本项目完全由 AI 生成。 包括所有 Python 脚本、Shell 脚本、数据处理流程、训练配置及本文档，均由 Claude Opus 4.6 在人类指导下自主编写完成。
基于 Qwen2.5-14B 的量化交易领域 QLoRA 微调项目。覆盖 A股、商品期货、ETF基金、可转债四大市场，支持个股评分预测和板块 ETF 轮动策略。
# 一键执行全部流程（数据采集 → 转换 → 合并 → 训练）
bash /opt/quant-llm/run.sh
# 或分步执行
bash /opt/quant-llm/run.sh crawl # 数据采集（A股+多市场）
bash /opt/quant-llm/run.sh recalc # 重算技术指标（从basic重算，不爬取）
bash /opt/quant-llm/run.sh fund-flow # 爬取资金流数据
bash /opt/quant-llm/run.sh convert # 行情数据 → 训练问答对
bash /opt/quant-llm/run.sh predict # 生成预测性训练数据（实际收益标签）
bash /opt/quant-llm/run.sh generate # 数据增强（FinGPT+量化计算+推理链）
bash /opt/quant-llm/run.sh merge # 合并所有数据源 → 最终训练集
bash /opt/quant-llm/run.sh train # QLoRA 微调训练
bash /opt/quant-llm/run.sh export # 导出 GGUF 格式
bash /opt/quant-llm/run.sh eval # 模型评估
bash /opt/quant-llm/run.sh backtest # 回测验证（对比沪深300）run.sh 会自动完成环境检查、依赖验证、GPU 显存释放、数据路径配置等工作，无需手动干预。
- GPU: NVIDIA RTX A5000 24GB（或同等显存以上）
- 内存: 64GB+
- 存储: 50GB 可用空间
- CUDA: 12.x
# 创建并激活虚拟环境
python3 -m venv /opt/quant-llm/finetune-env
source /opt/quant-llm/finetune-env/bin/activate
# 安装全部依赖
pip install -r requirements.txt
# 可选：使用锁定版本（确保完全一致的环境）
# pip install -r requirements-lock.txt如需使用数据增强功能（run.sh generate），还需本地运行 ollama 并拉取模型：
ollama pull qwen3:14b # 量化计算种子扩展
ollama pull deepseek-r1:32b # 推理链增强（可选，耗时较长）所有配置集中在 config.yaml，脚本通过 scripts/_config.py 读取：
from _config import cfg, MODEL_NAME, MAX_SEQ_LENGTH, DATA_DIR, OUTPUT_DIR主要配置项：数据路径、模型参数、LoRA 配置、训练超参、ollama 地址、评估参数、板块 ETF 列表、回测参数等。详见 config.yaml 注释。
/opt/quant-llm/
├── run.sh # 一键执行脚本（入口）
├── config.yaml # 中心化配置文件
├── requirements.txt # Python 依赖清单
├── requirements-lock.txt # 精确版本锁定
├── README.md # 本文件
├── LICENSE
├── .gitignore
│
├── scripts/ # 所有 Python 脚本
│ ├── _config.py # 配置加载器（所有脚本共用）
│ ├── indicators.py # 技术指标共享库（28个指标）
│ ├── crawl_ashare.py # A股全量历史行情爬取（--recalc 重算指标）
│ ├── crawl_multi_market.py # 期货+ETF+可转债行情爬取（--recalc）
│ ├── crawl_fund_flow.py # 板块/个股资金流数据爬取
│ ├── convert_all_to_training.py # 全市场行情 → 训练对（含增强评分因子）
│ ├── generate_predictive_data.py # 预测性训练数据（实际收益标签）
│ ├── fetch_fingpt_data.py # FinGPT A股预测数据 → ChatML
│ ├── generate_quant_calculations.py # 量化计算种子扩展（60→500条）
│ ├── add_reasoning_chains.py # 推理链增强（deepseek-r1:32b）
│ ├── merge_and_retrain.py # 合并所有数据源 → 最终训练集（v4）
│ ├── train.py # QLoRA微调训练（early stopping+验证集）
│ ├── evaluate.py # 模型评估（ROUGE-L+结构化+对抗性测试）
│ ├── backtest_signals.py # 回测系统（个股+ETF轮动 vs 沪深300）
│ ├── factor_ic_analysis.py # 因子IC分析（Rank IC验证因子有效性）
│ ├── export_gguf.py # 导出 GGUF 格式
│ ├── rag_build_index.py # 构建 RAG 检索索引
│ ├── rag_retrieve.py # RAG 检索引擎
│ ├── rag_serve.py # RAG 增强推理服务
│ ├── eastmoney_login.py # 东方财富模拟盘认证
│ ├── eastmoney_keepalive.py # 模拟盘 session 保活守护
│ └── eastmoney_check.py # 模拟盘凭据验证
│
├── training-data/ # 所有训练数据（.gitignore 忽略）
│ ├── ashare/ # A股行情（~5000只，含28个技术指标）
│ ├── futures/ # 商品期货（~80个主力合约）
│ ├── etf/ # ETF基金（~800只）
│ ├── cbond/ # 可转债（~400只）
│ ├── fund_flow/ # 资金流数据（板块/个股/大盘）
│ ├── predictive_signals.jsonl # 预测性训练数据（实际收益标签）
│ ├── sector_rotation.jsonl # 板块轮动训练数据
│ └── merged_train_v4.jsonl # 最终训练集（v4，含预测数据）
│
├── output/ # 模型输出
│ ├── quant-qwen2.5-14b-v3/ # V3 LoRA适配器权重
│ ├── gguf/ # GGUF 导出文件
│ ├── rag_index.faiss # RAG 检索索引
│ ├── eval_results.json # 评估结果
│ ├── backtest_results.json # 回测结果
│ ├── backtest_equity.csv # 回测权益曲线
│ └── backtest_trades.csv # 回测交易记录
│
├── finetune-env/ # Python 虚拟环境
└── unsloth_compiled_cache/ # 编译缓存
scripts/indicators.py 提供 28 个技术指标，纯 pandas/numpy 实现，不依赖 ta-lib：
| 类别 | 指标 |
|---|---|
| 原有 | RSI(14), MACD(12,26,9), MA(20), Volume MA(5) |
| 多周期均线 | MA(5/10/60/120), EMA(12/26) |
| 动量 | ROC(12), Williams %R(14), CCI(20) |
| 波动率 | ATR(14), Bollinger Bands(20,2), 历史波动率HV(20) |
| 量能 | OBV, MFI(14), VWAP近似, 量变化率 |
| 趋势 | ADX(14) |
| 派生 | 均线排列(bullish/bearish/mixed), OBV趋势(rising/falling/flat) |
A股历史行情 — scripts/crawl_ashare.py
- 数据源: 东方财富 API（通过 akshare，免费无需 API key）
- 范围: 主板+创业板+科创板，包含退市股（分层标注）
- 输出:
training-data/ashare/basic/（OHLCV）+training-data/ashare/advanced/（含28个技术指标） - 支持
--recalc模式（从 basic 重算 advanced，无需联网）
期货+ETF+可转债 — scripts/crawl_multi_market.py
- 商品期货 ~80个品种、ETF基金 ~800+只、可转债 ~400只
- 同样支持
--recalc模式
资金流数据 — scripts/crawl_fund_flow.py
- 板块资金流排名（行业/概念/地域）
- 个股资金流排名（今日/3日/5日/10日）
- 大盘资金流向（北向资金、主力）
scripts/convert_all_to_training.py 将四大市场行情转化为品种专属的技术分析问答对。交易评分系统基于 IC 分析验证的反转策略 v2（A 股所有技术因子 IC 为负，反转效应主导）：
| 评分组 | 上限 | 核心因子（IC_IR） | 逻辑 |
|---|---|---|---|
| 动量反转 | ±20 | RSI(-0.40), 20d趋势(-0.46), ROC(-0.39) | 超买看空、超卖看多 |
| 趋势确认 | ±12 | MA20偏离(-0.38), CCI(-0.30), MFI(-0.31) | 偏离均值回归 |
| 波动率 | ±10 | HV(-0.42), BB位置(-0.35) | 高波动=风险 |
| 量能 | ±8 | 量比(-0.21), 5d趋势(-0.18) | 放量见顶 |
| 困境反转 | ±15 | 价格分位数、量能萎缩度、底部反弹 | 极度超跌→反转 |
| 市场环境 | ±8 | 沪深300 MA120 regime | 牛/熊/震荡自适应 |
| 趋势过滤 | -8 | 个股 MA120 | 下跌趋势扣分 |
| 选股筛选 | -35 | 换手率/股本/底部检测 | 低流动性扣分 |
核心改进：用实际未来收益做标签，而非公式评分。
Type A — 个股收益预测（32,705条，2x过采样至65,410条）：
- 输入: 全部技术指标 + 市场环境
- 标签: 实际 5/10/20 日收益方向（strong_buy/buy/hold/sell/strong_sell）
- 采样范围: 2005-06-01 ~ 2025-06-30（覆盖A股现代史完整周期）
- 每只股票采样8个日期，覆盖牛/熊/震荡多种行情
Type B — 板块轮动预测（186条，2x过采样至372条）：
- 输入: 12个核心板块 ETF 指标对比
- 标签: 实际未来 N 日各板块收益排名
- 板块: 科技/消费/医药/金融/新能源/军工/半导体/证券/有色/地产/基建/传媒
| 数据源 | 预计条数 | 内容 |
|---|---|---|
| BAAI 全量中文金融 | 40,290 | 金融知识底座 |
| 预测性训练数据 | 65,410 | 个股收益预测（32k×2x过采样） |
| 多市场行情分析 | 8,855 | A股/期货/ETF/可转债技术分析 |
| 推理链增强 | 1,820 | 带 <think> 推理过程 |
| FinGPT 预测数据 | 1,230 | 道琼斯30股票趋势预测 |
| R1 金融推理 | 1,000 | DeepSeek-R1 金融推理数据 |
| 板块轮动预测 | 372 | ETF板块轮动（186×2x过采样） |
| 量化计算 | 350 | 风险指标/期权定价/组合优化 |
| GitHub 量化 | 38 | 量化策略代码问答 |
| 合计 | 119,365 | 超长样本已过滤（>8192字符） |
训练参数（详见 config.yaml）:
| 参数 | 值 |
|---|---|
| 基座模型 | unsloth/Qwen2.5-14B-bnb-4bit |
| LoRA rank | 32 |
| LoRA alpha | 32 |
| RSLoRA | True |
| 目标模块 | q/k/v/o/gate/up/down_proj |
| 学习率 | 1e-4（cosine decay） |
| Batch size | 1（梯度累积8步，等效8） |
| Epoch | 3（配合 early stopping） |
| 精度 | bf16 |
| 序列长度 | 2048 |
| 梯度裁剪 | max_grad_norm=1.0 |
| 权重衰减 | 0.01 |
| Checkpoint | 每2000步保存，保留最近3个 |
训练完成后，必须通过回测验证策略有效性。
两套策略：
- 个股策略（日频）：评分筛选 → 买入Top N → 止损/止盈 → T+1约束
- 板块ETF轮动（周频）：板块评分 → 超配Top3 → 周度调仓
回测规则：
- 初始资金 10 万，佣金万2.5，印花税千1（卖出），滑点万3
- T+1 约束、单票10%仓位上限
- 止损-20%/只（反转策略需宽容忍度），持仓5天保护期
- 组合止损-30%（触发后60天冷却期，非永久停止）
- 熊市自动减仓（仓位上限降至25%），震荡市66%
- 基准：沪深300 ETF (510300) 买入持有
- 市场环境判定：沪深300 MA120 多维度 regime 检测
回测结果（2005-2025，反转策略 v4）：
| 指标 | 个股策略 | 沪深300 |
|---|---|---|
| 总收益率 | +1201% | +122% |
| 年化收益率 | 12.99% | 6.08% |
| 夏普比率 | 0.383 | 0.302 |
| 胜率 | 39.3% | — |
| 盈亏比 | 1.122 | — |
| 超额收益 | +1079% | — |
输出指标：年化收益、夏普比率、最大回撤、胜率、盈亏比、Calmar比率、超额收益、信息比率
用户查询 → bge-large-zh-v1.5 编码 → FAISS 检索 top-3 → 注入 system prompt → ollama 推理
- FAISS IndexFlatIP，~200MB 索引
- 含
[MARKET_DATA]的查询跳过 RAG（直接走模型评分） - 配置见
config.yaml→rag:段
训练+回测验证后，接入东方财富模拟盘进行实盘模拟。
三层协作架构：
第1层: Claude Sonnet（每日1次）→ 宏观研判 → 动态调整规则引擎参数
↓
第2层: 规则引擎（每日4000次，秒级）→ compute_score 初筛 → Top 50 候选
↓
第3层: Qwen-14B Skills（每日50次，分钟级）→ StockRankSkill 精排 → Top 10 + 仓位建议
↓
Claude 终审 → 风控 → 执行
牛熊市环境感知（5维度融合评分）：
| 维度 | 指标 | 牛市信号 | 熊市信号 |
|---|---|---|---|
| 趋势位置 | 价格 vs MA120 | 偏离 >5% | 偏离 <-5% |
| 趋势方向 | MA120 斜率（20日） | >+1% | <-1% |
| 量能确认 | 近20日均量 vs 前60日 | 放量 >1.3x | — |
| 波动率 | 近期 vs 长期标准差 | 低波动 <0.7x | 高波动 >1.8x |
| 价格动量 | 60日收益率 | >+15% | <-15% |
选股筛选（震荡/熊市强制生效）：
- 换手率 >= 3%（否则强制扣30分）
- 总股本 < 20亿股（否则强制扣25分）
- 底部信号检测（RSI<35 / MA偏离<-10% / 距52周低点<15% / MACD底背离）
- 基座模型: Qwen2.5-14B (4bit 量化)
- 微调框架: Unsloth + TRL SFTTrainer
- 微调方法: QLoRA (Quantized Low-Rank Adaptation)
- 数据源: akshare (东方财富 API)、HuggingFace 数据集
- 技术指标: 28 个自研指标（纯 pandas/numpy，无 ta-lib 依赖）
- 训练数据: 模板化规则引擎 + 预测性标签（实际收益） + 本地大模型辅助
- 回测系统: 走步验证，T+1约束，对比沪深300基准
- RAG: FAISS + bge-large-zh-v1.5
- 模拟盘: 东方财富 Playwright 自动化 + Claude API 审核
本项目仅供研究与教育用途。模型输出不构成任何投资建议，不保证盈利。量化交易存在市场风险，使用者需自行承担交易风险和损失。请在充分理解相关风险后谨慎使用。