Qbot 如何本地部署：免费开源 AI 量化交易平台的完整指南-开发者社区

Qbot 如何本地部署：免费开源 AI 量化交易平台的完整指南

【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

Qbot 是一个免费开源的 AI 量化投研平台，行情数据获取、策略编写、策略回测、模拟交易到实盘接入的完整链路都跑在你自己的机器上。想用一个不大的 Python 基础搭建自己的本地量化系统，这篇文章讲清它能做什么、适合谁，以及怎么把它跑起来。

从手工拼接到流程化：用它前后有什么不同

做量化策略，最费劲的往往不是写某一个指标，而是把整条链路拼起来。没用它之前，多数环节是零散完成的：

环节	常见做法	用 Qbot 之后
策略研究	自己从零写回测脚本，每个策略一套标准	内置策略示例，从双均线、MACD 到 LightGBM、LSTM
因子管理	因子散落在各个 notebook，难以复用	统一因子库加自动化因子挖掘 workflow，支持 alpha-101、alpha-191 等指标
交易验证	只有离线回测，离真实行情条件远	在线回测、模拟交易、实盘自动化三段推进，模拟环节近似实盘的时延与滑点
交易通道	每家券商接口都要单独适配	已集成证券客户端、期货 CTP、加密货币交易所等渠道
信号推送	自己盯终端	邮件、飞书、微信、桌面弹窗多通道通知

底层拆法是分层架构：数据层、策略层、交易引擎彼此解耦，换数据源或换交易接口时不用重写别的部分。

能力与场景对照表

不确定该从哪个功能入手的话，可以直接对照这张表：

能力	典型场景
数据源接入	切换 Tushare、Baostock 等接口，或导入本地 CSV，统一供给回测与交易
策略开发	在现有模板上改参数写自定义信号，经典指标策略与机器学习、强化学习策略并存
策略回测	用历史数据跑均线、布林、多因子策略，产出收益、回撤、夏普比与 quantstats 报告
基金策略	4433 法则、基金池组合等，相关模块在 pyfunds/
模拟交易	接入实盘前，先在仿真环境里验证信号稳定性和滑点
实盘自动化	通过证券、期货 CTP、加密货币交易所接口自动下单
消息通知	把交易记录和每日收益推送到邮件、飞书或微信

最简启动流程

整个安装过程就是三条命令的事。先把代码拉到本地：

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

再装依赖。官方只在 Python 3.8 和 3.9 上做过测试，动手前先确认本机版本：

pip install -r dev/requirements.txt

最后启动，会打开一个基于 wxPython 的 GUI 客户端：

python main.py

Mac 上改成pythonw main.py。启动时如果报缺模块，按提示逐个安装即可；其中 wxPython 和 TA-Lib 不走 requirements，要用仓库 dev/ 目录里自带的 whl 包装，Mac 则通过 brew 安装。更细的环境说明见 docs/Install_guide.md。

谁适合上手，谁可以先缓一缓

适合的人：

有基础 Python 知识、想系统入门量化投研的读者，官方把策略原理写成了新手向教程，见 docs/01-新手指引/量化策略的分类和原理.md；
想搭建自己交易系统的开发者，项目以源码形式交付而不是打包应用，代码结构可以全部看懂和改动；
做股票、基金、期货或加密货币策略回测研究的人，对应模块和示例策略都在仓库里。

建议先缓一缓的情况：

希望点开即用、完全不碰代码。Qbot 需要你亲手搭 Python 环境，这本身也是它的设计取向；
本机 Python 是 3.10 及以上的新版本。项目未在这些版本上测试，兼容性不保证；
目标是一接入实盘就回本。回测收益是历史结果，官方文档也反复提示历史回测不代表未来表现。

深入一层：策略库与 AI 模型基准

有两块内容值得细看。

一是策略池。双均线、KDJ+MACD、布林均值回归、网格交易、海龟这类经典策略都在 qbot/strategies/ 里，配套数据和可运行代码放在 docs/tutorials_code/ 各教程目录中。下图是一次量化策略回测的产出样例：收益曲线、年度收益和绩效指标一次看全，交互式图表还支持局部放大。

二是 AI 模型基准库。围绕 docs/03-智能策略/model_zoo.md 整理了 XGBoost、LightGBM、CatBoost、LSTM、GRU、Transformer、TFT 等模型，按监督学习、市场动态建模、强化学习三类归档，每个模型都能查到对应的 benchmark 结果和论文出处，实现代码在 pytrader/strategies/benchmarks/。

交易接入面的选择也很多：股票端支持海通、华泰、国金等客户端及通用同花顺客户端，期货端有 CTP、CTPMini、飞马，加密货币端覆盖欧易、币安、火币。接入后在 GUI 的参数配置里填入各平台的 api_key，并可以顺手配好消息通知。

接入实盘前的常见报错与规避

不要在 Python 新版本上硬试。3.8/3.9 之外都没测过，3.10+ 上依赖报错会很多，用 conda 建虚拟环境比逐个修包更快。
留意 wxPython 和 TA-Lib 两个库。它们不在 requirements.txt 里，Linux 和 Windows 直接装 dev/ 下对应平台的 whl，Mac 需要brew install wxpython和brew install ta-lib，tables 相关的 hdf5、c-blosc 也要一并装好。
报No module named 'Crypto'时，多为 crypto 与 pycryptodome 互相冲突，两个都卸载后再装 pycryptodome；bokeh 建议固定在 2.3.3；matplotlib 提示 SimHei 字体缺失只是图表中文显示问题，装一个中文字体即可。
别跳过模拟交易。历史回测里的收益曲线好看，不等于实盘也能复现，先在仿真环境跑一段时间，观察滑点和时延再考虑接入真实账户。