# NexQuant
高速策略发现框架
快速开始 •
策略发现 •
实盘交易 •
功能
## 概述
**NexQuant** 通过高速搜索发现可盈利的交易策略 —— 无需 LLM。核心引擎：Numba JIT 编译的回测速度达到 **7.35 亿根 K 线/秒**（比 pandas 快 245 倍）。四种发现方法在连续循环中运行：
| 方法 | 频率 | 描述 |
|--------|-----------|-------------|
| **Explore** | 30% 的迭代 | 基于 17 种 TA-Lib 指标在不同时间周期下的随机策略 |
| **Exploit** | 70% 的迭代 | 对已知最佳策略进行变异（更改参数、指标或时间周期） |
| **Optuna** | 每 500 次迭代 | 对当前最佳策略进行 20 次试验的超参数优化 |
| **LightGBM** | 每 2000 次迭代 | 基于 SOTA 指标信号训练的 ML 分类器，用于预测方向 |
**当前最佳策略**：MACD(3,10,3) 4 时间周期 (TF)，采用 2/4 多数投票 —— **+32.0%/月** (Numba)，**+24.3%/月**（经独立回测验证），0/75 个负收益月。
## 快速开始
```
# 先决条件
conda create -n nexquant python=3.10 -y && conda activate nexquant
pip install -e .
# 确保 OHLCV 数据存在：git_ignore_folder/intraday_pv_all.h5
# Strategy Discovery Loop (10,000 次迭代，约 1 小时)
python scripts/nexquant_rd_loop.py --iterations 10000
# Price-Action Indicator Loop (grid search 所有 TA-Lib 指标)
python scripts/nexquant_priceaction_loop.py
# Top strategies 报告
python nexquant.py best -n 20 -m monthly_return --min-trades 30
```
## 策略发现
### R&D 循环 (`scripts/nexquant_rd_loop.py`)
```
┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
│ Explore │ ──→ │ Exploit │ ──→ │ Optuna │ ──→ │ LightGBM │
│ (Random) │ │ (Mutate) │ │ (Tuning) │ │ (ML) │
└──────────┘ └──────────┘ └──────────┘ └──────────┘
30% 70% /500 iter /2000 iter
```
**17 种 TA-Lib 指标**：MACD, RSI, Donchian, SAR, ADX, BBANDS, CCI, WCLPRICE, MFI, OBV, STOCH, ROC, AROON, AROONOSC, MOM, ULTOSC, WILLR
**4 种时间周期**：15 分钟，30 分钟，1 小时，4 小时
**3 种策略类型**：单时间周期，多时间周期（多数投票），投资组合（指标集成）
**发现示例**（50,000 次迭代）：
```
random → SAR(+65) → MACD(+73) → MACD-mutated(+102.75, +32%/month)
↓
Optuna tuned params
↓
LightGBM ensemble
```
### 网格搜索 (`scripts/nexquant_priceaction_loop.py`)
在所有 17 种指标上进行确定性参数网格搜索。发现 MACD(3,10,3) 为最优。
### 投资组合优化器 (`scripts/nexquant_portfolio_optimizer.py`)
从已发现的策略中进行考虑相关性的贪婪选择。
## 实盘交易
闭源模块位于 `git_ignore_folder/nexquant_live_trader.py`。架构如下：
```
MACD(3,10,3) Signal → cTrader OpenAPI → Live Account
4-TF 2/4 Votes (WebSocket+Protobuf) ↓
Paper Mode
```
集成：cTrader WebSocket `live.ctraderapi.com:5035`，OAuth2 身份验证，Protobuf 消息编码，FIX 协议。
## 功能
### ⚡ Numba 回测
- 7.35 亿根 K 线/秒（处理 226 万根 K 线仅需 0.003 秒）
- JIT 编译的利润/回撤/夏普比率计算
- 通过 pandas resample + TA-Lib 构建信号（约 0.4 秒）是性能瓶颈
### 🔍 四种发现方法
- **Explore**：随机指标 + 时间周期 + 参数
- **Exploit**：对排名前 5 的 SOTA 策略进行变异（参数微调、指标替换、时间周期更改）
- **Optuna**：对最佳策略进行 20 次试验的 TPE 超参数优化
- **LightGBM**：基于 SOTA 指标信号的 ML 分类器（80/20 训练/测试集划分）
### 📊 TA-Lib 集成
- 17 种指标，具有完整的参数范围
- 自动防范错误参数（会导致 TA-Lib 崩溃的负值或零值）
- 具有可配置阈值的多时间周期投票
### 🔒 安全与质量
- 0 个 Dependabot 告警，0 个 CodeScan 告警
- git 历史记录中无专有术语
- 闭源检测 CI
## 项目结构
```
nexquant/
├── scripts/ # Strategy discovery & trading
│ ├── nexquant_rd_loop.py # High-speed R&D loop (Numba + Optuna + ML)
│ ├── nexquant_priceaction_loop.py # TA-Lib grid search loop
│ ├── nexquant_portfolio_optimizer.py # Correlation-aware portfolio selection
│ ├── nexquant_gridsearch.py # Deterministic parameter grid search
│ ├── nexquant_daily_strategies.py # Daily Kronos + factor combinations
│ ├── nexquant_gen_strategies_real_bt.py # LLM-based strategy generation
│ ├── nexquant_autopilot.py # 24/7 continuous generator
│ └── nexquant_parallel.py # Multi-instance parallel runs
├── rdagent/ # Core framework (LLM-based, see note below)
│ ├── app/ # CLI and scenario apps
│ ├── components/ # Backtest engine, protections, coders
│ ├── core/ # Core abstractions
│ ├── scenarios/ # Domain-specific scenarios
│ └── utils/ # Utilities
├── git_ignore_folder/ # Closed-source (never committed)
│ ├── nexquant_live_trader.py # cTrader live trading
│ ├── nexquant_fix_trader.py # FIX protocol trader
│ ├── intraday_pv_all.h5 # OHLCV data
│ ├── gbpusdt_1min.h5 # GBP/USD data
│ └── btc_1min.h5 # BTC data
├── test/ # 1,125+ collected tests
├── data_config.yaml # Walk-forward split configuration
├── requirements.txt # Dependencies
└── AGENTS.md # Agent configuration & workflow guide
```
## 安装说明
### 前置条件
- **Conda** (Miniconda 或 Anaconda)
- **TA-Lib** 系统库（`apt install ta-lib` 或 `brew install ta-lib`）
- **Linux** (Ubuntu 22.04+)
### 安装
```
git clone https://github.com/TPTBusiness/NexQuant && cd NexQuant
conda create -n nexquant python=3.10 -y && conda activate nexquant
pip install -e .
```
### 数据
将 OHLCV HDF5 数据放置在 `git_ignore_folder/intraday_pv_all.h5`：
```
# 格式：MultiIndex (datetime, instrument)，columns：$open $close $high $low $volume
df.to_hdf('git_ignore_folder/intraday_pv_all.h5', key='data')
```
## 许可证
**GNU Affero General Public License v3.0 (AGPL-3.0)**。详见 [`LICENSE`](LICENSE)。
## 免责声明
NexQuant 仅用于**研究和教育目的**。过去的业绩并不代表未来的结果。用户需自行承担所有责任。