# llmalpha **Repository Path**: linjianliang/llmalpha ## Basic Information - **Project Name**: llmalpha - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-01-07 - **Last Updated**: 2026-01-07 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # LLM Alpha **基于大语言模型驱动的加密货币自主 Alpha 研究系统** 一个自动化闭环系统，LLM 持续生成、测试和迭代交易假设，直到产生经过验证的策略。 ## 核心概念 ``` ┌─────────────────────────────────────────────────────────────────┐ │ LLM 驱动的自主研究循环 │ └─────────────────────────────────────────────────────────────────┘ ┌──────────────┐ │ LLM │ │ (GPT/Claude/ │ │ 本地模型) │ └──────┬───────┘ │ ┌───────────────────────┼───────────────────────┐ ▼ ▼ ▼ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ 市场知识 │ │ 数据 │ │ 知识库 │ │ (论文、模式) │ │ 分析 │ │ (历史经验) │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ │ └───────────────────────┼───────────────────────┘ ▼ ┌──────────────────────┐ │ 生成假设 │ │ (因子/信号/策略) │ └──────────┬───────────┘ ▼ ┌──────────────────────┐ │ 生成代码 │ │ (可执行 Python) │ └──────────┬───────────┘ ▼ ┌──────────────────────┐ │ 回测 (VectorBT) │ └──────────┬───────────┘ ▼ ┌──────────────────────┐ │ 验证 (WF/滚动) │ └──────────┬───────────┘ ▼ ┌────────────────┴────────────────┐ ▼ ▼ ┌───────────┐ ┌───────────┐ │ 通过 │ │ 失败 │ └─────┬─────┘ └─────┬─────┘ │ │ ▼ ▼ ┌─────────────────┐ ┌─────────────────────┐ │ 保存到 │ │ 分析失败原因 │ │ strategies/ │ │ 记录到知识库 │ └─────────────────┘ └──────────┬──────────┘ │ ┌──────────────────────┴──────────────────────┐ ▼ ▼ ┌────────────────┐ ┌────────────────┐ │ 迭代/优化 │ │ 放弃 & │ │ (调整参数) │ │ 新假设 │ └───────┬────────┘ └────────────────┘ │ └─────────► 返回 LLM 进行下一轮迭代 ``` ## 功能特性 - **LLM 智能体**: 自主假设生成（支持 GPT-4/Claude/本地 LLM） - **自动迭代**: 基于回测结果的闭环优化 - **三层架构**: 因子 → 信号 → 策略 分离设计 - **知识库**: 基于 SQLite 的历史成功/失败学习 - **数据管道**: 异步高并发 Binance 数据下载器 - **回测引擎**: VectorBT 集成，快速向量化回测 - **验证系统**: Walk-Forward + 滚动窗口 防过拟合检验 - **参数优化**: 基于 Optuna 的参数搜索 - **命令行界面**: 完整的 CLI 接口 ## 安装 ```bash # 克隆仓库 git clone https://github.com/your-username/llmalpha.git cd llmalpha # 安装 pip install . # 或安装开发依赖 pip install -e ".[dev]" ``` ## 配置 ### 1. 设置 API 密钥 在项目根目录创建 `.env` 文件： ```bash # .env OPENAI_API_KEY=sk-your-key-here OPENAI_BASE_URL=https://api.openai.com/v1 # 可选：用于第三方代理 # 或使用 Anthropic ANTHROPIC_API_KEY=sk-ant-your-key-here ``` ### 2. 初始化知识库 ```bash llmalpha kb init ``` ## 快速开始 ```bash # 运行 LLM 自主研究 - 全自动！ # （如果数据不可用，将自动下载） llmalpha agent research # 或使用自定义选项 llmalpha agent research \ -r "创建一个使用 RSI 和 MACD 的动量策略" \ -c momentum \ -n 10 # 手动下载数据（可选 - 智能体会自动下载） llmalpha data download -s BTC,ETH -m 3 # 列出可用数据 llmalpha data list ``` ### 自动数据下载 智能体在需要时**自动下载市场数据**： 1. 运行 `llmalpha agent research` 时，智能体会检查数据是否可用 2. 如果没有数据，会下载推荐的交易对（BTC、ETH、SOL 等） 3. 下载 3 个月的 1 分钟数据，包含 OHLCV、持仓量和资金费率 4. 数据准备好后自动继续研究 这意味着你可以立即开始研究，无需手动准备数据！ ### 智能体研究选项 | 选项 | 默认值 | 描述 | |------|--------|------| | `-r, --requirements` | "寻找盈利的交易策略" | 研究目标 | | `-c, --category` | None | 策略类别（momentum, mean_reversion 等） | | `-n, --iterations` | 10 | 最大迭代次数 | | `-p, --provider` | openai | LLM 提供商（openai, anthropic, ollama） | | `-m, --model` | gpt-5.2 | 模型名称 | | `--base-url` | None | 自定义 API URL（用于代理） | | `--api-key` | 来自 .env | API 密钥 | | `--early-stop-sharpe` | 1.5 | 达到此夏普比率时停止 | ### 其他命令 ```bash # 改进现有假设 llmalpha agent improve H001 -n 3 # 查看研究状态 llmalpha agent status # 分析失败模式 llmalpha agent analyze # 手动回测策略 llmalpha backtest run -s BTC -S rsi_mr # 查询知识库 llmalpha kb search --status validated llmalpha kb stats ``` ## Python API ```python import asyncio from llmalpha import create_researcher async def main(): researcher = create_researcher( provider="openai", # 或 "anthropic", "ollama" model="gpt-5.2", max_iterations=10, ) result = await researcher.research( requirements="创建一个使用 ATR 的波动率突破策略", category="breakout", ) print(result.summary()) print(f"最佳: {result.best_hypothesis_code}, 夏普: {result.best_sharpe:.2f}") asyncio.run(main()) ``` ## 工作原理 ### 1. LLM 假设生成 LLM 分析三个来源生成假设： - **市场知识**: 交易模式、学术论文、市场微观结构 - **数据分析**: 数据中的统计特征、异常、相关性 - **知识库**: 过去的假设（成功和失败的）用于学习 ### 2. 三层架构：因子 → 信号 → 策略 ``` ┌─────────────────────────────────────────────────────────────────┐ │ 因子 → (验证) → 信号 → 策略 │ └─────────────────────────────────────────────────────────────────┘ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ 因子 │ ──> │ 验证 │ ──> │ 信号 │ ──> │ 策略 │ │ │ │ │ │ │ │ │ │ 计算数值 │ │ IC, IR, │ │ 生成入场/ │ │ 仓位管理 + │ │ 特征 │ │ 分位数, │ │ 出场点 │ │ 风险管理 │ │ │ │ 换手率 │ │ │ │ │ └─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘ │ │ │ │ ▼ ▼ ▼ ▼ pd.Series 通过/失败 SignalResult 回测 [0.5, 1.2, + 评分 (entries, 就绪 -0.3, ...] exits) ``` **因子**: 计算市场特征（如 RSI、资金费率 z-score、持仓量变化） ```python class FundingZScoreFactor(Factor): def compute(self, df) -> pd.Series: return zscore(df["funding_rate"], window=168) ``` **因子验证**: 使用因子前，验证其预测能力 ```python validator = FactorValidator(forward_periods=24) # 24小时前瞻收益 result = validator.validate(factor, df) # 关键指标： # - IC（信息系数）：与未来收益的相关性 # - IR（信息比率）：IC 稳定性（IC_mean / IC_std） # - 分位数单调性：更高的因子值是否对应更高的收益？ # - 换手率：交易成本影响 if result.is_valid: print(f"因子通过！评分: {result.score}, IC: {result.ic_result.ic_mean:.4f}") else: print(f"因子被拒绝: {result.rejection_reasons}") ``` **信号**: 将验证过的因子值转换为买卖信号 ```python class FundingReversalSignal(Signal): def generate(self, df) -> SignalResult: z = FundingZScoreFactor().compute(df) entries = z < -2.0 # 极端负资金费率 → 做多 exits = z > 0 return SignalResult(entries=entries, exits=exits) ``` **策略**: 结合信号与仓位管理和风险管理 ```python class FundingStrategy(Strategy): def generate_signals(self, df) -> SignalResult: return FundingReversalSignal().generate(df) def calculate_position_size(self, df, idx) -> float: return 0.1 # 每笔交易使用 10% 资金 ``` ### 3. 因子验证指标 | 指标 | 描述 | 阈值 | |------|------|------| | **IC** | 因子与前瞻收益的 Spearman 相关性 | \|IC\| > 0.02 | | **IR** | IC 稳定性（IC_mean / IC_std） | \|IR\| > 0.3 | | **单调性** | 分位数收益相关性 | \|corr\| > 0.6 | | **换手率** | 因子值变化频率 | < 0.8 | | **p 值** | IC 的统计显著性 | < 0.05 | ### 4. 信号验证指标 ```python validator = SignalValidator(min_trades=30) result = validator.validate(signal, df) if result.is_valid: print(f"胜率: {result.performance.win_rate:.1%}") print(f"盈亏比: {result.performance.profit_factor:.2f}") ``` | 指标 | 描述 | 阈值 | |------|------|------| | **胜率** | 盈利交易的百分比 | > 40% | | **盈亏比** | 总盈利 / 总亏损 | > 1.0 | | **边际比率** | 每笔交易的期望值 | > 0.1% | | **信号频率** | 每 1000 根 K 线的信号数 | 1-500 | | **衰减分析** | 不同持仓周期的表现 | 低衰减 | ### 5. 策略验证 每个策略都经过严格验证： - **Walk-Forward**: 训练(60%) → 验证(20%) → 测试(20%) - **滚动窗口**: 在多个时间段测试一致性 - **最低要求**: 夏普 > 0.3，各周期间无严重衰减 ### 6. 闭环学习 ``` 如果验证通过: → 保存策略到 strategies/ → 在知识库中记录成功因素 如果验证失败: → 分析失败原因（过拟合？逻辑错误？市场环境？） → 在知识库中记录失败模式 → LLM 决定：优化假设 或 放弃并尝试新方向 ``` ## 项目架构 ``` llmalpha/ ├── llmalpha/ │ ├── agent/ # LLM 智能体（假设生成、迭代） │ ├── data/ # 数据下载和加载 │ ├── factors/ # 因子：计算数值特征 + 验证（IC/IR） │ ├── signals/ # 信号：生成入场/出场点 + 验证 │ ├── strategies/ # 策略：仓位管理 + 风险管理 │ ├── backtest/ # VBTEngine（基于 vectorbt） │ ├── optimize/ # Optuna 优化器 + 验证器 │ ├── research/ # 假设测试框架 │ ├── knowledge/ # SQLite 知识库 │ ├── cli/ # CLI 命令 │ └── utils/ # 工具函数 ├── hypotheses/ # 生成的假设文件 ├── strategies/ # 验证通过的策略（生产就绪） ├── configs/ # 配置文件 └── data/ # 数据存储（parquet 文件） ``` ## 配置说明 编辑 `configs/default.yaml`： ```yaml # 智能体设置 agent: llm: provider: "openai" # openai, anthropic, ollama model: "gpt-5.2" temperature: 0.7 max_iterations: 10 max_consecutive_failures: 3 validation: mode: "full" # quick, full, wf_only, rolling_only min_sharpe: 0.3 min_trades: 50 early_stop_sharpe: 1.5 sandbox_timeout: 60 learn_from_failures: true # Walk-Forward 验证 walk_forward: train_ratio: 0.6 val_ratio: 0.2 test_ratio: 0.2 min_sharpe: 0.3 decay_threshold: 0.5 # 滚动窗口验证 rolling: train_window: 2160 # 3 个月（小时） test_window: 720 # 1 个月 min_positive_ratio: 0.6 ``` ## 许可证 MIT