在金融量化交易中，RD-Agent能够自动从海量的研究报告中提取关键因子并生成相关模型，大幅减少因子生成的时间，同时确保因子库的广度和深度。：RD-Agent将生成的因子整合到现有的因子库中，并与微软的Qlib系统进行回测，以评估这些因子在实际市场中的表现，加速策略的验证过程。曾几何时，这是金融量化人的梦想，机器可以读文献，然后自己写代码去复现论文，生成因子集，做出策略，还会自动优化。传统的投研流

它的强项在于把很多个任务，编成一个有向无环图，然后依次执行，大数据中数据处理、机器学习里的工作流比较合适。单纯用定时任务有点重了，如果仅是定时任务，可以使用apscheduler，但我们还需要异步执行，比如回测一个策略。关于英语的学习，尤其是听和说练习，想到一个方法，就是TED演讲视频的精听与背诵，一周一篇试试，一年50篇左右，估计英文口语和听力会有一个质的提升。后来换过几家公司，在几个城市生活，

原创内容第1023篇，专注AGI+，AI量化投资、个人成长与财富自由。我们在task模板策略的基础上，对参数进行遍历。：加入消费、科技、券商等不同行业beta：更多不相关资产提供轮动机会：小盘、周期品提供不同市场环境下的表现：不同风格和行业的轮动机会。

我常常在想，像苏东坡这样的人物，也会陷入财务困顿，尽管与他不在乎财富有关，可能也和那时候没有好的金融理财手段有关。另外一个误区，认为投资可以赚“快”钱。:return: 趋势评分数组，长度与输入相同，前period-1位为NaN。就算中彩票大奖的那个人，我估计他也“研究”了数十年，而且数十年如一日的买吧？等，支持vnpy，qlib，backtrader和bt引擎，内置多个。一种是所谓劝人不投资的，

t.select_sell = ['(1-close/shift(close,1))>0.04']# 止损条件。t.select_buy = ['close>ma(close,4)']# 入场条件。'159915.SZ',# 创业板100（成长股，科技股，中小盘）'159915.SZ',# 创业板100（成长股，科技股，中小盘）'510180.SH',# 上证180（价值股，蓝筹股，中大盘）'51

而类比人类的学习，我们不会拿1万张猫的图片让孩子学习什么是猫，一个小朋友也许只见过几只猫，他几乎可以认出各种图片的，抽象的，卡通的猫。所以有了alpha go， alpha master和alpha zero这样的围棋大师，然后它们的技能迁移的打战略游戏上，也是一等一的好手，都拜强化学习所赐。昨天我们讲的DNN的模式，我们是让模型学习过去的因子“预测”当天的收盘价的“涨跌”。我们学骑自行车，并不会

虽然DRL的训练过程较为复杂，且必须面对市场的不确定性，但它的自适应能力和长期优化的潜力是其显著的优势。这是官方给的代码，大家可以结合论文先看作者的思路，后续会结合我们自己的数据，考虑整合到Quantlab框架中。最近开始，还会把星球沉淀下来的模块，生成相应的专栏，可能会使用小报童的形式，大家这几周可以关注下。爱迪生的研究所，在经济周期面前，仍然需要断臂求生，这就是商业法则——生存为第一要义。“一

说缺点的话，打包后文件夹比较大，200M，压缩后60来M，还算可以接受吧。另外就是杀毒软件可能会误报，我是直接加到信任名单里，不过可以看下，如何解决让它不误报的问题。短期，一天，能做的事情，很有限，其实不必列长长的清单，也许某几天可以完成的很好，但长期会压力大，没有必要。aitrader的框架后续计划在gitee上托管，地址已经同步在星球中，并发布的初始代码。选择脚本，基本参数，然后把本地目录选择

1、qlib自带的crawler，直接基于网页的采集脚本，一是网络可能不稳定，数据质量无法保证；其实问题反而简单，我们可以不必看那些collector的代码，只知道我们需要把序列写到一个文件目录下的csv即可。qlib的数据库是专门为AI量化定制的，可以多进程并行计算，在海量因子计算的时候有优势。qlib内置的数据源是来自网上，数据质量不高且不稳定，网络不好的时候下载不下来。目前我选用的数据库是t

小时候，受到不公正的待遇，私下默默努力。看到有些平台，股票一个环境，加密货币一个环境，期货又是另一个环境，甚至把数据源处理都耦合到环境中，这是不对的。我们的AI量化平台，针对传统规则量化策略，进行了“积木式”的拆分，这种拆分的好处，就是最大化复用代码逻辑，这样开发策略又快且不容易出错。同样，我们也希望可以最大化复用之前的成果，把强化学习环境也整合到一起，我们就不必关心数据处理，回测系统等环节的处理