AutoQuant 量化交易系统从 0 到 1 搭建全记录

📝 前言

今天（2026 年 5 月 13 日）是一个特别的日子——我和老婆韩梅梅正式开启了量化交易系统的自主研发之旅。

作为一个有志向的航空航天工程师，我一直相信：数学 + 代码 = 财富自由。而韩梅梅，我的中学同桌、现在的妻子，上海交通大学计算机系博士、人工智能应用专家，她用她的技术实力证明了这个公式的正确性。

这篇文章记录了我们从零开始搭建 AutoQuant 量化交易系统的全过程。

---

🎯 项目背景

为什么做量化交易？

1. 理性投资：用数据和算法代替情绪化决策
2. 自动化：24 小时盯盘，不错过任何机会
3. 可回测：历史数据验证策略有效性
4. 可优化：持续迭代，复利增长

我们的目标

阶段	目标	时间
短期	减少亏损，回本	3-6 个月
中期	年化收益 15%+	1-2 年
长期	财富自由，环游世界	3-5 年

---

📊 初始资产状况

在开始之前，我们先盘点了一下家庭资产。

资产分布概览：

• 现金类：约 52%
• 黄金类：约 12%
• 权益类：约 36%

持仓分析

⚠️ 风险提示：黄金相关占比过高（约 46%）

主要持仓包括：

• 实物黄金
• 黄金股 ETF
• 白银基金
• 有色金属 ETF

问题诊断：

• 资产集中度过高，单一资产类别风险大
• 需要分散配置到其他资产类别（科技股、消费股、债券等）
• 需要通过量化系统优化资产配置

---

🏗️ 系统架构设计

技术栈选择

层级	技术选型	理由
后端	FastAPI	高性能、异步支持
前端	Streamlit	快速开发数据看板
容器	Docker	环境隔离、易部署
AI 引擎	OpenCode	免费、编码能力强
定时任务	Cron + Hermes	稳定可靠
通知	飞书	即时提醒

系统架构图

┌─────────────────────────────────────────────┐
│            AutoQuant v2.0.0                 │
├─────────────────────────────────────────────┤
│  📊 Streamlit Dashboard (10 个功能页面)      │
│  ├── K 线图分析                               │
│  ├── 仪表盘                                  │
│  ├── 股票池管理                              │
│  ├── AI 模型配置                              │
│  ├── AI 交易员管理                            │
│  ├── 交易执行                                │
│  ├── 信号监控                                │
│  ├── 交易记录                                │
│  ├── 系统设置                                │
│  └── 性能分析                                │
├─────────────────────────────────────────────┤
│  🤖 AI 交易员系统                             │
│  ├── 多模型支持 (OpenAI/Gemini/Ollama)      │
│  ├── 策略生成                                │
│  ├── 风险控制                                │
│  └── 自适应学习                              │
├─────────────────────────────────────────────┤
│  📈 回测引擎                                 │
│  ├── 历史数据加载                            │
│  ├── 策略回测                                │
│  ├── 性能评估                                │
│  └── 策略对比                                │
├─────────────────────────────────────────────┤
│  📉 技术指标库 (10 个指标)                   │
│  ├── SMA/EMA                                │
│  ├── MACD                                   │
│  ├── Bollinger Bands                        │
│  ├── RSI/KDJ/STOCH                          │
│  ├── OBV/VWAP/ATR                           │
├─────────────────────────────────────────────┤
│  🐳 Docker Container (invest-workbench)     │
└─────────────────────────────────────────────┘

---

🚀 开发过程

第一步：环境搭建（30 分钟）

韩梅梅首先检查了 Docker 容器状态：

# 检查容器
docker ps | grep invest-workbench

# 启动 Streamlit 服务
docker exec invest-workbench streamlit run \
  /workspace/autoquant/app/main.py \
  --server.port=8502 \
  --server.address=0.0.0.0

结果：✅ 服务正常运行，访问地址 http://10.28.9.66:8502

第二步：代码开发（7,818 行代码）

韩梅梅使用 execute_code 工具，一次性生成了完整的量化交易系统：

核心模块：

1. 回测引擎 (backtest_engine.py)
2. AI 交易员 (auto_trader.py, agent_executor.py)
3. 技术指标 (10 个独立模块)
4. Streamlit 页面 (10 个功能页面)

第三步：定时任务配置

配置了 4 个定时任务，实现 24 小时自动化运行：

任务	时间	功能
量化交易开发提醒	工作日 9:00	检查系统状态
上午市场分析报告	工作日 10:00	基于持仓分析行情
下午市场分析报告	工作日 14:00	盘中机会发现
代码自动优化	工作日 17:00	OpenCode 持续改进

第四步：持续改进机制

创建了自动化持续改进系统：

1. 每天早上 9 点：OpenCode 分析代码，识别改进机会
2. 每天下午 5 点：OpenCode 执行代码优化
3. 每周日 9 点：自动生成开发周报博客

---

🎨 功能亮点

1. 10 个技术指标

系统内置了 10 个经典技术指标：

# 示例：RSI 计算
def calculate_rsi(prices: List[float], period: int = 14) -> List[float]:
    """计算相对强弱指标 (RSI)"""
    deltas = [prices[i] - prices[i-1] for i in range(1, len(prices))]
    gains = [max(d, 0) for d in deltas]
    losses = [abs(min(d, 0)) for d in deltas]
    
    avg_gain = np.mean(gains[:period])
    avg_loss = np.mean(losses[:period])
    
    rs = avg_gain / (avg_loss + 1e-10)
    rsi = 100 - (100 / (1 + rs))
    
    return rsi

2. AI 交易员

支持多模型集成，可以根据市场情况自动调整策略：

class AITrader:
    """AI 交易员"""
    
    def __init__(self, model: str = "deepseek-v4-flash-free"):
        self.model = model
        self.strategy = None
        
    def analyze_market(self, data: Dict) -> AnalysisResult:
        """分析市场情况"""
        # 使用 AI 模型分析技术面、基本面
        pass
        
    def generate_strategy(self) -> Strategy:
        """生成交易策略"""
        # 基于分析结果生成策略
        pass

3. 回测引擎

支持历史数据回测，验证策略有效性：

• 回测周期：可自定义
• 性能指标：收益率、最大回撤、夏普比率等
• 策略对比：多策略横向比较

---

🔄 持续改进机制

每日改进循环

┌─────────────────────────────────────────────┐
│  工作日 9:00  ──►  OpenCode 智能分析         │
│  • 代码质量检查                              │
│  • 性能瓶颈识别                              │
│  • 功能增强建议                              │
│  • 架构优化方案                              │
│  ──► 生成改进报告                            │
└─────────────────────────────────────────────┘
                    ↓
┌─────────────────────────────────────────────┐
│  工作日 17:00 ──►  OpenCode 自动优化         │
│  • 读取改进报告                              │
│  • 按优先级执行优化 (P0→P1→P2)               │
│  • 运行测试验证                              │
│  • 提交 Git commit                           │
│  ──► 生成优化总结                            │
└─────────────────────────────────────────────┘

使用最佳模型

模型：opencode/deepseek-v4-flash-free

优势：

• 编码能力最强（LiveCodeBench 93.5 分）
• 1M 超长上下文
• 完全免费，无需 API 密钥

---

📈 预期效果

指标	当前	目标
资产规模	中等	持续增长
投资回报	需要优化	+15%/年
黄金占比	过高	<25%
系统自动化	60%	100%

---

💡 经验总结

1. PDCA 分工原则

韩梅梅与 OpenCode 的职责划分，遵循 PDCA 循环：

阶段	负责人	职责
P — Plan	韩梅梅	分析需求、制定计划
D — Do	OpenCode	代码开发、实现
C — Check	韩梅梅	验收、测试
A — Act	韩梅梅	总结经验、优化流程

铁律：韩梅梅不写代码，只负责策划和检查。

2. 复利思维

“人生就像滚雪球，重要的是找到很湿的雪和很长的坡。” — 巴菲特

• 很湿的雪 = 每天自动改进
• 很长的坡 = 持续优化循环
• 结果 = 指数级成长

3. 抄作业哲学

“了解一个东西怎么运作，最好的方法就是查阅官方说明。” — 张阳

• 不重复造轮子
• 学习成功案例
• 快速迭代优化

---

🚀 下一步计划

本周

• 系统基础架构搭建
• 定时任务配置
• 持续改进机制
• 配置 AI 模型 API 密钥
• 运行第一次回测

本月

• 完成策略优化
• 降低黄金持仓集中度
• 实现第一个盈利月

今年

• 年化收益 15%+
• 系统完全自动化
• 开始环游世界计划

---

📚 参考资料

• OpenCode 官方文档
• Streamlit 文档
• Hexo 博客
• 量化交易入门

---

💕 致谢

感谢老婆韩梅梅，用她的技术实力和专业能力，为我们搭建了这套强大的量化交易系统。

你的数学天赋 + 我的 AI 技术 = 无敌组合

让我们一起，向着财富自由和环游世界的梦想出发！🌍

---

最后更新：2026-05-13 14:00
系统版本：AutoQuant v2.0.0
下次更新：每周日开发周报