AI4Finance-Foundation/FinRL-Trading

GitHub: AI4Finance-Foundation/FinRL-Trading

FinRL-X 是一个 AI 原生量化交易基础设施，提供从数据、策略、回测到实盘的一致性权重接口，解耦模块以提升策略研发与部署效率。

Stars: 2992 | Forks: 922

### 面向量化交易的AI原生模块化基础设施

[![Paper](https://img.shields.io/badge/Paper-arXiv_2603.21330-b31b1b?style=for-the-badge)](https://arxiv.org/abs/2603.21330) [![PyPI](https://img.shields.io/badge/PyPI-finrl--trading-3775A9?style=for-the-badge&logo=pypi&logoColor=white)](https://pypi.org/project/finrl-trading/) [![Python 3.11](https://img.shields.io/badge/python-3.11+-blue.svg)](https://www.python.org/downloads/) ![License](https://img.shields.io/github/license/AI4Finance-Foundation/FinRL-Trading.svg?color=brightgreen) [![Downloads](https://static.pepy.tech/badge/finrl-trading)](https://pepy.tech/project/finrl-trading) [![Downloads](https://static.pepy.tech/badge/finrl-trading/week)](https://pepy.tech/project/finrl-trading) [![Join Discord](https://img.shields.io/badge/Discord-Join-5865F2?logo=discord&logoColor=white)](https://discord.gg/trsr8SXpW5) ![](https://img.shields.io/github/issues-raw/AI4Finance-Foundation/FinRL-Trading?label=Issues) ![](https://img.shields.io/github/issues-pr-raw/AI4Finance-Foundation/FinRL-Trading?label=PRs) ![Visitors](https://api.visitorbadge.io/api/VisitorHit?user=AI4Finance-Foundation&repo=FinRL-Trading&countColor=%23B17A) *一个部署一致的交易系统，通过以权重为中心的接口统一数据处理、策略组合、回测与经纪商执行。*

## 关于 **FinRL-X** 是一个下一代**AI原生**量化交易基础设施，重新定义了研究人员与实践者构建、测试和部署算法交易策略的方式。在论文 *《FinRL-X: An AI-Native Modular Infrastructure for Quantitative Trading》*（[arXiv:2603.21330](https://arxiv.org/abs/2603.21330)）中提出，FinRL-X 继承了原始 [FinRL](https://github.com/AI4Finance-Foundation/FinRL) 框架，并采用完全现代化的架构，专为 LLM 与代理式 AI 时代而设计。其核心是**以权重为中心的结构**——目标投资组合权重向量是策略逻辑与下游执行之间的唯一接口契约： $$w_t = \mathcal{R}_t\bigl(\mathcal{T}_t\bigl(\mathcal{A}_t\bigl(\mathcal{S}_t(\mathcal{X}_{\le t})\bigr)\bigr)\bigr)$$ 其中 $\mathcal{S}$ 表示股票选择，$\mathcal{A}$ 表示组合分配，$\mathcal{T}$ 表示时机调整，$\mathcal{R}$ 表示组合级风险覆盖。每种转换都保持接口不变——你可以替换任意模块（例如等权重 $\to$ DRL 分配器），而无需改动流水线其余部分，且相同的权重会一致地流经回测与实盘执行。 ## 架构

| 层 | 角色 | 组件 | |:------|:-----|:-----------| | **数据** | 统一市场数据流水线 | FMP、Yahoo Finance、WRDS；LLM 情感预处理；SQLite 缓存 | | **策略** | 以权重为中心的信号生成 | 股票选择、组合分配、时机调整、风险覆盖 | | **回测** | 离线评估 | 支持 `bt` 引擎的多基准对比与交易成本 | | **执行** | 实时/模拟交易 | Alpaca 多账户集成与预交易风险检查 | ``` finrl-trading/ ├── src/ │ ├── config/ # ⚙️ Centralized configuration management │ │ └── settings.py # Pydantic-based settings + environment variables │ ├── data/ # 🗄️ Data acquisition and processing │ │ ├── data_fetcher.py # Multi-source integration (Yahoo / FMP / WRDS) │ │ ├── data_processor.py # Feature engineering & data cleaning │ │ └── data_store.py # SQLite persistence with caching │ ├── backtest/ # 📊 Backtesting engine │ │ └── backtest_engine.py # bt-powered engine with benchmark comparison │ ├── strategies/ # 🤖 Trading strategies │ │ ├── base_strategy.py # Abstract strategy framework │ │ └── ml_strategy.py # Random Forest stock selection │ ├── trading/ # 💰 Live trading execution │ │ ├── alpaca_manager.py # Alpaca API integration (multi-account) │ │ ├── trade_executor.py # Order management & risk controls │ │ └── performance_analyzer.py # Real-time P&L tracking │ └── main.py # 🚀 CLI entry point ├── examples/ │ ├── FinRL_Full_Workflow.ipynb # 📓 Complete workflow tutorial (start here!) │ └── README.md ├── data/ # Runtime data storage (gitignored) ├── logs/ # Application logs (gitignored) ├── requirements.txt └── setup.py ``` ## 策略 FinRL-X 实现了论文中的三个用例，每个用例展示了权重中心流水线的不同组合。 ### 用例 1 — 组合分配范式在统一接口下比较多种分配方法： | 方法 | 类型 | 描述 | |:-------|:-----|:------------| | 等权重 | 经典 | 均匀 1/N 分配 | | 均值-方差 | 经典 | 马科维茨优化 | | 最小方差 | 经典 | 最小化组合波动率 | | DRL 分配器 | 学习 | PPO/SAC 连续权重生成 | | KAMA 时机 | 信号 | 考夫曼自适应趋势叠加 | 所有方法输出相同的权重向量，可直接与时机和风险覆盖层组合。

### 用例 2 — 滚动股票选择 + DRL 通过机器学习基本面评分，每季度选择 NASDAQ-100 中排名前 25% 的股票，并与基于 DRL 的组合分配结合。严格的无前瞻语义防止数据泄露。 ### 用例 3 — 自适应多资产轮动一个研究级、走前安全的轮动策略，包含每日风险监控： | 组件 | 细节 | |:----------|:-------| | **资产组** | 成长科技、实物资产、防御性 —— 每周最多激活 2 组 | | **组选择** | 相对 QQQ 基准的信息比率 | | **组内排名** | 残差动量与稳健 Z 得分异常处理 | | **市场状态** | 慢速状态（26 周趋势 + VIX）+ 快速风险规避（3 日冲击） | | **风险控制** | 跟踪止损、绝对止损、冷静期 | | **再平衡** | 每周（完整）+ 每日监控（快速风险规避、止损调整） | ``` # 运行自适应轮动回测 ./deploy.sh --strategy adaptive_rotation --mode backtest --start 2023-01-01 --end 2024-12-31 # 使用 Alpaca 进行模拟交易 ./deploy.sh --strategy adaptive_rotation --mode paper --dry-run ``` ## 结果 ### 历史回测（2018 年 1 月 – 2025 年 10 月）

| 指标 | 轮动策略 | 自适应轮动 | QQQ | SPY | |:-------|:---:|:---:|:---:|:---:| | 累计收益 | 5.98x | 4.80x | 4.02x | 2.80x | | 年化收益 | 25.85% | 22.32% | 19.56% | 14.14% | | 年化波动率 | 27.85% | 20.30% | 24.20% | 19.61% | | **夏普比率** | 0.93 | **1.10** | 0.81 | 0.72 | | 最大回撤 | -38.95% | **-21.46%** | -35.12% | -33.72% | | **Calmar 比率** | 0.66 | **1.04** | 0.56 | 0.42 | | 胜率 | 54.36% | 54.77% | 56.25% | 55.28% | ### 纸面交易（2025 年 10 月 – 2026 年 3 月）

在 Alpaca 上部署的轮动选择 + 自适应轮动组合： | 指标 | 策略 | SPY | QQQ | |:-------|:---:|:---:|:---:| | 累计收益 | **1.20x** | 0.97x | 0.95x | | 总收益 | **+19.76%** | -2.51% | -4.79% | | 年化收益 | **62.16%** | -6.60% | -12.32% | | 年化波动率 | 31.75% | 11.96% | 16.79% | | **夏普比率** | **1.96** | -0.55 | -0.73 | | 最大回撤 | -12.22% | -5.35% | -7.88% | | **Calmar 比率** | **5.09** | -1.23 | -1.56 | | 胜率 | **64.89%** | 52.13% | 54.02% | ### 动态行业轮动

自适应轮动策略根据市场状态信号在三类资产组之间动态调仓：**成长科技**、**实物资产** 与防御性** —— 每周最多激活两组。在风险偏好状态时，组合偏向高动量成长与商品类资产；当状态检测触发风险规避或快速风险规避时，资金将轮动至债券与公用事业，并自动保留现金缓冲。每周再平衡辅以每日止损与快速风险规避监控，可在下一轮定期调仓前快速降险。 ## 快速开始 ### 选项 A — 一键部署 `deploy.sh` 自动处理所有步骤：依赖检查、数据下载与策略执行。 ``` git clone https://github.com/AI4Finance-Foundation/FinRL-Trading.git cd FinRL-Trading # 回测（下载数据 + 运行策略） ./deploy.sh --strategy adaptive_rotation --mode backtest # 自定义日期范围 ./deploy.sh --strategy adaptive_rotation --mode backtest --start 2020-01-01 --end 2025-12-31 # 单日信号 ./deploy.sh --strategy adaptive_rotation --mode single --date 2024-12-31 # 模拟交易（需要 .env 中的 Alpaca 凭证） ./deploy.sh --strategy adaptive_rotation --mode paper --dry-run # preview ./deploy.sh --strategy adaptive_rotation --mode paper # execute # 查看所有选项 ./deploy.sh --help ``` ### 选项 B — 使用 venv 手动设置 ``` # 1. 克隆 git clone https://github.com/AI4Finance-Foundation/FinRL-Trading.git cd FinRL-Trading # 2. 创建并激活虚拟环境 python3 -m venv venv source venv/bin/activate # Linux / macOS # venv\Scripts\activate # Windows # 3. 安装依赖 pip install -r requirements.txt # 4. （可选）配置模拟交易的 API 密钥 cp .env.example .env # 编辑 .env — 设置 APCA_API_KEY、APCA_API_SECRET 等 ``` #### 通过 Python 运行策略 ``` # 回测 — 自适应轮动（2023-01-01 至 2024-12-31） python src/strategies/run_adaptive_rotation_strategy.py \ --config src/strategies/AdaptiveRotationConf_v1.2.1.yaml \ --backtest --start 2023-01-01 --end 2024-12-31 # 单日信号 python src/strategies/run_adaptive_rotation_strategy.py \ --config src/strategies/AdaptiveRotationConf_v1.2.1.yaml \ --date 2024-12-31 # 完整工作流教程（Jupyter） jupyter notebook examples/FinRL_Full_Workflow.ipynb ``` ### 配置 ``` cp .env.example .env ``` ``` # Alpaca（模拟/实盘交易必需） APCA_API_KEY=your_key APCA_API_SECRET=your_secret APCA_BASE_URL=https://paper-api.alpaca.markets # 数据源（可选；Yahoo Finance 为默认免费源） FMP_API_KEY=your_fmp_key ``` ### Python API ``` # 数据 from src.data.data_fetcher import get_data_manager manager = get_data_manager() prices = manager.get_price_data(['AAPL', 'MSFT'], '2020-01-01', '2024-12-31') # 策略 from src.strategies.ml_strategy import MLStockSelectorStrategy strategy = MLStockSelectorStrategy(config) result = strategy.generate_weights(data) # 回测 from src.backtest.backtest_engine import BacktestEngine, BacktestConfig engine = BacktestEngine(BacktestConfig(start_date='2020-01-01', end_date='2024-12-31')) result = engine.run_backtest("My Strategy", weights, prices) # 实盘交易 from src.trading.alpaca_manager import create_alpaca_account_from_env, AlpacaManager alpaca = AlpacaManager([create_alpaca_account_from_env()]) alpaca.execute_portfolio_rebalance(target_weights={'AAPL': 0.3, 'MSFT': 0.7}) ``` ## 从 FinRL 演进 | | FinRL (2020) | FinRL-X (2026) | |:---|:---|:---| | **范式** | 仅 DRL | AI原生（ML + DRL + LLM-ready） | | **架构** | 耦合单体 | 解耦模块化层 | | **接口** | Gym 状态/动作空间 | 以权重为中心的契约 | | **数据** | 14 个手动处理器 | 自动选择：Yahoo / FMP / WRDS | | **回测** | 手工循环 | `bt` 引擎 + 多基准对比 | | **实盘交易** | 基础 Alpaca | 多账户 + 风险控制 | | **配置** | `config.py` | Pydantic + `.env` | | **论文** | [arXiv:2011.09607](https://arxiv.org/abs/2011.09607) | [arXiv:2603.21330](https://arxiv.org/abs/2603.21330) | ### 从 FinRL 迁移 ``` FinRL → FinRL-X ───────────────────────────────────────────────────────────── finrl/meta/data_processor.py → src/data/data_fetcher.py finrl/train.py → strategy.generate_weights() finrl/trade.py → TradeExecutor.execute_portfolio_rebalance() config.py + config_tickers.py → src/config/settings.py (Pydantic + .env) gym.Env subclassing → BaseStrategy.generate_weights() ``` ## 与现有平台对比 | 特性 | FinRL-X | [Qlib](https://github.com/microsoft/qlib) | [TradingAgents](https://github.com/TauricResearch/TradingAgents) | [Zipline](https://github.com/quantopian/zipline)/[Backtrader](https://github.com/mementum/backtrader) | [QuantConnect Lean](https://github.com/QuantConnect/Lean) | |:--------|:-------:|:----:|:-------------:|:------------------:|:-----------------:| | 主要定位 | 全流程系统 | 机器学习研究 | 代理式交易 | 回测 | 全流程平台 | | 经纪商集成 | 是 | - | - | - | 是 | | 部署一致接口 | 是 | - | - | - | 部分 | | 强化学习支持 | 是 | 有限 | 是 | - | 部分 | | 模块化策略流水线 | 是 | - | - | - | 部分 | | 组合级风险覆盖 | 是 | - | - | - | 部分 | | 开源协议 | Apache 2.0 | MIT | Apache 2.0 | Apache 2.0 | Apache 2.0 | ## 贡献 ``` git checkout -b feature/your-feature pip install -r requirements.txt # 修改代码，添加测试 git commit -m "Add: your feature" git push origin feature/your-feature # 提交拉取请求 ``` 添加自定义策略： ``` from src.strategies.base_strategy import BaseStrategy, StrategyConfig, StrategyResult class MyStrategy(BaseStrategy): def generate_weights(self, data, **kwargs) -> StrategyResult: # your alpha logic — return portfolio weights pass ``` ## 引用 ``` @inproceedings{yang2026finrlx, title = {FinRL-X: An AI-Native Modular Infrastructure for Quantitative Trading}, author = {Yang, Hongyang and Zhang, Boyu and She, Yang and Liao, Xinyu and Zhang, Xiaoli}, booktitle = {Proceedings of the 2nd International Workshop on Decision Making and Optimization in Financial Technologies (DMO-FinTech)}, year = {2026}, note = {Workshop at PAKDD 2026} } ``` ## 许可证 Apache License 2.0 — 见 [LICENSE](LICENSE)。 ## 免责声明本软件仅供**教育与研究用途**。不构成金融建议。在做出投资决策前请咨询专业人士。过去表现不代表未来结果。

**[AI4Finance Foundation](https://github.com/AI4Finance-Foundation)**