AmpyFin 项目的安装与使用指南
2025-04-18 16:10:01作者:袁立春Spencer
1. 项目目录结构及介绍
AmpyFin 项目是一个开源的机器学习交易系统,其目录结构如下:
AmpyFin/
├── .github/
│ └── workflows/
├── helper_files/
├── strategies/
├── utils/
├── wandb/
├── .gitignore
├── .isort.cfg
├── .pre-commit-config.yaml
├── CODE_OF_CONDUCT.md
├── CONTRIBUTING.md
├── MIT_LICENSE.txt
├── README.md
├── control.py
├── logo.png
├── pyproject.toml
├── ranking_client.py
├── requirements.txt
├── setup.py
├── trading_client.py
.github/workflows/: 存放 GitHub Actions 工作流文件,用于自动化项目的一些操作,如自动执行测试等。helper_files/: 包含一些辅助函数,用于客户端操作。strategies/: 实现了各种交易策略的模块。utils/: 包含一些通用的数据处理的工具函数。wandb/: 用于存储 Weights & Biases 实验的数据。.gitignore: 指定 Git 忽略的文件和目录。.isort.cfg: Python 代码导入排序配置文件。.pre-commit-config.yaml: pre-commit 配置文件,用于自动化代码风格检查。CODE_OF_CONDUCT.md: 项目行为准则。CONTRIBUTING.md: 贡献指南,描述如何为项目做贡献。MIT_LICENSE.txt: 项目使用的 MIT 许可证。README.md: 项目说明文件。control.py: 配置接口,用于设置交易参数。logo.png: 项目图标。pyproject.toml: 项目配置文件。ranking_client.py: 评估和排名交易策略的客户端。requirements.txt: 项目依赖的 Python 包列表。setup.py: 项目设置文件,用于初始化数据库结构。trading_client.py: 根据算法决策执行交易的客户端。
2. 项目的启动文件介绍
项目的启动主要通过以下两个脚本文件进行:
ranking_client.py: 此文件用于启动排名系统,它会评估各个交易策略的表现,并根据表现动态调整策略的权重。trading_client.py: 此文件用于启动交易系统,它会根据算法决策执行实际的交易操作。
这两个脚本通常需要在不同的终端中分别运行,以实现系统的并行工作。
3. 项目的配置文件介绍
项目的配置主要通过 config.py 文件进行,以下是配置文件的一些基本内容:
# API 密钥配置
POLYGON_API_KEY = "your_polygon_api_key"
FINANCIAL_PREP_API_KEY = "your_fmp_api_key"
API_KEY = "your_alpaca_api_key"
API_SECRET = "your_alpaca_secret_key"
BASE_URL = "https://paper-api.alpaca.markets" # 默认为纸交易环境
# MongoDB 配置
MONGO_DB_USER = "your_mongo_user"
MONGO_DB_PASS = "your_mongo_password"
mongo_url = "your_mongo_connection_string"
在开始使用项目之前,需要将上述配置中的占位符替换为实际的 API 密钥和 MongoDB 连接信息。此外,如果需要进行实盘交易,需要将 BASE_URL 修改为 "https://api.alpaca.markets"。
以上是 AmpyFin 项目的安装与使用的基础指南,确保按照以上步骤操作后,您可以顺利地运行该项目。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.7 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
138
169
暂无简介
Dart
598
130
React Native鸿蒙化仓库
JavaScript
235
309
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
632
232
仓颉编译器源码及 cjdb 调试工具。
C++
123
717
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
616
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
197
74
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
460