0.62

论文搜索

# 搜索 arxiv 量化论文
你：搜索 arxiv 上关于 cryptocurrency momentum 的论文

# 结果：
📄 找到 5 篇论文:
  [1904.00890] Momentum and liquidity in cryptocurrencies
    分类: q-fin.GN | 12 页 | 3 个公式 | 指标: Sharpe=1.24
    笔记: ~/.hermes/research/1904.00890/notes.md

LLM 因子挖掘

# 让大模型提出新因子
你：帮我挖掘 BTC/USDT 的新因子，让 AI 提出 5 个假说

# 结果：
🧬 LLM 提出 5 个因子假说:
  vol_adj_ret_10: IC=0.035, IR=0.48 → 已入库 ✅
  range_momentum_5: IC=0.028, IR=0.39 → 未通过
  log_vol_ratio: IC=-0.041, IR=0.62 → 已入库 ✅
  ...
  统计: 5 假说, 5 可计算, 2 显著, 2 已入库

决策

# 证据链决策
你：综合所有分析师信号，用 v2 决策引擎给出 BTC 的交易决策

# 结果：
🧠 Decision: BUY | 置信度: 0.78
  Thesis: 多头信号: 3 个 Agent 看多, 加权分 0.42
  Catalyst: 趋势延续 + 成交量放大确认
  Invalidation: 信号反转或触及止损
  Evidence For (3): trend_follower, mean_reverter, fundamental_analyst
  Evidence Against (1): sentiment_hunter (中性)
  Factor Snapshot: ret_10 IR=0.58, vol_ratio IR=0.72

说明：决策引擎是辅助决策工具，核心依据是因子 IC/IR 统计验证 + 回测实证结果。
LLM 负责将多维信号（因子快照、宏观数据、情绪指标）结构化为证据链，最终信号仍需人工确认（confirm_trade 工作流）。
真正的 alpha 来自回测验证过的因子组合，而非 LLM 的主观判断。

一键启动（推荐）

# 自动完成配置检查 → 启动 Dashboard → 启动飞书确认监听 → 加载 13 个 Skill
python scripts/start_all.py -q "搜索 arxiv 上关于 crypto momentum 的论文，挖掘新因子"

# 输出示例：
✅ 配置检查通过 (9/9 项)
✅ 仪表盘已启动: http://localhost:8877
✅ 飞书确认监听已启动 (PID 15536)
🚀 Hermes 启动 (13 Skills 已加载)...

# Agent 自动完成以下步骤：
# 1. search_papers("crypto momentum") → 找到 7 篇论文
# 2. mine_factors_llm(top_paper) → 提出 3 个因子假说
# 3. backtest_strategy() → 最优因子夏普比率 0.74
# 4. send_alert() → 飞书通知："建议开仓 BTC/USDT Long, 置信度 0.81"
# 5. 飞书回复 "confirm SIG-001" → 自动执行下单

全链路工作流（论文 → 因子 → 回测 → 执行）

# 第 1 步：发现新因子（ArXiv → 实盘因子）
你：读一下 arXiv 1904.00890 这篇论文，提取核心 alpha 因子

Agent：📄 论文摘要已解析
  发现 2 个可量化因子:
  - liquidity_adjusted_momentum_20 (流动性调整动量)
  - cross_asset_beta_conditional    (条件跨资产 Beta)
  已写入研究笔记: ~/.hermes/research/1904.00890/notes.md

# 第 2 步：回测验证
你：回测 liquidity_adjusted_momentum_20 因子，BTC/USDT 日线 2年

Agent：📊 因子回测完成
  IC=0.049, IR=0.71 ✅ (通过显著性检验)
  已入库: factor_catalog 第 49 号因子

# 第 3 步：飞书告警 + 人工确认
你：检查当前 BTC 宏观环境，若适合做多则发出交易信号

Agent：📲 告警已推送飞书群:
  "SIG-042 | BTC Long | 置信度 0.79 | 回复 confirm SIG-042 执行"

飞书群内回复：confirm SIG-042

# 第 4 步：自动执行
Agent：✅ 订单已提交
  交易所: Binance | 方向: BUY | 数量: 0.05 BTC
  订单 ID: 12345678 | 状态: FILLED @ 87,432 USDT

� A 股专区

⚠️ 信号-only 模式: 不接券商账户，不会自动下单，只产出 LLM 决策建议。买卖由用户自行执行。

核心特性

• 基于 AKShare：免费、开源、无需 token，覆盖沪深主板 + 创业板 + 科创板 + 北交所
• 市场抽象层：market_adapter/ 统一加密货币与 A 股数据接口，回测引擎与上层工具对市场无感知
• 4 个工具（toolset=stock，与加密货币按 toolset 隔离）：
  • get_stock_klines — 日线/5m/15m/30m/60m K 线（前复权/后复权）
  • get_stock_quote — 实时报价（最新/买一/卖一/涨跌幅）
  • get_stock_signal — 双均线 + RSI 综合信号（含 disclaimer）
  • list_stock_symbols — 沪深 A 股可用代码
• 代码归一化：自动识别 600519 / sh600519 / 600519.SH / SZ000001 等多种写法
• 统一时区：A 股 Asia/Shanghai 自动转 UTC，回测引擎只看 UTC

安装

# AKShare 是可选依赖, 不装则股票工具不可用，加密货币侧不受影响
pip install akshare

使用示例

# 1. 拉 K 线
你：帮我拉一下贵州茅台最近 30 个交易日的日线
Agent → get_stock_klines(symbol="600519", timeframe="1d", limit=30)
返回：{"stats": {"latest_close": 1612.5, "period_high": 1680.0, ...}, "klines": [...]}

# 2. 实时报价
你：宁德时代现在多少钱?
Agent → get_stock_quote(symbol="300750")
返回：{"last": 218.50, "bid": 218.49, "ask": 218.51, "change_pct": +1.85, ...}

# 3. 技术信号
你：平安银行的技术信号怎么样?
Agent → get_stock_signal(symbol="000001", fast=5, slow=20, rsi_period=14)
返回：{"verdict": "中性偏多", "signals": ["MA金叉(看多)", "RSI=58.2 中性"], ...}

# 4. 多股扫描（LLM 编排）
你：帮我扫一下这 5 只科技股的技术形态：腾讯控股、宁德时代、中际旭创、海康威视、立讯精密
Agent → 循环调用 get_stock_signal, 综合给出排名 + 关注建议

# 5. 跨市场对比
你：A 股锂电板块 vs 加密货币 ETH 最近 30 天涨跌幅哪个更强?
Agent → get_stock_klines(300750) + get_klines("ETH/USDT") + LLM 对比

路线图

• AKShare 适配 + 市场抽象层
• K 线 / 报价 / 技术信号工具
• A 股因子计算（接入 36+ 因子库到 A 股数据）
• A 股回测（用现有 backtest_engine + AStockAdapter）
• 港股 / 美股适配器（沿用同一抽象层）
• 财务/估值工具（PE/PB/ROE/营收增长）
• 行业 / 概念板块轮动工具
• 回测 T+1 模拟（BacktestConfig.t1=True）
• 外部新闻事件流接入（get_stock_news_events 等，需配置 MySQL）
• 涨跌停判定 / 分钟线交易时段管理（P2）
• 期权 Greeks / Implied Vol（P3，A 股期权市场较小）

�🔌 共享底座（两专区通用）

系统架构

用户 ─── CLI / 飞书 / HTTP API / MCP
              │
       Hermes Agent (LLM 核心)
              │
     ┌────────┼────────┐
     │        │        │
 14 Skills  52 Tools  Cron
  (策略层)   (执行层)  (定时)
     │        │        │
     └────────┼────────┘
              │
  ┌───────────┼───────────┐
  │           │           │
回测引擎    因子实验室    决策引擎
(Stage A)  (Stage B)   (Stage C)
  │           │           │
  └───────────┼───────────┘
              │
  论文搜索 + LLM 因子挖掘 (Stage D)
              │
  Binance / OKX / KuCoin (ccxt)

项目结构

quant-trade/
├── plugins/quant_tools/            # 量化工具插件 (29 模块 85 工具, ~14000 行)
│   ├── backtest_engine/            # [阶段A] 自研回测引擎
│   │   ├── data_loader.py          #   数据加载 + Parquet 缓存
│   │   ├── portfolio.py            #   持仓/订单/资金曲线 + apply_funding()
│   │   ├── event_loop.py           #   回测主循环 + 资金费率结算 + Buy&Hold 基准
│   │   ├── metrics.py              #   Sharpe/Sortino/MaxDD/Calmar/PF
│   │   ├── walk_forward.py         #   滚动窗口样本外验证
│   │   ├── report.py               #   ECharts HTML 可视化报告
│   │   ├── risk_filter.py          #   Python 硬风控过滤器
│   │   └── strategies/             #   内置策略 (MA交叉/Agent回放)
│   ├── factor_lab/                 # [阶段B] 因子实验室
│   │   ├── factors/                #   36+ 因子 (动量/波动率/微观结构/量价)
│   │   ├── validator.py            #   IC/IR/分层回测/半衰期
│   │   └── catalog.py              #   因子档案管理 (JSON)
│   ├── strategy_generator.py       # [阶段C] 因子策略自动生成
│   ├── decision_engine.py          # [阶段C] 证据链决策引擎
│   ├── paper_research.py           # [阶段D] arxiv 搜索 + PDF 解析
│   ├── ai_factor_miner.py          # [阶段D] LLM 因子挖掘 + 安全沙箱
│   ├── order_tracker.py            # 订单状态机: check_order_status / watch_order_fill
│   ├── realtime_feed.py            # WS 实时行情: start_realtime_feed / get_realtime_ticker
│   ├── market_tools.py             # 行情: K线、Ticker、深度
│   ├── indicator_tools.py          # 技术指标: MA/RSI/MACD/BB + 筛选
│   ├── trade_tools.py              # 交易: 下单、撤单、持仓、余额
│   ├── risk_tools.py               # 风控: Kelly + 波动率 + 加仓/减仓
│   ├── macro_tools.py              # 宏观: 19项 FRED + VIX + 日历
│   └── ...                         # 衍生品/情绪/新闻/链上/基本面/告警/确认
├── skills/                         # 14 个 Agent Skill
├── scripts/                        # 部署/配置/仪表盘
├── docs/                           # 设计文档 + 4 阶段实现文档
├── tests/                          # 274 项测试 (含 test_phase_e.py: 38 项新增)
├── test_backtest_engine.py         # 169 项回测引擎测试
└── test_quant_tools.py             # 81 项工具测试

快速开始

1. 安装

git clone https://github.com/colinsweany/quant-trade.git
cd quant-trade

# 安装 Hermes-Agent 框架
git clone https://github.com/NousResearch/hermes-agent.git ../hermes-agent
python3.12 -m venv ../quant-agent-env
source ../quant-agent-env/bin/activate
cd ../hermes-agent && pip install -e ".[cli,mcp,cron]"
cd ../quant-trade
pip install ccxt pandas pandas_ta requests fastapi uvicorn lark-oapi

2. 配置

# 安装插件和技能
cp -r plugins/quant-tools ~/.hermes/plugins/quant-tools
cp -r skills/* ~/.hermes/skills/

# 编辑 LLM 配置
# ~/.hermes/config.yaml → 设置模型和 API 地址
# ~/.hermes/.env → 设置 OPENAI_API_KEY

# 配置交易所（交互式向导，含操作步骤说明）
python scripts/setup_exchange.py

# 配置飞书推送（可选）
# ~/.hermes/.env → 设置 FEISHU_APP_ID / FEISHU_APP_SECRET
python scripts/verify_feishu.py --list-chats

3. 验证

# 工具测试（81 项）
source ../quant-agent-env/bin/activate
python test_quant_tools.py

# 端到端联调（6 阶段: 行情→宏观→基本面→回测→告警→日志）
HERMES_SSL_VERIFY=false python scripts/e2e_pipeline.py

4. 使用

# CLI 交互
cd ../hermes-agent && python cli.py

# HTTP API
python ../quant-trade/quant_api.py
curl -X POST http://localhost:8899/chat \
  -H 'Content-Type: application/json' \
  -d '{"message": "分析 BTC 当前走势，结合宏观数据给出建议"}'

# 飞书 Bot（需先配置 FEISHU 环境变量）
python cli.py --gateway

# MCP Server（供 Claude Desktop / VS Code 调用）
hermes mcp serve

工具总览

宏观数据覆盖（FRED 19 项 + VIX）

手动确认工作流

Agent 扫描市场
    ↓
生成交易信号 → propose_trade()
    ↓
推送飞书群通知（含币种/方向/价格/理由/置信度）
    ↓
用户在飞书/CLI查看
    ├── confirm_trade(signal_id, amount) → 自动下单+止损+日志+成交通知
    └── reject_trade(signal_id, reason) → 记录拒绝原因

接入方式

许可

MIT