Qbot 量化交易平台：完全本地部署，跑通策略回测全流程-开发者社区

Qbot 量化交易平台：完全本地部署，跑通策略回测全流程

【免费下载链接】Qbot[🔥updating ...] AI 自动量化交易机器人(完全本地部署) AI-powered Quantitative Investment Research Platform. 📃 online docs: https://ufund-me.github.io/Qbot ✨ :news: qbot-mini: https://github.com/Charmve/iQuant项目地址: https://gitcode.com/GitHub_Trending/qbot/Qbot

如果你也想过验证一个交易想法，却被"数据从哪来、回测用什么跑、结果可不可信"卡住，Qbot 量化交易可能会正中痛点。这是一个完全本地部署的量化投研平台，把数据获取、策略开发、回测验证、模拟和实盘交易放进同一套流程，不需要把数据交给任何云端服务。下面从最小步骤开始，带你把它跑起来。

🧩 它到底能做什么：量化全流程在一个本地平台里

Qbot 解决的不是某一个功能点，而是流程断点。用零散脚本做量化的人大概都经历过：数据脚本一套、回测框架一套、交易接口再一套，中间靠复制粘贴衔接。Qbot 把它们整合成一条链路：网络数据源经过清洗入库，选股模块和择时模块从库里取数做信号，回测引擎出报告，实盘机器人负责调度和下单。

它覆盖的环节可以简单概括为四段：数据管理、策略研究（选股加择时）、回测验证、交易执行。交易对象覆盖股票、基金、期货和加密货币，对应仓库里 pytrader、pyfunds、pyfutures 几个独立后端。

和同类工具一句话差异：它是免费开源且完全本地部署的量化平台，数据不出本机，依赖关系自己掌控；代价是安装环节比云端 SaaS 费一点功夫。

几个能力点各说一句：回测上，界面里选一只股票、一个内置策略、一段日期区间，点开始就能拿到收益曲线和夏普比率、最大回撤等指标；策略库上，从双均线、布林线这类经典方法到 LightGBM、LSTM、强化学习模板都有现成代码可改；消息提醒上，交易信号可以走邮件、飞书、微信机器人推送。

🏁 跟着跑一遍：从拉数据到看回测报告

这条主线是：把代码放到本地 → 装依赖 → 启动平台 → 挑一个内置策略跑回测 → 看报告。

先把代码拉到本地，--depth 1只取最新版，省时间：

git clone https://gitcode.com/GitHub_Trending/qbot/Qbot --depth 1 cd Qbot

装依赖，一行命令，包清单在dev/requirements.txt：

pip install -r dev/requirements.txt

启动主程序，会弹出一个桌面 GUI 窗口（Mac 上换成pythonw main.py）：

python main.py

窗口打开后，在回测页选择基准股票（如 800 指数）、回测标的和内置策略（如"机器学习-LGBM 模型价格预测"），设好起止日期，点"开始回测"。不想走界面的话，也可以在命令行直接跑内置的 MACD 示例：

python qbot/engine/backtest/macd_bt.py

两个容易卡的点提前说：GUI 依赖 wxPython，dev/目录里按 Python 版本备好了预编译 whl，优先用本地的装；示例脚本从 tushare 拉数据，需要先在 tushare 官网申请一个 token 并配置好，否则会报鉴权错误。

跑完 MACD 示例，终端会打印买卖记录，并画出一张带买卖点标注的回测图，买卖信号、持仓资金、MACD 副图都在一张图里：

🔍 按工作流拆解能力：数据、策略、回测、交易

数据获取：多源行情数据与本地缓存

这环节解决"数据从哪来、存在哪"的问题。

数据源涵盖 tushare、baostock、akshare、efinance 等，取数接口封装在get_data.py里，换源基本改一个导入
支持本地 CSV 与 SQLite 两种落地方式，拉一次存一次，后续回测直接读文件
提供批量下载脚本，可以把整个股票池的历史数据一次灌进本地

对应模块：pytrader/data/

策略开发：从经典指标到 AI 模型

这环节解决"买卖信号怎么定义"的问题。

经典策略模板齐全：双均线、布林线、KDJ+MACD、RSI 背离、小市值选股，每个都是可以直接改参数运行的 .py 文件
AI 策略按范式分组：GBDT（XGBoost、LightGBM）、RNN（LSTM、GRU）、强化学习（TFT、GATs）、Transformer 系模型
指标层覆盖 MACD、KDJ、BOLL、RSRS、CCI 等常用技术指标，策略里直接调用

对应模块：qbot/strategies/

回测验证：内置策略跑出完整报告

这环节解决"策略到底行不行"的问题。

回测引擎基于 backtrader，可设置佣金、滑点，贴近真实成交成本
报告输出累计收益、年化收益、夏普比率、最大回撤、波动率，并给出策略与基准的逐年对比
图表支持框选放大局部区间，方便检查某段亏损是怎么来的

对应模块：qbot/engine/backtest/

模拟与实盘交易：从模拟盘到真实账户

这环节解决"信号变成订单"的问题。

模拟环境提供近乎实盘时延和滑点的仿真，适合策略稳定前的验证期
股票端支持海通、华泰、国金等券商客户端以及同花顺通用方案；期货端对接 CTP；加密货币端支持 OKX、币安、火币
交易信号可配置邮件、飞书、微信推送，不用一直盯盘

对应模块：qbot/engine/trade/

适合谁，什么时候该用它

比较适合：

想把量化流程完整走一遍，又希望环境完全在自己机器上、随时可折腾
手里有一个具体交易想法，需要快速拉数据、做 AI 策略回测来验证
想学习 LSTM、LightGBM 这类模型在金融数据上怎么落地，找可运行的模板

不太适合：

期望装完当天就实盘赚钱——内置策略只是模板，参数和市场都得自己调
希望纯点鼠标的零代码体验——核心能力仍要读和改代码
想要云端多设备协同——它是本地部署量化平台，界面和引擎都在单机

⚠️ 上手前先看这几个坑

Python 版本：官方只在 3.8 / 3.9 下测过，3.10 以上先建独立虚拟环境再装，别直接污染系统解释器
依赖版本冲突：requirements 里固定了 matplotlib==3.2.2 这类老版本，不要中途手动升级某个包，装一半报错时重建环境往往更快
数据源限流：tushare 按积分限频，批量拉全市场数据前先把接口频率和积分额度算一下，或分批下载后缓存本地
回测与实盘差异：回测不会完全复现涨跌停、撤单失败和真实滑点，回测达标后务必先跑一段时间模拟盘再谈实盘
本地资源占用：LSTM 等模型训练吃 CPU/GPU，第一周先跑均线、MACD 这类轻量策略，熟悉流程后再上重型模型

📌 接下来可以做什么

对策略分类没概念的话，先读一遍量化策略的分类和原理，再回头看内置策略会顺很多
想看具体实现细节，直接翻qbot/strategies/里的源码，从最简单的双均线读起
目标锁定 AI 模型的话，查模型库说明，按范式挑一个先复现
安装过程还有报错，对照安装指南逐项排查依赖

平台负责计算，决策仍然在你手里——先把一个最小策略完整跑通，后面的路自然会清楚。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

Qbot 量化交易平台：完全本地部署，跑通策略回测全流程