纳指年化收益18.4%，就是说你直接买入并持有，年化就是18.4%，和巴菲特的收益率差不多。原创内容第947篇，专注量化投资，AGI和智能体落地、个人成长与财富自由。以上两篇文章完成akshare获取日线，清洗完成后保存到csv中备用。全球大类资产近十年的走势，画出来一目了然，纳指和标普最好，其次是黄金。今天我们使用pandas来做金融时间序列分析。点击 “查看原文”，直接访问策略集合。扩展•历史

关于AI量化的数据更新，可以通过flask入口发布异步任务，服务器的celery worker执行数据下载，并dump到本地csv备用。前后端分离架构，前端的工程量明显大于后端，不过基本成型了，不过还有大量的细节需要调试。'510180.SH',# 上证180（价值股，蓝筹股，中大盘）等，支持vnpy，qlib，backtrader和bt引擎，内置多个。紧跟前沿AGI研究进展，论文复现，可运行的代

多智能体系统，通过各种工具去获取信息，比如联网，调api和mcp以及RAG。大家习惯一上来就考虑多智能体，尤其在一个app里，有一些垂直的智能体，其实本质上就是多支持一些tool，或者需要加载一些知识库。多智能体更像是当单一"超级大脑"无法有效处理复杂协作、专业分工的"进阶解决方案"。我有一个简单的总结，就是如果你需要多个人设和技术集的时候，那需要多个智能体。所有工具包括rag都mcp化，似乎不用

这里做一下说明：框架版本基于wxpython做智能量化平台的gui，回测数据和引擎都是通过api在服务器上完成。这样的框架，现在太多了，langchain, langgraph，autogen，crewai等等，还有各种低代码平台。1、用户加入星球，并绑定会员之后，会获得20积分。3、在论坛发布高质量的贴子即可（可获5，10，15，20等积分）。3、发布策略，设定“积分查看”，其他同学下载后，积分

通过知识库或者论文、投资研报获取投资想法，然后根据投资想法，改进投资策略，然后提交给回测引擎回测，返回回测指标，好的策略入知识库，迭代进化。不过，传统量化的同学，可能仍然仅是把大模型当前工具而不是系统来使用，比如我们今天分享的期货量化相关的代码。好的架构是把akshare的能力封装成mcp，这个后续咱们再来改造成真正的多智能体。原创内容第1043篇，专注AGI+，AI量化投资、个人成长与财富自由。

四大LLM专家模块（新闻、市场、阿尔法因子、基本面）协同作战，通用专家智能整合多源数据，支持涨跌预测与选股排序双模式。一种基于混合专家（MoE）框架的新型系统，包含四个专门分析不同金融数据的 LLM 专家模块（新闻、市场数据、阿尔法因子和基本面数据），并通过一个通用专家 LLM 整合各模块的洞察以生成最终预测或交易决策。量化投资的四大范式：手工构建因子，机器构建因子，深度学习整合因子，然后就是基于

当然，对智能量化有兴趣的同学，想通过主动投资来获取超额收益，也是我们做“AI量化投资实验室”的初心。比如我自己用得最多的大类资产风险平价，底层逻辑是相信，各经济体一定都是长期向上的，这是回归资本市场的本源，就是服务于实体的。在大模型和智能体的当下，其实可以让多智能体来辅助我们做出决策，我们只需要给智能体数据、资讯，让多个智能体联合给出投资建议。——这里都是长期的视角，五年、十年的观察周期。从逻辑上

记得年轻的时候，那时候真是年少轻狂，用vmware虚拟机，直接写操作系统，读到linux 0.01的代码，把机器用代码boot起来。增加和列表查看，走的list的GET/POST接口，而删除，修改，detail详情走的list/id的DELETE，PUT和GET入口。现在是AGI时代，不会比操作系统更难，当然难在数学，这也是非常有意思的地方。等，支持vnpy，qlib，backtrader和bt引

从上面表格的描述，很多量化投资是停留在quant1.0的阶段，整合了个人主观念投资理念和量化规则，去构建一个模型或者策略。首先，是不是内置openai like。这个很关键，因内的大模型api，基本都兼容openai-like的格式。融合自动化AI、可解释AI(XAI)和知识驱动AI，实现更智能、透明、全面的投资决策。跳过“静态的”因子构造和挖掘，跳过深度学习模型的拟合。模型构建耗时、是难以解释的

今天咱们来实现完整的策略，两种方式，一种是低代码，如何通过ailabx.com官网直接配置出来。首先打开ailabx.com网站，免费注册/登录，登录后点击“免费创建策略”。原创内容第961篇，专注量化投资，AGI和智能体落地、个人成长与财富自由。等，支持vnpy，qlib，backtrader和bt引擎，内置多个。，每周五迭代一次，代码和数据在星球全部开源。aitrader代码，因子表达式引擎、