gitee官方推荐，松鼠QuantAi+回测框架详细版教程(图文)

松鼠Quant
2025-05-16

图片
量化策略开发，高质量社群，交易思路分享等相关内容

『正文』

ˇ

图片

一个基于AI的期货、股票、数字货币及外汇的量化交易策略开发工具，结合人工智能与松鼠Quant量化交易框架，实现自然语言到可执行交易策略代码的转换。

图片

已被gitee官方推荐！点击阅读原文访问，如果你也喜欢AI+量化回测框架请帮忙点一下Star哈

图片

昨天发布了松鼠Quant回测框架+Ai策略智能体，很多人还是不会安装及使用,今天我们出一期完整版本教程，首先我默认你已经安装好本地的python环境了。

步骤一：我们需要从仓库拉取ssquant-ai助手的项目:

github地址(国外)：

https://github.com/songshuquant/ssquant-ai

gitee地址(国内):

https://gitee.com/ssquant/ssquant-ai

以gitee国内地址为例，可以通过git指令来拉取：



git clone https://gitee.com/ssquant/ssquant-ai.gitcd ssquant-ai

或者直接点击下载zip包：

图片
图片

保存下来应该是这样的：


















├── ai_cmd/              # 主程序目录│   ├── main.py          # 入口文件│   ├── integration_module.py   # AI与回测框架集成│   ├── backtest_engine.py     # 回测引擎封装│   ├── gpt_client.py    # AI客户端│   ├── workflow_manager.py    # 工作流管理│   ├── code_parser.py   # 代码解析工具│   ├── config.py        # 配置文件│   └── requirements.txt # 依赖列表├── data_cache/          # 数据缓存目录（包含模拟生成的示例数据）│   ├── au888_*.csv      # 黄金期货模拟数据│   ├── tick_data_*.csv   # Tick级别模拟数据│   └── 生成模拟*.py      # 数据生成脚本└── examples/            # 策略示例    ├── 双均线策略.py    ├── 海龟交易策略.py    └── ...              # 其他示例
图片
步骤二：安装ssquant回测框架：

直接使用pip安装指令：


pip install ssquant
图片

这一步需要梯子，如果你没有梯子请使用下方的国内源安装：













# 阿里云pip install ssquant -i https://mirrors.aliyun.com/pypi/simple/# 清华大学pip install ssquant -i https://pypi.tuna.tsinghua.edu.cn/simple# 中国科学技术大学pip install ssquant -i https://pypi.mirrors.ustc.edu.cn/simple/# 豆瓣pip install ssquant -i https://pypi.doubanio.com/simple/# 华为云pip install ssquant -i https://repo.huaweicloud.com/repository/pypi/simple/# 腾讯云pip install ssquant -i https://mirrors.cloud.tencent.com/pypi/simple
比如使用阿里源：
图片
图片
这样就安装成功了。
步骤三：我们需要配置Ai助手的环境变量，首先用vscode打开整个项目文件夹，然后找到ai_cmd文件夹，点击.env文件。
图片
1.在.env文件就是填入你个人大模型API信息的地方，要注意保密哦。
图片
默认使用的是deepseek大模型，只要支持OpenAi兼容格式的厂商都可以。
接下来启动AI助手：
图片
2.运行main.py：



cd ai_cmdpython main.py
图片
接下来就可以通过对话的方式开发策略了，
3.直接输入你的需求，比如：给我一个之字策略。
图片
4.编写完成之后，向你请示是否回测。策略默认保存到本地的ai_strategies文件夹下：
图片

5.回测出现报错，自动修复代码BUG：
图片
6.修复BUG完成，自动回测：报告与绩效图保存到本地：
图片
图片
图片
7.分析回测报告给出改进意见：
图片
8.阶段性总结，可以将改进思路继续发给它让继续改进：
图片

步骤四：数据准备
回测框架使用两种方式获取数据：
1.松鼠数据库API(需俱乐部会员)
图片
右键get_api_auth()，转到定义。
图片
填写你的俱乐部账户密码，注意保密。
图片
数据会自动缓存到本地的data_cache文件夹下以sq3数据库的格式保存，每次请求优先使用缓存(更快)，如果缓存数据不足API会自动补全，非常方便。
2.本地数据加载
本地加载数据也非常方便，K线数据至少要有datatime,open,high,low,close等字头，其他字头可以自己添加并且策略里也能正常读取。具体的数据示例在/data_cache文件夹里：
图片
支持多种数据格式：7z、csv、h5等格式。
步骤五：执行策略回测

项目的examples目录包含各种预设的量化交易策略示例：

  • 双均线策略

  • 海龟交易策略

  • 强弱截面轮动策略

  • 跨周期过滤策略

  • 跨品种套利策略

  • 机器学习策略

  • 参数优化示例

    ...
图片
如果你不是松鼠Quant俱乐部成员，请参考本地的两个示例运行回测。
示例策略-双均线策略(使用松鼠API调用数据)




















































# 多数据源回测配置if __name__ == "__main__":    # 导入API认证信息    try:        from ssquant.config.auth_config import get_api_auth        API_USERNAME, API_PASSWORD = get_api_auth()    except ImportError:        print("警告：未找到 API_USERNAME, API_PASSWORD账户密码，请在上方get_api_auth()里面填写松鼠Quant俱乐部的账户密码")    # 创建多数据源回测器    backtester = MultiSourceBacktester()    # 设置基础配置    backtester.set_base_config({        'username': API_USERNAME,       # 使用配置文件中的用户名        'password': API_PASSWORD,       # 使用配置文件中的密码        'use_cache': True,              # 是否使用缓存数据        'save_data': True,              # 是否保存数据        'align_data': False,            # 改为False，避免数据对齐问题        'fill_method': 'ffill',         # 填充方法        'debug': False                   # 启用调试模式-日志输出    })         # 添加单一数据源    # 螺纹主力 - 日线    backtester.add_symbol_config(        symbol='rb888',        config={            'start_date': '2021-01-01',   # 缩短回测时间，减少数据量            'end_date': '2025-04-16',    # 使用历史数据，避免未来数据            'initial_capital': 100000,            'commission': 0.0001,            'margin_rate': 0.1,            'contract_multiplier': 100,            'slippage': 0,            'periods': [                {'kline_period': '1d', 'adjust_type': '1'},   # 只用日K线            ]           }    )    # 设置策略参数    strategy_params = {        'fast_ma': 5,        'slow_ma': 20,    }        # 运行回测    results = backtester.run(        strategy=ma_cross_strategy,        initialize=initialize,        strategy_params=strategy_params,    )   
示例策略-双均线策略(使用本地数据)






























































from ssquant.backtest.backtest_core import MultiSourceBacktesterfrom ssquant.api.strategy_api import StrategyAPIfrom 双均线策略 import ma_cross_strategy, initializeif __name__ == "__main__":    # 创建多数据源回测器    backtester = MultiSourceBacktester()    # 设置基础配置（本地数据无需API认证）    backtester.set_base_config({        'use_cache': False,      # 本地数据无需API缓存        'save_data': False,      # 本地数据无需API保存        'align_data': False,     # 单品种可不对齐        'debug': True    })    # 添加本地CSV数据源 - 单文件方式        backtester.add_symbol_config(        symbol='rb888',        config={            'file_path': 'data_cache/rb888.csv',   # 本地路径，使用'file_path'字段会自动屏蔽API数据接口的调用。            'start_date': '2023-01-01',   # 缩短回测时间，减少数据量            'end_date': '2024-04-30',    # 使用历史数据，避免未来数据            'initial_capital': 100000,            'commission': 0.0001,            'margin_rate': 0.1,            'contract_multiplier': 100,            'slippage': 0,            'periods': [{'kline_period': '1d', 'adjust_type': '1'}],        }    )        '''    # 添加本地CSV数据源 - 多文件方式（按年份分割的数据）    backtester.add_symbol_config(        symbol='au888',        config={            'file_path': [                'data_cache/au888_2023.csv',   # 2023年数据                'data_cache/au888_2024_q1.csv',   # 2024年第一季度数据            ],   # 多个文件会按顺序加载并合并            'start_date': '2023-01-01',   # 缩短回测时间            'end_date': '2024-1-31',    # 使用历史数据            'initial_capital': 100000,            'commission': 0.0001,            'margin_rate': 0.1,            'contract_multiplier': 100,            'slippage': 0,            'periods': [{'kline_period': '1d', 'adjust_type': '1'}],        }    )    '''    # 设置策略参数    strategy_params = {        'fast_ma': 5,        'slow_ma': 20,    }    # 运行回测    results = backtester.run(        strategy=ma_cross_strategy,        initialize=initialize,        strategy_params=strategy_params,    )
图片

关于松鼠QuantAi+量化交易框架
我们计划在2个月内开发完交易模块，希望大家多多提意见，如果发现BUG请与我们即时反馈。
图片

当前框架说明：
1.目前AI助手编写的策略模板是以松鼠俱乐部数据API为基础。
2.如果是使用本地数据，请自行准备数据源并且告知Ai使用本地数据。
github地址(国外)：

https://github.com/songshuquant/ssquant-ai

gitee地址(国内):

https://gitee.com/ssquant/ssquant-ai

已被gitee官方推荐！点击阅读原文访问，如果你也喜欢AI+量化回测框架请帮忙点一下Star哈
图片

防迷路


                      图片

微   信｜小松鼠-松鼠Quant

微信号｜viquant01

加入2025量化俱乐部

分享