AlphaPilot

<div align="center"> <img src="docs/AlphaPilot_logo.svg" alt="AlphaPilot" width="760"> ### LLM 驱动的量化研究、模拟盘与实盘执行平台 [中文](README.md)&nbsp;|&nbsp;[English](README_en.md) `多 Agent 因子挖掘`&nbsp;·&nbsp;`Qlib 回测`&nbsp;·&nbsp;`MCP Agent 接入`&nbsp;·&nbsp;`量化择时`&nbsp;·&nbsp;`模拟盘 / 实盘`&nbsp;·&nbsp;`Web 门户`&nbsp;·&nbsp;`Telegram / 飞书 通讯` <p> <img alt="Python" src="https://img.shields.io/badge/Python-3.10%2B-3776AB?logo=python&logoColor=white"> <img alt="License" src="https://img.shields.io/badge/License-MIT-22C55E"> <img alt="Docker" src="https://img.shields.io/badge/Docker-ready-2496ED?logo=docker&logoColor=white"> <img alt="Notify" src="https://img.shields.io/badge/Notify-Telegram%20%7C%20Feishu-26A5E4?logo=telegram&logoColor=white"> </p> [快速开始](#-快速开始)&nbsp;·&nbsp;[MCP 接入](#研究-api-与-mcp-接入)&nbsp;·&nbsp;[自定义策略](#-自定义策略教程)&nbsp;·&nbsp;[核心功能](#核心功能)&nbsp;·&nbsp;[典型工作流](#-典型工作流)&nbsp;·&nbsp;[文档](#-更多文档)&nbsp;·&nbsp;[Docker 部署](docs/DOCKER.md) </div> --- ## 项目简介 AlphaPilot 是一个面向股票的量化研究与交易平台，覆盖数据准备、因子生成、回测评估、策略沉淀、日频信号、模拟盘和实盘执行。项目使用 LLM 驱动多 Agent 因子研究流程，使用 Qlib 完成回测与信号验证，并通过统一的 Live Runtime 将研究信号接入风控、订单管理、券商网关和审计账本。Web 门户用于集中管理数据、任务、研究资产、通知和交易运行状态。 独立的 [alphapilot-mcp](https://github.com/ai-yang/alphapilot-mcp) 服务支持 Codex、Claude Code、DeepSeek Harness 等 MCP 客户端，通过研究 API 与 GUI 共享同一工作区、后台任务和研究结果。安装与配置见 [MCP 接入](#研究-api-与-mcp-接入)。 ## 核心功能 | 能力 | 关键入口 | 说明 | |------|----------|------| | 因子挖掘 | `alphapilot mine` | LLM 多 Agent 流程 + AlphaForge / GP / RL / AFF 公式化方法 | | 回测评估 | `alphapilot backtest` | 组合回测、逐因子 IC 快筛、排行榜与收益曲线 | | 新建策略 | `alphapilot strategy_create` | 从因子库挑选因子沉淀为策略资产（因子 + 模型 + 调仓/成本/日期） | | 策略复测 | `alphapilot strategy_backtest` | 复用已沉淀的策略资产与模型继续验证 | | 日频信号 | `alphapilot daily_signals` | 按交易日推进持仓、生成单日调仓信号 | | 交易会话 | `alphapilot trade_session_create` | 将策略快照为可恢复的独立日频交易账户 | | 自定义信号策略 | `strategies/*/strategy.toml` | 用本地 Python 策略和显式清单扩展信号逻辑，再统一预览、回放和部署 | | 量化择时 | `alphapilot trading_instance_create` / `trading_backtest` | 通过正式策略实例完成技术指标信号预览、统一回放和受控部署；0.2.0 已移除旧 `timing_*` 入口 | | 模拟盘 / 实盘 | `alphapilot live_*` | `dry_run` / `paper` / `simulation` / `shadow` / `live` 运行模式、统一风控与 OMS、守护进程、恢复对账和审计账本；XTP Pro / EMT 实盘与 OpenCTP TTS 柜台仿真通过可选插件接入 | | 统一门户 | `alphapilot portal` | 数据、因子、回测、择时、任务、通知和实盘控制集中到同一界面 | | MCP 研究接入 | 独立 `alphapilot-mcp` 服务 | 支持 stdio / Streamable HTTP；Agent 可验证表达式、挖掘、回测、管理研究资产并查询或取消共享任务 | | 数据准备 | `alphapilot prepare_data` | baostock / tushare → Qlib 数据链路 | | 通知与远程 | `alphapilot notify_commands` | 任务完成推送（Telegram / 飞书 / 邮件）+ 聊天命令远程发起与查询任务 | ### 因子挖掘 AlphaPilot 的主线能力是自动化因子研究。你可以用自然语言启动 LLM 驱动的多 Agent 挖掘流程，也可以在同一套项目里使用公式化方法生成候选因子，再统一进入校验、回测和资产沉淀。 - 统一管理 Idea Agent、Factor Agent、Eval Agent 三段研究流程 - 支持 `alphapilot mine` 启动 LLM 驱动的因子挖掘 - 支持 GP、RL、AFF 等公式化挖掘方法 - 因子可落入因子库，并继续进入回测或策略资产管理 关键入口：`alphapilot mine --direction "你的市场假说"` <div align="center"> <img src="docs/assets/portal/mining.png" alt="因子挖掘页面：LLM 因子挖掘与公式化挖掘" width="860"> <br><br> <img src="docs/assets/portal/library.png" alt="因子 / 策略库：因子资产统一管理" width="860"> </div> ### 回测与评估 项目内置多种回测与评估模式，既能做正式组合回测，也能快速筛选大量候选因子。首页只保留常用入口，更多回测命令与参数见 [CLI 命令参考](docs/alphapilot-cli.md)。 - `multi_combined`：多因子合并训练并完成组合回测 - `single_ic`：逐因子快速计算 IC、RankIC、ICIR - `multi_sequential`：逐因子分别跑完整组合回测 - 门户「回测」页统一可视化：收益 / 超额 / 账户 / 换手率曲线、每日明细、因子排行榜与对比基准 关键入口：`alphapilot backtest --factor_path /path/to/factors.csv` <div align="center"> <img src="docs/assets/portal/backtest.png" alt="回测：累计收益 / 超额收益 / 账户资产构成" width="860"> </div> ### 策略复测与日频信号 当你已经沉淀了策略资产后，可以直接复用已有因子和模型继续验证，而不必重新跑完整挖掘流程。对于按日推进的研究或模拟交易场景，还可以基于已有策略生成单日调仓信号。 - `strategy_backtest` 支持对已保存策略资产重新回测 - `daily_signals` 支持按指定交易日推进持仓状态 - `trade_session_create` / `trade_session_show` / `trade_session_history` 可管理独立的日频交易会话，持有自己的策略快照、持仓状态和历史记录 - 适合做模型复用、策略复验和单日调仓演练 - 结果可回流到策略资产和门户页面中统一查看 关键入口：`alphapilot strategy_backtest --strategy_name "<策略名>" --mode=retrain` ### 模拟盘与实盘交易 实盘系统把研究侧生成的目标持仓或择时信号接入统一执行链路：`LiveRuntime → LiveEngine → RiskGate → BrokerGateway`。底层 `dry_run` 永远不路由订单；策略实例部署可使用 `paper`、`simulation`、`shadow` 或 `live`。SHADOW 会读取真实账户和实时行情，但永远不能路由订单；LIVE 还必须显式开启环境开关并完成启动对账。 - 支持 `dry_run`、`paper`、`simulation`、`shadow`、`live` 运行模式，以及前台运行和长驻 daemon - 支持人工委托、撤单和目标组合提交；自动策略只能通过持久化策略实例与 `trading_*` 部署控制启动 - 所有订单统一经过交易时段、整手、价格、资金、持仓、集中度、单笔和日累计限额检查 - 维护 OMS 状态、追加式审计账本、运行时快照和恢复对账；交易通道断线会触发 halt，恢复后仍需人工检查再继续 - XTP Pro、EMT 和 OpenCTP TTS 接入已从核心解耦为可安装、可卸载的 pip 插件，交易通道和行情源可分别配置 - daemon 运行期间可从 Portal 或 CLI 增量添加最多 50 个观察标的，无需重连；观察行情只用于展示、K 线和录制，不进入策略决策 - Portal「实盘交易」页面提供预检、连接、daemon 运维、动态行情订阅、策略实例部署、风控状态、委托与 ledger 查询 最安全的体验路径是先从 paper daemon 开始： ```bash alphapilot live_daemon_start --mode paper --symbols 600000,000001 --cash 100000 alphapilot live_daemon_subscribe --symbols 600519.SSE,510300.SSE --wait=True alphapilot live_daemon_status --mode paper alphapilot live_daemon_stop --mode paper ``` 启动参数中的 `symbols` 和后来添加的标的都属于独立 daemon 的 `observer_symbols`。策略实例部署则把实例 universe 归入 `strategy_symbols`，额外查看的标的仍归入 observer；兼容字段 `subscribed_symbols` 是两者并集。`added` 只表示行情 SDK 已接受请求，标的仍出现在 `awaiting_first_tick` 时应继续等待首个 Tick。停止 daemon 会清空活动 observer，已经录制的 Tick/K 线不会删除。 > **实盘风险提示：** 该功能仍在持续开发和券商环境验证中。接入真实账户前，请先完成 paper 演练、插件与网络预检、小额柜台测试，并逐项确认风控限额和恢复结果。不要在未理解 `--confirm_live`、daemon 状态和 ledger 的情况下启用真实路由。 详细安装、环境变量和验收流程见 [XTP Pro / EMT 实盘接入](docs/live-xtp.md)、[OpenCTP TTS 柜台仿真接入](docs/tts-simulation.md) 与 [实盘插件开发和安装](docs/live-plugins.md)。 ### 统一 Web 门户 AlphaPilot 提供统一 Web 门户作为日常研究与运行入口，将数据、因子、回测、择时、任务、通知和实盘控制集中到同一个界面，避免在多个独立脚本和页面之间切换。 - 统一访问因子挖掘、回测、择时、策略库、市场数据、通知配置和实盘运行状态 - GUI 与 MCP 共用持久研究队列，支持后台任务、定时任务和结果查看；关闭浏览器或断开 MCP 不会取消计算 - 研究功能通过顶栏「研究服务」连接，使用独立研究 Token，与交易操作员凭据分别管理 - 「回测」页内置完整可视化：累计收益 / 超额 / 账户 / 换手率图表、日期范围筛选、每日明细、因子排行榜与对比基准 - 「实盘交易」页区分实盘 / 柜台仿真 / 本地 Paper 工作区，并提供预检、daemon、策略、风险与审计控制面 - Portal 交易写接口默认要求操作员令牌；可由本机 CLI 切换为高风险的 optional 模式，页面只读展示当前安全状态 - 适合本地研究环境和服务器部署场景 关键入口：`alphapilot portal` <div align="center"> <img src="docs/assets/portal/home.png" alt="门户首页与任务面板" width="860"> </div> ### 数据准备与管理 项目内置 A 股数据准备流程，可从原始行情准备到 Qlib 数据；因子 h5 cache 由研究和回测任务按需自动生成。首页只保留最短路径，下载源、复权方式和高级参数见详细文档。 - 支持 baostock 和 tushare 数据源 - 支持行情下载、复权处理和 Qlib 转换 - 支持股票池管理与单股数据维护 - 与因子挖掘、回测和日频信号直接衔接 关键入口：`alphapilot prepare_data download --stock_csv important_data/stock_lists/main_stock_2026_4_27.csv` <div align="center"> <img src="docs/assets/portal/market.png" alt="市场数据：数据动作、股票池与单股管理" width="860"> </div> ### 通知与远程控制 研究任务往往耗时较长，AlphaPilot 内置任务通知与双向聊天命令系统：后台任务结束会主动推送结果，你也可以直接通过聊天工具远程发起、查询和管理任务，无需一直守在终端前。 - 支持 **Telegram、飞书、邮件** 三种通知渠道 - 任务完成（或全部任务）自动推送结果与状态 - Telegram / 飞书 命令接收器，支持 `/mine`、`/backtest`、`/data`、`/status`、`/jobs`、`/cancel`、`/log`、`/result` 等命令 - 白名单用户鉴权，可远程发起任务并查看日志、产物与运行状态 - 凭证在门户「通知」页配置，或通过 `ALPHAPILOT_NOTIFY_*` 环境变量注入 关键入口：`alphapilot notify_commands --channel telegram` <div align="center"> <img src="docs/assets/portal/notifications.png" alt="通知配置与命令接收器" width="860"> </div> ## 🚀 快速开始 以下流程以本地安装为主，目标是尽快跑通一条最短闭环。**Docker 一键部署**请直接看 [docs/DOCKER.md](docs/DOCKER.md)。 ### 1. 创建环境 ```bash conda create -n alphapilot python=3.11 conda activate alphapilot ``` ### 2. 安装项目 ```bash git clone https://github.com/ai-yang/AlphaPilot.git cd AlphaPilot pip install -e . ``` 如需使用 Web 门户前端，请额外准备 Node.js，并在 `alphapilot/modules/portal/web` 下构建前端资源： ```bash cd alphapilot/modules/portal/web npm install npm run build cd ../../../../ ``` ### 3. 配置环境变量 ```bash cp .env.example .env ``` 至少补齐以下配置： ```env OPENAI_API_KEY=<your_api_key> OPENAI_BASE_URL=<your_api_base_url> CHAT_MODEL=<your_chat_model> REASONING_MODEL=<your_reasoning_model> ``` API key 填写说明： - `OPENAI_API_KEY` 要填写你实际使用的模型服务商签发的 key。 - 如果使用官方 OpenAI API，`OPENAI_BASE_URL` 一般填写 `https://api.openai.com/v1`。 - 如果使用 Azure OpenAI 或其他 OpenAI 兼容网关，需要同时把 `OPENAI_BASE_URL` 和 `OPENAI_API_KEY` 都替换成同一平台提供的值，不要把一个平台的 key 和另一个平台的 base URL 混用。 - `CHAT_MODEL` 和 `REASONING_MODEL` 也必须填写当前 `OPENAI_BASE_URL` 下真实可用的模型 ID。 - `.env` 中直接填写原始字符串即可，不要把真实 key 提交到仓库。 ### 4. 准备数据 ```bash alphapilot prepare_data download \ --stock_csv important_data/stock_lists/main_stock_2026_4_27.csv \ --adjust_mode backward alphapilot prepare_data convert \ --stock_csv important_data/stock_lists/main_stock_2026_4_27.csv \ --adjust_mode backward \ --market main_stock_2026_4_27 ``` ### 5. 启动门户 在 AlphaPilot 的 Python 环境中，为 GUI 创建研究凭据，再启动门户： ```bash alphapilot research_token create --client_id=gui --scopes=research:read,research:write,jobs:submit,jobs:cancel,data:write,signals:write,schedules:write alphapilot portal ``` 默认访问地址：`http://127.0.0.1:19901` 将创建命令返回的 `token` 输入顶栏「研究服务」，连接后即可使用研究页面。Token 仅保存在页面内存中，刷新后需要重新输入；明文 Token 只在创建时显示一次。已有有效凭据可直接复用，GUI 与各 Agent 应分别创建凭据。研究鉴权始终生效，与交易操作员鉴权设置独立。 已有工作区升级前先阅读 [研究 API 停机迁移说明](docs/research/migration.md)；旧研究 API 已停用，客户端应使用 `/api/v1`。 > 时区默认 **Asia/Shanghai**（影响定时任务触发与时间戳显示）。可在门户「高级」页「门户设置」修改，或用 `alphapilot timezone Asia/Shanghai` 设置。 ### 6. 运行一次任务 启动一次因子挖掘： ```bash alphapilot mine --direction "行为金融学假说" --step_n 5 ``` 或对已有因子文件执行一次回测： ```bash alphapilot backtest --factor_path /path/to/factors.csv ``` 或者先把策略快照成一个可恢复的交易会话，再生成下一交易日的调仓计划： ```bash alphapilot trade_session_create --strategy_name "<策略名>" --name demo_session --init_cash 500000 alphapilot daily_signals --session demo_session ``` 或创建一个正式技术指标择时实例并运行统一回放： ```bash alphapilot trading_instance_create \ --instance_id=ma_5_20 --strategy_id=dual_ma --universe=600000.SSE \ --params='{"short_window":5,"long_window":20}' --frequency=day \ --data_policy='{"feature_adjustment":"backward","history_window":21}' \ --portfolio_policy='{"policy_id":"timing_fixed_exposure","params":{"target_percent":0.2}}' alphapilot trading_instance_validate --instance_id=ma_5_20 alphapilot trading_backtest --instance_id=ma_5_20 \ --wait=True --output_dir=./results/ma_5_20 ``` ### 7. 体验模拟盘，再接入实盘（可选） 先查看当前运行模式和已安装的券商 / 行情插件： ```bash alphapilot live_modes alphapilot live_plugins alphapilot live_brokers alphapilot live_quote_providers ``` 不安装任何真实券商插件也可以使用内置 paper broker。安装 XTP Pro / EMT 插件后，先做不登录、不下单的预检，再尝试连接： ```bash alphapilot live_preflight --broker xtp --network=False alphapilot live_connect --mode live --broker xtp --timeout 30 ``` 券商 SDK 和适配器不随核心仓库同步，请从授权的私有索引或本地 wheelhouse 安装。真实连接所需凭证只应放在本地 `.env` 或部署环境中；完整步骤见 [实盘接入文档](docs/live-xtp.md)。 ## 研究 API 与 MCP 接入 [alphapilot-mcp](https://github.com/ai-yang/alphapilot-mcp) 是独立维护的 TypeScript 服务，要求 **Node.js 22+**。它只通过 HTTP 调用 AlphaPilot `/api/v1`，MCP 所在环境无需安装 Python、Qlib 或 Torch；AlphaPilot 后端仍需独立运行并准备好数据和模型配置。 ```mermaid flowchart LR Agent[Codex / Claude Code / DeepSeek Harness] --> MCP[alphapilot-mcp] MCP --> API[Portal /api/v1] GUI[Web GUI] --> API API --> Service[研究服务与持久任务队列] Channels[飞书 / Telegram / 调度器] --> Service Service --> Worker[研究 worker] ``` GUI 与各 Agent 可以查看、操作同一工作区的任务和结果。飞书、Telegram 的聊天命令继续通过内部研究服务接入，各自保留渠道认证。MCP 本身不需要模型 API Key；使用自主挖掘时，仍由 AlphaPilot 后端调用已配置的模型。 ### 工具范围与调用方式 当前实现 **87 个具名工具，默认启用 `core` 组的 44 个**。实际可见工具取部署启用组、后端能力和当前凭据权限的交集。 | 工具组 | 主要能力 | 默认 | |--------|----------|------| | `core` | 资源目录与行情查询、表达式验证、因子/策略/股票池、自主/AFF/GP/RL 挖掘、因子回测与策略复测、任务控制、运行和产物读取 | 启用 | | `data` | 行情下载、更新、转换、复权与单股票维护 | 关闭 | | `files` | 资产导入导出、报告因子提取与审核入库 | 关闭 | | `signals` | 日频模拟会话、历史、资金调整、信号预览与推进 | 关闭 | | `schedules` | 研究调度的查询、创建、修改、暂停、恢复和触发 | 关闭 | | `cleanup` | 研究资产、任务、运行、上传和行情记录的删除或清理 | 关闭 | 扩展组由部署者通过 `ALPHAPILOT_MCP_GROUPS` 配置，并授予对应的研究权限；模型不能自行开启。MCP 研究工具不提供实盘下单、券商控制、服务器管理或任意 Shell/Python 执行。完整映射见 [MCP 工具目录](https://github.com/ai-yang/alphapilot-mcp/blob/main/docs/tools.md)。 典型调用顺序是 `get_capabilities` → `list_datasets` / `list_stock_pools` / `list_templates` / `list_models` → `validate_factors` → `submit_factor_backtest` 或 `start_mining` → `get_job` / `get_job_result`。因子回测支持库内引用或内联表达式，以及 `single_ic`、`multi_combined`、`multi_sequential` 三种模式。 - 提交任务必须提供 `idempotency_key`，立即返回 `job_id`；查询工具继续跟踪状态、日志和产物。提交结果未确认时，用相同输入和原键重试。 - 挖掘使用有限步数或迭代数；任务默认执行预算为 3600 秒，受后端上限约束。可信检查点可通过 `resume_run_id` 续跑到新任务，保留原运行记录。 - 关闭 Agent、断开 MCP 或取消一次工具调用不会停止已提交任务；停止计算需显式调用 `cancel_job`。更新版本化资产使用 `expected_revision`，避免覆盖其他客户端的修改。 - 文件通过配套 CLI 上传/下载，工具只接收 `upload_id` / `artifact_id`；大型报告和文件内容无需经过模型上下文。 ### 本地安装与 Codex 配置 **当前交付为源码和可安装 npm tarball，尚未发布公共 npm 包。独立 GitHub 仓库目前为私有，需要相应访问权限。** 以下使用本地构建，无需等待 npm 发布。 先完成上面的数据准备和门户启动，再在 AlphaPilot 的 Python 环境中另开终端，为 Codex 创建独立凭据： ```bash alphapilot research_token create --client_id=codex --scopes=research:read,research:write,jobs:submit,jobs:cancel ``` 在 AlphaPilot 项目目录外获取并构建 MCP 服务： ```bash git clone https://github.com/ai-yang/alphapilot-mcp.git cd alphapilot-mcp npm ci npm run build export ALPHAPILOT_BASE_URL=http://127.0.0.1:19901 export ALPHAPILOT_RESEARCH_TOKEN='替换为刚创建的研究 Token' node dist/cli.js doctor ``` `doctor` 检查连接、API 版本、权限和数据可用性，不启动研究任务。MCP 不会自动读取 AlphaPilot 的 `.env`，需显式提供以上环境变量。也可运行 `npm pack`，再用 `npm install -g ./alphapilot-mcp-0.1.0.tgz` 安装 CLI。 在 Codex 的 `~/.codex/config.toml` 中加入以下配置，将路径和 Token 替换为本机实际值。`command` 指向 Node.js 22+，必要时使用 Node 可执行文件的绝对路径： ```toml [mcp_servers.alphapilot] command = "node" args = ["/absolute/path/alphapilot-mcp/dist/cli.js", "serve", "--transport", "stdio"] startup_timeout_sec = 60 tool_timeout_sec = 45 [mcp_servers.alphapilot.env] ALPHAPILOT_BASE_URL = "http://127.0.0.1:19901" ALPHAPILOT_RESEARCH_TOKEN = "REPLACE_WITH_CODEX_RESEARCH_TOKEN" ALPHAPILOT_MCP_GROUPS = "core" ``` 凭据保存在本机客户端配置中，不要提交到 Git。重启 Codex 会话或应用后，在 CLI 中用 `/mcp` 检查 `alphapilot` 是否已加载。由 Codex 启动 stdio MCP 进程，AlphaPilot Portal 保持独立运行。 连接后可先让 Agent「列出可用数据集和股票池，并验证 `ZSCORE(-TS_SUM($return,5))`，暂不提交任务」；确认资源后再指定数据集、日期和预算提交回测或挖掘。 ### 其他客户端与远程部署 三个客户端使用同一套工具，均提供 stdio 和 Streamable HTTP 配置： | 客户端 | 配置位置 | 示例 | |--------|----------|------| | Codex | `config.toml` 的 `mcp_servers.alphapilot` | [stdio](https://github.com/ai-yang/alphapilot-mcp/blob/main/examples/codex-stdio.toml) / [HTTP](https://github.com/ai-yang/alphapilot-mcp/blob/main/examples/codex-http.toml) | | Claude Code | `.mcp.json` 的 `mcpServers.alphapilot` | [stdio](https://github.com/ai-yang/alphapilot-mcp/blob/main/examples/claude-stdio.mcp.json) / [HTTP](https://github.com/ai-yang/alphapilot-mcp/blob/main/examples/claude-http.mcp.json) | | DeepSeek Harness | `@deepseek-ai/dsh-mcp-client` 的 Cordis YAML；显式传入环境变量和 Token | [stdio](https://github.com/ai-yang/alphapilot-mcp/blob/main/examples/harness-stdio.yaml) / [HTTP](https://github.com/ai-yang/alphapilot-mcp/blob/main/examples/harness-http.yaml) | 例如，`node dist/cli.js config --client claude-code --transport stdio` 可输出 Claude Code 配置模板；`--client` 还支持 `codex`、`deepseek-harness`，远程配置使用 `--transport http`。stdio 模板中的 `npx alphapilot-mcp@0.1.0` 面向后续 npm 发布；发布前请替换为上面的本地 `node …/dist/cli.js` 或已安装的 `alphapilot-mcp` 命令。每个客户端分别创建后端研究凭据。 私有 HTTP 服务默认监听 `127.0.0.1:19902/mcp`，远程通过 HTTPS 网关连接。HTTP 客户端使用独立的 **MCP Bearer**，服务端将其映射到相应的 AlphaPilot 研究凭据；两种 Token 不通用。当前采用私有静态 Bearer 鉴权。凭据映射、文件传输 CLI 和 Docker 部署见 [MCP 仓库说明](https://github.com/ai-yang/alphapilot-mcp#readme)。 研究 API 契约见 [接口说明](docs/research/README.md) 和 [OpenAPI v1](docs/research/openapi-v1.json)，恢复与分页约定见 [后端 MCP 支持说明](docs/research/mcp-support.md)。已完成一轮真实挖掘、检查点续跑、内联表达式回测及产物下载验证，详见 [真实数据验收记录](docs/research/mcp-live-acceptance.md)；三客户端协议测试的版本和范围见 [MCP 验收记录](https://github.com/ai-yang/alphapilot-mcp/blob/main/docs/acceptance.md)。 ## 🧩 自定义策略教程 AlphaPilot 中有两类容易混淆的“策略”：`strategy_create` 创建的是由因子、模型和回测配置组成的**研究策略资产**；本节创建的是向统一交易运行时提供信号的**策略定义**。下面使用接口简单、可自动适配到正式运行时的 Provider v1，完成“写代码 → 注册 → 创建实例 → 预览 → 回测”的完整流程。 ### 1. 创建策略目录 在仓库根目录下创建一层策略目录。注册器只扫描 `strategies/<策略 ID>/strategy.toml`，不会递归导入其他 Python 文件： ```text strategies/close_above_sma/ ├── strategy.py └── strategy.toml ``` 将下面的代码保存为 `strategies/close_above_sma/strategy.py`： ```python from __future__ import annotations import pandas as pd from alphapilot.systems.timing.base import TimingContext from alphapilot.systems.timing.strategies import RuleTimingStrategy class CloseAboveSMA(RuleTimingStrategy): """收盘价高于均线时持有，否则空仓。""" name = "close_above_sma" defaults = {"window": 20} def _instrument_signal( self, bars: pd.DataFrame, context: TimingContext, ) -> pd.DataFrame: del context close = pd.to_numeric(bars["close"], errors="coerce") average = close.rolling(int(self.params["window"])).mean() signal = (close > average).fillna(False).astype(int) score = (close / average - 1).fillna(0.0) return self._frame(bars, signal, score, "close_above_sma") ``` `RuleTimingStrategy` 会按 `instrument` 分组，并由 `_frame` 生成运行时需要的 `datetime`、`instrument`、`signal`、`target_percent`、`score` 和 `reason` 列。输入 `bars` 至少包含 `datetime`、`instrument`、`open`、`high`、`low`、`close`，使用成交量时还可读取 `volume` 和 `amount`。这里约定 `signal=1` 表示做多、`signal=0` 表示空仓；策略只生成信号，不能访问 Broker 或直接提交订单。 ### 2. 声明策略清单 将下面的清单保存为 `strategies/close_above_sma/strategy.toml`： ```toml [strategy] id = "close_above_sma" version = "1.0.0" kind = "rule" factory = "strategy:CloseAboveSMA" api_version = 1 provider_api_version = 1 signal_kind = "instrument_timing" supported_assets = ["equity", "fund"] supported_frequencies = ["day"] required_history = 21 state_schema_version = 1 supported_run_modes = ["paper", "simulation", "shadow", "live"] description = "Long when close is above its simple moving average." parameter_schema_json = ''' {"type":"object","properties":{"window":{"type":"integer","default":20,"minimum":2}},"required":["window"],"additionalProperties":false} ''' ``` `factory` 使用“模块文件名:类名”格式；`parameter_schema_json` 决定实例参数的默认值和校验规则。`required_history` 是默认预热长度；当参数名包含 `window` 时，系统还会根据实例的实际窗口自动提高预热长度，例如 `window=60` 会要求至少 61 根 Bar。 改成自己的算法时，通常只需要做三件事：在 `_instrument_signal` 中替换指标和开平仓条件；把每个可调参数同时加入 `defaults` 与 `parameter_schema_json`；让 `required_history` 覆盖指标所需的最长历史窗口，并按实际数据频率更新 `supported_frequencies`。 ### 3. 检查注册结果 从仓库根目录运行： ```bash alphapilot trading_definitions ``` 输出的 `definitions` 中应出现 `close_above_sma`。如果它出现在 `quarantined` 中，请按其中的 `reason` 检查 TOML、导入路径、重复 ID 或 API 版本。若策略不放在仓库的 `strategies/` 下，可设置 `ALPHAPILOT_STRATEGY_DIR=/绝对路径/strategies`；Portal 已经运行时，修改代码或清单后需要重启 Portal 才会重新发现策略。 ### 4. 创建实例并回测 先按[快速开始](#-快速开始)准备好行情数据，然后创建一份带具体参数、股票池、数据政策和仓位政策的实例： ```bash alphapilot trading_instance_create \ --instance_id=sma_20_demo \ --strategy_id=close_above_sma \ --universe=600000.SSE \ --params='{"window":20}' \ --frequency=day \ --data_policy='{"feature_adjustment":"backward","history_window":21,"data_version":"daily-bars-2026-07"}' \ --portfolio_policy='{"policy_id":"timing_fixed_exposure","params":{"target_percent":0.2,"cash_buffer":0.1,"max_position_weight":0.3}}' alphapilot trading_instance_validate --instance_id=sma_20_demo alphapilot trading_preview --instance_id=sma_20_demo \ --output_path=./results/sma_20_preview.json alphapilot trading_backtest --instance_id=sma_20_demo \ --wait=True --output_dir=./results/sma_20_replay ``` 其中 `target_percent` 属于 PortfolioPolicy，而不是信号算法：它控制信号激活时单个标的的目标仓位。这样，同一套信号代码可以用不同的仓位、现金缓冲和持仓上限创建多个实例。回放结果会在输出目录中保存信号、目标权重、委托、成交、持仓、权益和汇总文件。 ### 5. 编写多因子或模型策略 复杂策略不要把数据读取、模型推理、组合构建和下单揉在一个类里。推荐按以下边界拆分：Provider 计算因子并输出 `SignalEnvelope`，模型及因子版本放入不可变研究 artifact，PortfolioPolicy 把信号转成目标权重，AccountSizer、RiskGate 和 OMS 继续由框架负责。需要跨周期缓存、在线模型状态或断点恢复时使用 Provider v2，并实现 `initialize`、`warmup`、`evaluate`、`snapshot`、`restore` 和 `stop`。 因子模型已有研究资产时，先把它快照成实例： ```bash alphapilot trading_instance_from_research \ --instance_id=lgb_factor_v3 \ --strategy_name=my_lgb_factor_asset \ --universe=600000.SSE,000001.SZ,510300.SSE \ --portfolio_policy='{"policy_id":"selection_topk_dropout_equal_weight","params":{"topk":10,"n_drop":2,"max_position_weight":0.1}}' alphapilot trading_instance_validate --instance_id=lgb_factor_v3 ``` 快照会绑定模型 SHA-256、因子与数据指纹、股票池和政策。不同模型或因子组合建议使用不同实例 ID；不要让运行中策略读取任意模型路径。参数、模型、因子、股票池、数据政策或 PortfolioPolicy 改变后，旧部署配置会保留但标记为 `stale`：先停止 daemon、重新验证实例，再调用一次 `trading_deploy` 绑定新的 `config_hash`。 ### 6. 独立配置 PAPER、仿真、SHADOW 或 LIVE REPLAY 只是 `trading_backtest` 执行的历史回放，不是部署级别。验证后的实例可以在 daemon 停止时直接配置或替换任意受支持运行模式，不需要逐级“晋级”： ```bash # 内置本地撮合；Provider 固定为 paper alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=paper # 券商仿真柜台；Provider 必须声明 simulation 账户能力 alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=simulation \ --trade_provider=tts --quote_provider=emt --account_profile=tts-sim-main # 真实账户只读影子运行；永远不能路由订单 alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=shadow \ --trade_provider=xtp --quote_provider=xtp --account_id=YOUR_ACCOUNT_ID # 直接配置 LIVE（不依赖 PAPER/SHADOW/UAT/一致性记录） ALPHAPILOT_AUTOMATED_LIVE_ENABLED=true \ alphapilot trading_deploy --instance_id=sma_20_demo --run_mode=live \ --trade_provider=xtp --quote_provider=xtp --account_id=YOUR_ACCOUNT_ID alphapilot trading_start --instance_id=sma_20_demo alphapilot trading_deployment_subscribe \ --instance_id=sma_20_demo --symbols=600519.SSE,510300.SSE alphapilot trading_deployments alphapilot trading_diagnostics --instance_id=sma_20_demo ``` `trading_deployment_subscribe` 只扩展该运行实例的观察行情，不修改实例 universe、`config_hash`、`binding_hash`、stale 状态或路由权限。LIVE 启动后先停在待对账状态；运行 `trading_reconcile` 成功后，再显式运行 `trading_resume`。即使不再有晋级门禁，LIVE 仍会逐单检查环境开关、账户与 Provider 绑定、单账户单写者、合约/行情、心跳、对账、Kill Switch 和 RiskGate。PAPER/SHADOW 会话与 `trading_decision_compare` 只提供诊断，不改变部署权限。 Portal 对所有 `/api/live`、`/api/trading` 写操作统一使用操作员鉴权，默认模式是 `required`，包括策略实例、部署配置与生命周期、Kill Switch、daemon 和手工交易。先在本机生成令牌，明文只返回一次： ```bash alphapilot trading_operator_token \ --operator_id=alice --label=portal --expires_in_days=1 ``` 如确需在受信任实验网络中免令牌操作，只能从本机 CLI 修改，配置保存到 `~/.alphapilot/portal/settings.json`，重启后生效： ```bash # 查看保存值、当前运行值和是否需要重启 alphapilot portal_operator_auth # 高风险：关闭强制鉴权并立即请求重启 alphapilot portal_operator_auth \ --required=false \ --operator_id=alice \ --reason="trusted lab network" \ --acknowledge_network_risk=true \ --restart=true # 恢复默认安全模式 alphapilot portal_operator_auth \ --required=true \ --operator_id=alice \ --reason="restore required authentication" \ --restart=true ``` `ALPHAPILOT_OPERATOR_AUTH_REQUIRED` 仍可作为环境覆盖且优先级更高；与 CLI 目标冲突时，CLI 会拒绝写入。`optional` 会允许所有可达客户端在无令牌时以 `portal-unauthenticated` 执行交易写操作；主动提供的令牌仍会校验并记录真实操作员，无效令牌仍返回 401。系统允许 `0.0.0.0 + optional + ALPHAPILOT_AUTOMATED_LIVE_ENABLED=true`，并保留通配 CORS——这意味着局域网客户端和跨站网页都可能无令牌发起真实交易请求。Portal 警告、请求/结果审计、账户绑定、对账、Kill Switch、RiskGate 等交易安全检查会保留，但不能替代网络认证。 迭代策略时，请同步提升清单中的 `version` 并重启长驻进程。代码、版本或任何实例绑定变化都会产生新的 `config_hash` 并要求重新验证和重新绑定部署，但不会删除原部署配置或运行诊断。 仓库内还有一个带成交量确认的完整样例：[`strategies/dual_ma_volume_confirmed`](strategies/dual_ma_volume_confirmed)。需要生命周期状态、快照与恢复能力时，可继续实现 Provider v2；接口、pip entry point 和自定义 PortfolioPolicy 见[自定义策略开发文档](docs/developer/strategy-extension.md)，实例生命周期和常见错误见[策略实例指南](docs/user/strategy-instances.md)。 ## 🧭 典型工作流 1. 先用 `prepare_data` 准备行情和 Qlib 数据；因子 h5 cache 会由回测/挖掘任务按需自动生成。 2. 用 `mine` 或 AlphaForge 系列命令生成候选因子。 3. 用 `backtest` 做组合回测或 IC 快筛，并在门户中查看结果。 4. 将有效策略沉淀到策略资产，再用 `strategy_backtest`、`daily_signals` 或可恢复的 `trade_session` 持续验证。 5. 如需走向交易，先验证实例，再独立选择 `paper | simulation | shadow | live` 部署；`dry_run` 只属于底层调试，REPLAY 只属于回测。研究团队可自行要求演练时长或一致性阈值，但这些诊断不授予或阻断 LIVE。 ## 📚 更多文档 - [中文文档中心：用户手册、开发文档与完整参考](docs/index.md) - [完整 CLI 命令参考](docs/alphapilot-cli.md) - [Research API v1、鉴权与共享任务](docs/research/README.md) - [独立 MCP 服务、客户端配置与安装](https://github.com/ai-yang/alphapilot-mcp) - [MCP 真实数据验收与复现](docs/research/mcp-live-acceptance.md) - [策略实例、预览和统一回测](docs/user/strategy-instances.md) - [自定义策略、PortfolioPolicy 与 artifact](docs/developer/strategy-extension.md) - [项目目录与架构说明](docs/alphapilot-structure.md) - [Docker 部署与服务化运行](docs/DOCKER.md) - [Docker 实际运行记录与排错](docs/DOCKER-RUN.md) - [XTP Pro / EMT 实盘接入](docs/live-xtp.md) - [OpenCTP TTS 柜台仿真接入](docs/tts-simulation.md) - [实盘券商/行情 pip 插件开发与安装](docs/live-plugins.md) - [important_data 目录、模板与资产说明](important_data/README.md) - [AlphaForge 相关说明](alphapilot/modules/alphaforge/README.md) ## 📂 目录结构 ```text AlphaPilot/ ├── alphapilot/ # 核心、研究系统、Live Runtime 与 Portal ├── strategies/ # 本地自定义信号策略与显式清单 ├── important_data/ # 因子库、策略资产、模板、股票池 ├── docs/ # CLI、Docker、架构与实盘接入文档 ├── scripts/ # 数据维护及实盘预检 / smoke 工具 ├── tests/ # 离线、集成与实盘契约测试 ├── Dockerfile.live # x86_64 券商 SDK 运行镜像 ├── docker-compose.yml # Docker 服务编排 └── README_en.md # 英文项目首页 ``` XTP Pro / EMT 的 SDK 绑定和 broker 插件属于可选、可能受许可约束的独立包，不是 AlphaPilot 核心源码的一部分；开发环境中出现的本地插件目录默认不参与 Git 同步。 ## 🚧 开发状态与路线图 > AlphaPilot 仍在持续开发中：目前存在部分已知 bug 正在修复与优化，功能和接口可能调整，项目会保持更新。 计划中的方向： - [ ] 加入美股的支持 - [ ] 继续扩展量化择时策略、分钟级研究能力和选股策略优化 - [ ] 优化交互界面，加入更多的可以调节的选项，包括调仓方法，LightGBM等模型参数设置 - [ ] 接入更多因子挖掘方法 - [ ] 持续修复已知问题、完善文档与稳定性 - [ ] 持续完善模拟盘/实盘交易系统、券商适配、恢复流程和安全控制 欢迎通过 Issue / PR 反馈问题与建议。 如果有疑问或者开发问题也可以发送邮件咨询：ruiwong@zju.edu.cn ## 开发日志 > 下表按提交时的实现状态记录。旧记录中的 `timing_*`、stage/parity/qualification、LIVE approval 等接口或门禁已在后续 0.2.0 重构中删除；当前用法以[文档中心](docs/index.md)和[自动生成 CLI 参考](docs/reference/cli.md)为准。 | 日期 | 类型 | 功能/模块 | 目标 | 关键改动 | 影响入口 | 验证 | 状态/后续 | |------|------|-----------|------|----------|----------|------|-----------| | 2026-09-16 | 新增与修复 | 独立 MCP 研究服务 | 让 Codex、Claude Code、DeepSeek Harness 与 GUI 共享研究工作区 | 发布独立仓库、stdio/Streamable HTTP、87 个工具与分组权限；完善检查点续跑、产物分页及一元正负号表达式解析 | `alphapilot-mcp`、`/api/v1`、`research_token` | 一轮真实挖掘与续跑、内联 IC 回测、跨客户端查询/取消、文件校验；213 项后端与因子测试、17 项 MCP 测试 | 源码/tarball 和 Docker 构建已验收；公共 npm 尚未发布，测试范围见验收记录 | | 2026-07-25 | 增强 | 动态观察行情与策略实例术语 | 在不中断 daemon 的情况下扩展展示行情，并明确区分策略实例与旧择时策略名称 | 新增 strategy/observer 两类订阅、50 个动态 observer 上限、首 Tick 等待状态、重连恢复和双层 universe 过滤；Portal 中原“择时策略”字段统一为“策略实例” | `live_daemon_subscribe`、`trading_deployment_subscribe`、Portal「模拟与实盘」页 | Live engine/market data/runner、CLI/API、Portal 交互与安全闭环测试 | 当前 observer 只增不减、停止 daemon 后清空；录制行情保留且不进入策略决策 | | 2026-07-24 | 安全 | Portal 操作员鉴权 | 让全部交易写接口默认要求操作员身份，同时保留显式的隔离网络实验模式 | `/api/live` 与 `/api/trading` 写操作统一使用 `required`/`optional` 模式；新增本机安全设置、只读安全状态、transport 审计和高风险网络提示 | `portal_operator_auth`、`GET /api/portal/security`、Portal 策略实例/模拟与实盘页 | Portal security、OpenAPI、CLI、前端交互和审计测试 | 默认保持 `required`；`optional` 不会关闭账户绑定、对账、Kill Switch 或 RiskGate | | 2026-07-24 | 破坏性重构 | 独立部署与中性诊断 | 将实例校验、部署配置和研究验收解耦，避免诊断事实隐式授予 LIVE 权限 | 引入 schema v10 `DeploymentSpec`、独立 PAPER/SIMULATION/SHADOW/LIVE 配置、运行诊断和通用 decision comparison；删除 promote/stage/parity/qualification/LIVE approval 状态机 | `trading_deploy`、`trading_diagnostics`、`trading_decision_compare`、`/api/trading/deployments/*` | schema v10、部署安全闭环、回放/实盘一致性、CLI/OpenAPI/Portal 回归 | 当前部署只要求已验证且绑定新鲜的实例；真实路由仍受环境开关、账户/Provider、对账、心跳和逐单风控约束 | | 2026-07-15 | 实盘验收 | 全接口验收、Broker UAT v2 与旧入口删除门禁 | 以一次性完整等价验收和真实券商回报证明正式链路可替代旧入口，同时保持 LIVE 20/5 日门禁独立 | schema v8 保存 Git/核心代码/native SDK/插件哈希、两子订单累计金额和 callback 状态；增加只读预检、私有凭据包装器、泄漏扫描，并拆分 removal/live qualification | `/api/trading/{compatibility,removal-check,broker-uat-runs}`、`alphapilot trading_broker_uat_preflight`、`scripts/broker_uat_local.py` | 全量后端与 Portal、正式接口矩阵、OpenAPI/CLI、wheel、XTP/EMT 真实模拟 UAT | 只有 removal qualification 全绿才删除旧入口；自动 LIVE 仍需独立 20 PAPER 日、5 SHADOW 日、parity 与人工授权 | | 2026-07-14 | 迁移与验收 | 新链路等价、Broker UAT 与旧入口删除门禁 | 在不提前删除兼容入口的前提下证明正式链路等价、确定且可恢复 | timing 兼容入口转接正式 REPLAY；增加精确历史窗口、决策 provenance、REPLAY/SHADOW parity、qualification、XTP/EMT 共用 UAT harness、多环境调用证据、schema v6/v7 和 commit 绑定的发布验证；固定 0.2.0 Sunset | `/api/trading/{compatibility,parity-runs,broker-uat-runs}`、`alphapilot trading_{compatibility,removal_check,parity_*,qualification,broker_uat_*}`、`docs/strategy-trading-migration-0.2.md` | 全量测试、Portal coverage/typecheck/build、OpenAPI/CLI、依赖边界、变更行覆盖率和 wheel smoke 必须由发布脚本在干净 commit 上生成报告 | 正式替代与兼容演练工具已落地；后续由 v8 验收门禁决定删除，20/5 日仅约束自动 LIVE | | 2026-07-14 | 全链路重构 | 策略实例到交易执行 | 让规则择时和 Qlib 横截面选股分别共享可恢复的信号、组合、账户 sizing、回放和实盘执行链路 | 新增纯 trading contracts、v1/v2 provider 生命周期与隔离 worker、独立组合政策注册、不可变 Qlib 研究 artifact、D 日决策/D+1 sizing、统一 ReplayRuntime、卖出后买入执行状态机、账户边界、操作员 token/LIVE approval/审计、schema v5 起始迁移、正式 `/api/trading`/`trading_*` CLI 和 Portal 工作台；组合策略只预留接口 | `/api/trading/*`、`alphapilot trading_*`、Portal「择时/实盘」页、`docs/strategy-trading-full-chain.md` | 后端与 Portal 回归、typecheck 和生产构建 | 代码闭环完成；自动 LIVE 默认关闭，仍需 20 日 PAPER、5 日 SHADOW 和 XTP/EMT UAT 后才可受限试运行 | | 2026-07-14 | 安全重构 | 策略运行安全闭环 | 让自动策略只有在部署状态、daemon 实况、账户绑定和恢复对账一致时才可路由 | 新增 `DeploymentCoordinator`、daemon control port、全绑定自动路由授权、实例/账户/全局 kill switch、真实数据但不可路由的 SHADOW、按配置哈希绑定的 PAPER/SHADOW stage evidence、SQLite v3 顺序迁移与备份；预留并行选股/个股择时/市场择时公共契约但不实现组合算法 | `/api/trading/deployments/*`、`/api/trading/stage-runs/*`、`/api/trading/kill-switches/*`、`alphapilot live_daemon_start --strategy-instance-id`、`docs/strategy-runtime.md` | 全量后端、Portal 前端和新增安全/迁移回归 | 完成首个安全闭环里程碑；仍需执行状态机、真实券商 UAT 和连续 PAPER/SHADOW 运行证据后才可小规模实盘 | | 2026-07-10 | 重构 | 实盘券商/行情插件 | 将券商 SDK 与 AlphaPilot 核心解耦，支持可发现、可安装和可卸载的实盘接入 | 将 XTP Pro 和 EMT 重构为 `alphapilot.live.plugins` entry point 插件，交易/行情通道可分别配置；新增插件发现、可用性检查及 `live_plugins` 入口 | `alphapilot live_plugins` / `live_brokers` / `live_quote_providers`；Portal「实盘」页；`docs/live-xtp.md`；`docs/live-plugins.md` | 新增插件安装与注册表测试，并覆盖 CLI、Portal 和 gateway 回归 | 仍在开发；需在目标券商环境持续验证连接、恢复和实盘安全控制 | | 2026-07-07 | 新增 | 模拟盘/实盘交易系统 | 打通从研究信号到模拟盘/实盘执行的统一交易层，并通过显式风控与确认流程约束真实资金操作 | 新增 `live` system/module，支持 paper、dry-run、live 模式；新增券商注册表与实盘适配；新增运行时预检查、连接、状态查询、手动下单、目标组合提交、守护进程生命周期控制、策略启动/暂停/恢复/停止、风控状态、追加式账本事件、恢复辅助能力，以及 Portal 实盘 API/UI 集成 | `alphapilot live_*` CLI；Portal「实盘」页；`/api/live/*`；`docs/live-xtp.md`；`Dockerfile.live` | 新增并扩展 live engine/runtime/risk/registry/strategy-runner/daemon/recovery/events 测试，以及 Portal live API/前端覆盖 | 仍在开发；后续继续验证券商侧行为、生产恢复、账户安全限制与实盘运行稳定性 | | 2026-07-01 | 新增 | 量化择时系统 | 在现有选股/回测流程之外提供可复用的技术指标择时能力，并为后续模拟盘/实盘接入预留执行边界 | 新增 `timing` system/module 与 `alphapilot timing_strategies` / `timing_signal` / `timing_backtest` CLI；实现 BOLL、SMA、双均线、RSI、KDJ、Aroon、StochRSI、ARBR 等内置策略；新增 pandas 技术指标与信号工具、长仓/空仓回测引擎、下一根 bar 开盘成交、手续费/滑点/整手约束、signals/trades/equity_curve/positions/summary 产物；Portal 新增「择时」页、API、后台任务与结果预览；股票池创建/追加支持从已下载股票中勾选；修复前端 `ignoreDeprecations` 以恢复 TypeScript 5.x typecheck | `alphapilot timing_*` CLI；Portal「择时」页；`/api/timing/*`；后台 job `timing_backtest`；Portal「市场数据」股票池管理 | 新增 `tests/test_timing_indicators.py`、`tests/test_timing_engine.py`、`tests/test_timing_system.py`；扩展 CLI、Portal API/job、前端页面与参数规格测试 | 已完成基础版；后续继续扩展分钟级择时、组合级资金分配与实盘适配 | | 2026-06-30 | 新增 | 分钟级数据工作流 | 将 AlphaPilot 从日频扩展到分钟级别，支持盘中研究流程 | 已支持分钟级别的数据下载、展示、因子挖掘和回测功能 | 市场数据下载；Portal 数据展示；因子挖掘；因子回测 | 待完整回归 | 已完成 | | 2026-06-29 | 新增 | 股票池管理 | 让用户可批量将股票组织成命名股票池，并在回测与因子挖掘中复用 | 新增 `stock_pool` CLI 模块及完整增删改查（`pool_create` / `pool_list` / `pool_add` / `pool_remove` / `pool_rename` / `pool_delete` 等）；股票池以 JSON 为真实来源并同步到 Qlib instruments；Portal「市场数据」页新增股票池管理区块，挖掘 / 回测 / 库管理 / 调度器表单的「市场 / 股票池」字段改为股票池下拉选择 | `alphapilot pool_*` CLI；Portal「市场数据」页；挖掘 / 回测 / 库管理 / 调度器表单；`/api/data/instrument-sets`；`/api/modules/run` | `pytest tests/test_stock_pool.py tests/test_kernel_registry.py`；`npm run build`；`npm run test` | 已完成 | | 2026-06-26 | 新增 | Portal 参数帮助 | 让复杂任务/配置面板更易理解、更一致 | 新增可复用问号帮助面板，扩展挖掘、回测、库管理、市场数据、日频交易、调度器、通知与高级设置说明；补充 Daily Trade 左侧标题 | Portal 各任务/配置面板 | `npm run build`；`npm run typecheck` 因现有 `tsconfig.json` 中 `ignoreDeprecations: "6.0"` 与 TypeScript 5.9 不兼容而阻塞 | 已完成；修复 tsconfig 后再依赖 typecheck | | 2026-06-24 | 优化 | Portal 市场数据 / K 线图 | 提升本地 K 线查看体验 | 主图 + 副图布局；副图支持成交额、成交量、换手率、涨跌幅切换；新增范围按钮、统一 hover、深浅主题适配 | Portal「市场数据」页 | `npm run typecheck`；`npm run build` | 已完成 | | 2026-06-24 | 新增 | 因子库 / 重复检查 | 帮助清理重复或近似重复因子，降低因子库维护成本 | 新增重复因子检测、建议保留/删除、批量删除相关 API 与 Portal 入口 | Portal「因子/策略库」页；`/api/factors/duplicates`；`/api/factors/bulk-delete` | 前端 `npm run typecheck`；`npm run build` 覆盖 UI 编译 | 已完成 | > [!WARNING] > 实盘方案仍在验证中，请勿随意登录自己的实盘账号。 ## 🙏 致谢 本项目受到 [RndmVariableQ/AlphaAgent](https://github.com/RndmVariableQ/AlphaAgent) 以及[DulyHao/AlphaForge](https://github.com/DulyHao/AlphaForge)启发，进行开发与优化。感谢原作者与社区的工作。 <div align="center"> <br> <img src="docs/logo.svg" alt="AlphaPilot" width="72" align="middle"> &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<b>×</b>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <img src="docs/zju_eagle_lab.svg" alt="ZJU Eagle Lab" width="72" align="middle"> <br><br> _{<b>AlphaPilot · 股票量化研究平台</b>&nbsp;&nbsp;×&nbsp;&nbsp;<b>ZJU Eagle Lab</b>} </div>