QuantMind：Docker 私有化部署的开源量化投研平台

QuantMind（量化大脑）是一套用 Python 写的 AI 原生量化投研平台，把数据、因子、模型、回测和模拟交易串成一条流水线：数据底座 → 因子挖掘 → 模型训练 → 批量推理 → 组合回测 → 模拟交易 → 生产监控。它覆盖 A 股、港股、美股、期货与区块链五个市场，深度集成微软 Qlib、RD-Agent 因子演化和 TradingAgents 多智能体投研。

它要解决的是门槛问题：不用凑齐数据工程和量化研究两拨人，一个人也能把因子假设推进到回测结论。输入行情数据与因子假设，产出模型分数、Qlib 回测指标和模拟交易记录，从挖因子到看结果不用换系统。

系统以 Docker Compose 做私有化部署，数据和模型留在本地服务器上。开源版采用 AGPL-3.0 许可证，主要语言是 Python，占比 68.4%，其余为 TypeScript 23.7%、JavaScript 4.8%、Vue 1.0%。仓库地址是 https://github.com/qusong0627/QuantMind，目前 1629 个 Star、366 个 Fork、14 个 Watcher、21 个开放 Issue，最近一次提交在 2026-09-26。

第一次用它需要知道的事

• 系统与权限：官方推荐 Ubuntu 22.04 或 24.04，一键部署脚本要用 sudo 执行，因为它会写入 /opt/quantmind 并启动容器服务。3000、8000、8001、8002、8003 五个端口需要空闲。
• 语言与依赖：后端要求 Python 3.10+，前端 TypeScript 5.x，模型侧依赖 PyTorch 2.x 与 Qlib。走本地开发模式还要装 Node，在 electron 目录执行 npm install。
• 密钥与账号：在线同步行情需要 QuantDB API Key，登录后在【个人中心】➔【数据平台】填入。没有 Key 就只能走离线数据包这条路。
• 体积与磁盘：仓库体积约 242711 KB；ModelScope 上的离线数据包含完整的 A 股历史行情与因子预计算数据，约 56 GB、7.4 万个文件，部署前要把磁盘留够。
• 实盘通道默认关闭：券商对接代码随仓库开源，但默认不展示、不启用，需要自己按配置模板适配并自测，别指望装完就能接实盘。

最短上手路径

1. 准备一台 Ubuntu 22.04 / 24.04 服务器，用有 sudo 权限的账号登录，确认 3000 到 8003 之间用到的端口都没被占用。
2. 执行一键部署命令：curl -fsSL https://gitee.com/qusong0627/QuantMind/raw/master/deploy/full-deploy.sh | sudo bash。脚本会从 CDN 拉取预构建镜像、业务数据、预训练模型、Qlib 数据与 PostgreSQL 初始化备份，校验后一次性恢复。
3. 浏览器打开 http://<服务器 IP>:3000 登录 Web 控制台，需要看接口的话进 http://<服务器 IP>:8000/docs。
4. 补行情数据：在【个人中心】➔【数据平台】填入 QuantDB API Key 完成绑定，或在服务器终端执行 docker exec quantmind python backend/scripts/quantdb_daily_sync.py 做增量同步。
5. 不想走在线同步，就从 ModelScope 数据集 qusong0627/LightGBM_Alpha300 下载离线包，解压到 /opt/quantmind/data/quantdb/，或者在【管理后台】→【数据管理】点【初始化数据】自动拉取。
6. 以后升级时进 /opt/quantmind 执行 sudo bash deploy/update.sh --force，这条命令不会清除数据库和模型资产。

它实际上能做哪些事

数据与因子

• 300+ 维预计算特征：接入 QuantDB 数据中枢，内置 L1/L2 微观结构与资金流特征，底层用 Parquet + DuckDB 做列式存算，README 称千万级行情可以秒级载入。这套数据不需要自己清洗拼装，代价是要么绑 QuantDB 在线同步，要么导入 56 GB 的离线包。
• 7x24 RSS 舆情监控：汇聚主流财经媒体的实时快讯，做事件实体自动匹配和利好/利空情绪量化，界面上是「实时舆情与 RSS 资讯监控」模块。它是资讯聚合与情绪打分，不包含交易信号生成。
• LLM 因子自动演化：集成微软 RD-Agent（AutoAlpha 2.0），流程是从自然语言描述量化假设，到因子公式合成，再到遗传演化回测和优选入库。对应的界面叫 QuantaAlpha 智能因子挖掘平台，你写中文假设，系统生成表达式并跑进化回测。

模型与信号

• 13 种模型工场：覆盖 LightGBM、XGBoost、CatBoost、GRU、LSTM、ALSTM、Transformer、TabNet、TCN、NativeTFT 等经典树模型与深度学习模型，可视化配置训练参数，内置 WFA 滚动窗口稳定性诊断，支持本地 Docker（CPU，检测到 NVIDIA 显卡自动挂载 GPU）或纳管自建 GPU 节点（AutoDL）做远程训练。Stacking 多模型集成（时序 OOF + Ridge 元学习器）需要修改训练配置文件才能启用。
• 批量推理与生产监控：全市场每日批量截面打分、Top-N 标的推荐与多信号动态融合，历史信号可以回溯。监控侧每日回填真实 Rank IC，输出 LightGBM 的 SHAP 特征重要性，并用数据漂移 PSI 做双通道告警。

回测、交易与工作台

• Qlib 回测中心：基于微软 Qlib 的事件驱动回测引擎，支持 TopkDropout 等经典多因子选股策略，能模拟细粒度交易费率、滑点与涨跌停，输出多维收益归因与风险指标。
• 本地模拟交易与风控：T+1 撮合，还原 A 股规则的涨跌停、停牌、整手、佣金、印花税、过户费与滑点，管理持仓与订单全生命周期，每日输出资金快照和历史曲线。启动前会跑一次准备度预检，输入状态或运行状态不通过就不启动。
• AI-IDE、模型广场与通达信联动：内置代码编辑器和量化 AI Copilot，支持写策略、语法检查、一键回测与云端发布；Model Hub 可以浏览并一键导入社区模型，也能把自己的模型发布共享。项目定位里还提到通达信深度联动，包括板块推送、预警雷达和闪电下单，仓库没有展开这些功能的配置细节。

参数速查

• 服务端口：Web 控制台 3000，API 网关 8000，Swagger 文档 8000/docs，Engine 服务 8001（Qlib 回测、AI 训练与推理、因子挖掘），Trade 服务 8002（订单、持仓、模拟撮合、风控），Stream 服务 8003（实时行情与 WebSocket 推送）。
• 服务入口：后端统一由 backend/main_oss.py 编排启动。
• 配置与数据目录：环境变量模板在 .env.example（9.5 KB），数据标准目录是 /opt/quantmind/data/quantdb/，容器内通过 ./data:/data 挂载读取 /data/quantdb。
• 常用命令：部署 curl -fsSL https://gitee.com/qusong0627/QuantMind/raw/master/deploy/full-deploy.sh | sudo bash；更新 sudo bash deploy/update.sh --force；数据增量同步 docker exec quantmind python backend/scripts/quantdb_daily_sync.py；后端单测 python backend/run_tests.py unit；前端开发 cd electron && npm run dev（Electron 桌面端）、npm run dev:web（Web 模式）、npm run typecheck。
• 目录用途：user_strategies/ 放用户策略，strategy_templates/ 放策略模板，models_share/ 放共享模型，prompts/ 放提示词，skills/ 与 tools/ 放扩展能力。

.env.example 里逐个字段的含义，仓库里没有在 README 中逐条说明，需要自己打开文件对照部署指南。

输出与结果位置

日常使用的结果都在 Web 控制台里看：市场监控与资产看板显示账户资产、策略运行状态、成交记录和每日收益曲线；投研平台输出候选标的池并直连模型分数；批量推理与选股信号中心给出截面排序、Top-N 推荐和历史信号回溯；回测中心的页面直接展示收益与最大回撤。

接口层面的结果走 http://<服务器 IP>:8000，字段说明在 /docs 的 Swagger 页面上。数据与模型文件落在服务器的 /opt/quantmind/data/quantdb/，容器内对应 /data/quantdb；自己写好的策略落在 user_strategies/，发布到模型广场的模型走 models_share/。日志与容器状态的具体路径，仓库里没有说明。

实际使用中的坑

• 桌面端端口被锁死：Issue 里反馈桌面端会自动添加地址端口且无法自定义。如果服务器上已经跑了宝塔面板或占用默认端口的 Vue 业务，会出现服务端配置没问题、桌面端却配置不了的情况。该 Issue 目前仍是待解决状态，评论 4 条。
• 桌面客户端下载报 AccessDenied：有用户下载安装包时提示拒绝访问，评论 2 条，待解决。安装包本身只是前端桌面客户端，不含后端服务，必须先部署好服务端才能用。
• 实时行情源配置缺文档：官方数据下载页提示「如需实时行情，请自行配置行情源（如 Tushare、AKShare）」，但 Issue 提问者翻源码和配置文档后仍不清楚具体怎么配，评论 2 条，待解决。
• 数据包缺少目录：有用户从百度云下载 qlib_data.tar.gz 解压后发现没有 feature_snapshots 目录，评论 1 条，待解决；另有智能选股 SQL 转换时 stock_tag 表为空、文档提到的 backfill_stock_tag_from_parquet.py 脚本找不到的问题，同样待解决。数据下载速度慢也是社区反复提到的一点。

同类项目对比

如果你只有一份已经清洗好的表格数据，想快速验证某个树模型的分类效果，QuantMind 的门槛明显更高：它要 Docker、Ubuntu 服务器、几十 GB 数据盘，还要绑 QuantDB 或导入离线包，而 gtzjh/mymodels 这类轻量工作流用一个 Python 环境就能跑起来。反过来，一旦你需要 A 股撮合规则、涨跌停与费用模拟、每日截面选股和模型广场这类成品能力，轻量项目都要自己从头写，这时候 QuantMind 才划算。

合规边界

这个项目包含实盘交易通道的参考实现、券商接口对接以及 7x24 资讯抓取，使用范围要自己管住。量化交易功能只可用于你本人名下的账户，或者已经取得书面授权的目标账户；未经授权接入他人账户、代客理财或对外提供交易信号，可能触及证券与期货监管规则。

券商环境、账户权限和合规要求因地区而异，README 明确写了实盘通道需要使用者自行适配与自测后再接入，出问题由使用者承担。舆情与资讯模块在抓取财经媒体内容时，要遵守目标站点的 robots 协议与服务条款，把抓到的内容再对外分发存在版权风险。用于选股或下单前，请确认自己的身份与业务在当地属于允许范围。

什么时候值得用它

你需要在本地服务器上跑通从因子挖掘到模拟交易的完整链路，并且在意策略与数据不出本地，QuantMind 的一键部署和内置数据集能省掉大量拼装工作。

你已经熟悉 Qlib 或 LightGBM，想把手写脚本换成有界面、有多模型对比、有日常推理与监控告警的工作台，这个项目提供的模型工场和推理信号中心正好接得上。

你希望把模型或策略沉淀成可分享的资产，Model Hub 的浏览、导入与发布流程，加上 AGPL-3.0 允许的免费商用，比自建一套内部平台更快落地。