AlphaMaster

基于深度神经网络强化学习的量化因子挖掘中心：从 Parquet / MT5 K 线自动搜索可解释因子公式，支持 Web 端训练、回测与实时信号分析。

QQ 交流群：975328619

仓库地址：github.com/rosemarycox5334-debug/AlphaMaster

---

它做什么

AlphaMaster 把「挖因子」做成一条可操作的流水线：

1. 训练：用强化学习在特征 + 算子空间里搜索公式，按验证集表现选优
2. 回测：用 tanh(因子) 连续仓位在历史行情上模拟交易，看资金曲线与绩效
3. 实时分析：按周期收盘后重算信号，展示方向与把握；方向转折可推飞书提醒

公式以 token 序列保存（如 strategies/best_BTCUSDT.json），可用 StackVM 解释执行，训练 / 回测 / 实时共用同一套信号逻辑。

---

Web 控制台（推荐入口）

pip install -r requirements.txt
python run_web.py --port 8765

浏览器打开 http://127.0.0.1:8765。界面分三步：

模型训练

• Parquet 命名：{品种}_{周期}.parquet，例如 BTCUSDT_H1.parquet、XAUUSD_H1.parquet
• 开始训练：有检查点则断点续训
• 重新训练：清除检查点从头搜索；已有更优策略作为分数下限，不会被弱结果覆盖
• 展示最优分数、验证分数、训练曲线与最优公式；可选 AI 分析当前训练情况

策略回测

• 仓位：position = tanh(factor)，信号越强仓位越大
• 成本：手续费 + 滑点（默认约 0.02% / 0.01%）
• 输出：总收益、夏普、索提诺、盈亏比、滚动夏普与资金曲线

实时分析

• 数据源：MT5 / OKX 等（以界面可用源为准）
• 只在当前周期 K 线收盘后重新判断；未收盘 bar 不参与信号
• 卡片展示方向（看涨 / 看跌 / 不确定）与把握程度
• 可选飞书 Webhook：仅在方向转折时推送文字提醒

---

项目结构

AlphaMaster/
├── web/                 # FastAPI Web UI（训练 / 回测 / 实时）
├── model_core/          # 特征、算子、StackVM、训练引擎、回测评分
├── data_pipeline/       # Parquet / MT5 K 线加载与对齐
├── strategy_manager/    # 实盘信号与仓位逻辑（与回测口径一致）
├── execution/           # MT5 下单接口
├── backtest_viz/        # 回测引擎与图表
├── strategies/          # best_{symbol}.json 策略文件
├── checkpoints/         # 训练检查点
├── run_web.py           # 启动 Web 控制台
├── train_file.py        # CLI：从单个 Parquet 训练
└── requirements.txt

---

环境要求

• Python 3.10+（建议 3.11）
• PyTorch、pandas、FastAPI、uvicorn 等（见 requirements.txt）
• 可选：MetaTrader 5 终端（实时 MT5 源 / 实盘相关脚本）
• 复制 .env.example 为 .env 填写 MT5 等凭证（.env 已 gitignore）

python -m pip install -r requirements.txt
# TradingView 若上面 git 行失败，可单独装：
# python -m pip install git+https://github.com/rongardF/tvdatafeed.git

---

常用命令

# Web 控制台
python run_web.py --port 8765

# CLI 训练（自动续训；加 --from-scratch 则重新训练）
python train_file.py --data-file D:\K线数据\BTCUSDT_H1.parquet
python train_file.py --data-file D:\K线数据\BTCUSDT_H1.parquet --from-s