企业官网建设流程全解析

Qbot：LSTM+Transformer选股流水线，三步跑通本地智能选股回测

【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

去年三月，我在Qbot里跑完一次回测，看到一笔追高单挂在20日最高点，五天后才触发止损离场。问题不在手速，在于"买在哪个位置"完全靠人盯。Qbot的LSTM+Transformer智能选股流水线，就是把收盘价序列转成买卖信号的一套本地方案。

1. 看懂"行情→信号"的完整流水线
2. 三步跑通一个LSTM回测
3. 上手前避开四个高频坑

Qbot智能选股能力速览

一条数据链：从行情到交易信号

行情数据进厂。lstm_strategy_bt.py 通过 Tushare（国内主流行情API）拉取 600018 的前复权日线，跨度约两年半（2020-01-01 至 2023-01-31）。前复权，就是把历史价格按分红送股折算，避免除权日出现假跳空。

特征提取。拿到收盘价后先做 MinMaxScaler 归一化，把价格压到 0~1 区间。归一化的意义很直接：LSTM对数值尺度敏感，10元的票和1000元的票放在同一窗口里没法比较。

LSTM趋势建模。归一化后的序列切成滑动窗口：取前 20 个交易日（源码参数 lookback=20）预测第 21 天的收盘价。模型只有三层，结构见源码：

# 20日收盘价窗口，1维输入 model.add(LSTM(units=self.p.neurons, input_shape=(self.p.lookback, 1))) model.add(Dropout(0.2)) model.add(Dense(units=1)) # 输出：次日预测价

训练用前 80% 数据（train_size=0.8），跑 50 轮。信号规则写得很死：预测价高于现价就买 100 股；持仓后收盘价超过成本价 5%（源码里是* 1.05）就清仓。回测初始资金 1 万，手续费万分之一。

Transformer跨因子注意力。第二道工序在 docs/tutorials_code/13_Transformer/。把序列窗口设为 24 天（seq_len=24），24 天每天的价格在模型里是一个"token"，8 个注意力头（num_heads=8）、2 层编码器（num_layers=2）、512 维隐层，学习"窗口里哪些天更该被重视"。类比一下：LSTM 像顺着一段录音从头听到尾，Transformer 像先扫一遍全篇再回头重点听几处——哪些天的价格变动对下一天更有参考意义，权重由训练自己给，而不是写死"最近三天最重要"。

信号融合。趋势判断和股票池筛选在仓库里分属两个模块：多因子策略用线性回归对 pe_ttm、pb、roe_ttm 三个因子做动态加权，得分最高的前 10 只进入持仓（num_stocks=10）。组合方式是：因子得分先筛股票池，LSTM 再决定池内个股的买卖时点。两个模块在仓库中独立运行，融合逻辑需要自己拼接，参考 docs/03-智能策略/model_zoo.md。

三步跑通LSTM回测

1. 装依赖：建 Python 3.8 环境（安装指南 声明仅在 3.8/3.9 下测试过），再装仓库自带的 TA-Lib wheel：python3.8 -m pip install dev/TA_Lib-0.4.28-cp38-cp38-linux_x86_64.whl
2. 配数据源：编辑 utils/configure/config.json，填入 Tushare 的 token：

"ts_token": "你的Tushare令牌"

3. 跑回测：python qbot/strategies/lstm_strategy_bt.py。脚本会自动经 Tushare 拉前复权数据并打印 Sharpe 比率。

⚠️ 四个高频坑

1. Python 版本要卡死：官方只在 3.8/3.9 下测试过（依据：docs/Install_guide.md 首段加粗说明）。3.10+ 的 pip 装不上仓库里 cp38/cp39 的 wheel。
2. 窗口长度决定数据下限：lookback=20 意味着至少 20 个交易日才能产出第一个预测，数据太短模型直接没料可学（依据：lstm_strategy_bt.py 的_prepare_X）。
3. 止盈阈值写死在源码：5% 的卖出条件直接是position.price * 1.05，想改参数要动代码而不是改配置（依据：同文件next方法）。
4. 别拿单票策略当全市场选股用：LSTM 示例只回测单只 600018；股票池层面的筛选在 multi_factor_strategy.py，两模块能力边界不同（依据：两文件__main__入口）。

一句话总结：Qbot 把"行情进、信号出"拆成 LSTM 与 Transformer 两道可回测的工序，数值、路径全部可查。

• 策略源码库：qbot/strategies/
• 智能策略文档：docs/03-智能策略/
• 常见问题：docs/FQA.md

【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