用 AI（DeepSeek）驱动一套纯模拟盘的量化交易流程：盘中自动扫描候选股 → 规则预筛 → AI 生成买卖信号 → 风控执行模拟买卖 → 实时看板展示净值与持仓。
⚠️ 免责声明：本项目全程不碰真钱，仅用于研究和个人学习。AI 产出的信号不构成任何投资建议；市场有风险，任何交易决策与损益由使用者自行承担。
- AI 信号引擎：通过 Langflow 编排「A股量化交易分析」流程，调用 DeepSeek 输出结构化买卖信号（buy / sell / hold / wait + 置信度 + 理由）
- 模拟交易引擎：虚拟账户、订单执行、持仓管理、每日净值快照、交易记录持久化
- 策略回测：逐日滚动回测历史 K 线，通过
as_of参数把行情数据截断到"当天为止"，严格避免未来函数 - 实时看板：浏览器每 10 秒自动刷新，展示账户净值、持仓、信号记录，并通过心跳文件判断机器人是否在线
- 成本控制：全市场扫描 → 规则预筛选 → 只把少量候选股送去 AI 分析，省 API 费用
- 零第三方 Python 依赖：全部使用 Python 标准库（urllib / http.server / json），克隆即跑
quant-sim/
├── main.py # 主循环：扫描 → AI 分析 → 模拟交易 → 成绩单
├── ai_signal.py # AI 信号集成层（调用 Langflow API，解析信号）
├── simulator.py # 模拟交易引擎（虚拟账户/订单/持仓/净值）
├── backtest.py # 回测引擎（逐日滚动，防未来函数）
├── market_data.py # 行情数据源
├── technical.py # 技术指标计算
├── news.py # 新闻面分析
├── learning.py # 交易经验学习器
├── dashboard_server.py # 看板 HTTP 服务（GET /api/state）
├── dashboard.html # 实时看板页面（ECharts）
├── quant_launcher.py # 一键启动器
├── check_flow.py # Langflow 流程连通性检查
├── flow_current.json # Langflow「A股量化交易分析」流程配置
└── flow_patch/ # 流程补丁工具（marketdata 节点等）
- Python 3.10+
- Langflow（用于编排 AI 分析流程）
- 一个 DeepSeek API Key
-
安装并启动 Langflow
pip install langflow langflow run # 默认监听 http://127.0.0.1:7860 -
导入 AI 分析流程
在 Langflow 界面中导入
flow_current.json，并在 DeepSeek 节点里填入你自己的 API Key（仓库中已替换为占位符sk-REPLACE_WITH_YOUR_DEEPSEEK_API_KEY，请勿提交真实密钥）。 -
跑一次单轮扫描（模拟盘）
python main.py run --once # 立即执行一次：扫描 → AI 分析 → 模拟买卖 python main.py run --loop # 盘中循环模式（按设定间隔反复扫描） python main.py run --scan 20 # 扫描涨幅榜前 20 只 python main.py summary # 查看当前成绩单
-
启动实时看板
python dashboard_server.py # 默认 http://127.0.0.1:8000浏览器打开看板地址，每 10 秒自动刷新账户状态。
-
回测（可选）
python backtest.py --symbol 600519 --days 60 python backtest.py --symbol 600519 --days 60 --symbols 000001,300750
┌─────────────┐ ┌──────────────┐ ┌───────────────┐
│ market_data │───▶│ technical.py │───▶│ 规则预筛选 │
│ 行情数据 │ │ 技术指标 │ │ (控制AI调用成本)│
└─────────────┘ └──────────────┘ └───────┬───────┘
│
▼
┌─────────────┐ ┌──────────────┐ ┌───────────────┐
│ simulator.py│◀───│ ai_signal.py │◀───│ Langflow │
│ 模拟交易 │ │ 信号解析 │ │ + DeepSeek AI │
└──────┬──────┘ └──────────────┘ └───────────────┘
│
▼
┌─────────────┐ ┌──────────────┐
│ data/state │───▶│ dashboard │
│ 净值/持仓 │ │ 实时看板 │
└─────────────┘ └──────────────┘
- 防未来函数：回测时逐日滚动，把流程内行情数据截断到当天（
as_of），确保 AI 只"看到"当时已知的信息 - 心跳机制：主循环每次扫描后写
data/heartbeat.json，看板据此显示机器人在线/离线 - 经验学习：
learning.py把每笔交易的结果沉淀到data/experience.json，供后续分析参考
本项目用 LLM 生成交易信号，而大模型在交易场景下容易凭空编造标的、价格、理由（即"交易幻觉"），并据此误下单或把假信息记成事实。为此 ai_signal.py 在信号落地前做了一层真实性校验（grounding），命中幻觉的信号会被拦截/降级为观望：
- 标的真实性：要求 AI 在 JSON 中回显
symbol并与请求代码比对；自由文本模式下若把决策张冠李戴到别的代码，直接作废。 - 价格真实性：AI 陈述的"现价/最新收盘"若与真实行情偏差超过 8%，判定为编造。
- 逻辑自洽：买入信号的止损不应高于现价、卖出信号的止盈不应低于现价，矛盾即判幻觉。
- 低可信兜底：非结构化（关键词）解析一律把置信度封顶到 40%，且只有出现在"明确建议区"的买卖才被采纳，全文偶然扫到的买卖词直接作废。
- 任何被判为幻觉风险的买卖信号，一律不执行，并在信号日志与看板打
⚠幻觉标记。
让 JSON 模式下的"代码一致性"校验开箱生效：在 Langflow 的提示词里增加
symbol字段（参考flow_patch/prompt_template.txt），要求 AI 回显与输入一致的 6 位代码。价格/止损逻辑校验不依赖该字段也能工作。离线验证（无需 API）：
python ai_signal.py selftest。
主要参数集中在 main.py 顶部：
| 参数 | 默认值 | 说明 |
|---|---|---|
SCAN_TOP_N |
10 | 每次扫描涨幅榜前 N 只候选 |
AI_ANALYZE_N |
5 | 规则预筛后真正送 AI 分析的数量 |
Langflow 服务地址与流程 ID 在 ai_signal.py 顶部：LANGFLOW_BASE（默认 http://127.0.0.1:7860）与 FLOW_ID。