AlphaPilot

中文 | English

快速入口

• 5 分钟跑起来：快速开始
• 看真实驾驶舱：在线驾驶舱
• 让 AI 来驾驶：AI 驾驶员 Skill
• 部署到 Linux/Hermes：Linux / Hermes 无人值守模式
• 公开网站怎么保护：公网 Web 安全模型
• 本地验证命令：测试
• 使用文档：本地演示 / AI 驾驶员指南 / 部署到 Hermes / Vibe-Trading 研究层

面向个人自部署的一对一 A 股 AI 模拟盘交易员。

AlphaPilot 把行情理解、交易判断、模拟执行、日终复盘和次日策略接成一个自动闭环： LLM 负责交易决策和策略复盘，Linux/Hermes Agent 可以无人值守驾驶，Watchdog 和 Doctor 负责监控与自愈。每个部署实例只服务自己的账户，公网只读仪表盘是这个 AI 交易员的个人工作台。

仅用于研究、教育和模拟盘观察。AlphaPilot 不构成投资建议，不保证收益。 除非你完全理解风险，请保持 BROKER_MODE=paper。

项目为什么存在

大多数 AI 交易项目主要聚焦三类内容：Notebook、回测或 LLM Prompt。 AlphaPilot 更关注 AI 交易员周围的工程闭环：

• 盘前预热
• 盘中扫描和模拟执行
• 止损巡检
• 盘后复盘
• LLM 教训提取
• LLM 日终复盘与次日策略指令
• Watchdog 监控
• Doctor 自愈
• Linux systemd --user 无人值守运行
• 公网只读驾驶舱观测

项目目前对 A 股模拟盘有较强偏向，但整体架构也适合研究“由 Agent 操作的金融自动化系统”。

在线驾驶舱

公网只读仪表盘：

• https://alphapilot.pp.ua

公网仪表盘只用于观测。它不会暴露暂停、恢复、修复、Token 输入、原始环境变量或交易控制接口。

驾驶舱围绕“今天 AI 交易员做了什么、为什么没有成交、明天会改变什么”组织为四个页面：

• 今日：一句话每日交易员简报、下一动作、六项能力健康、从候选到模拟成交的完整决策旅程。
• 决策流水：明确区分观察结论和交易信号；HOLD 只表示 AI 已完成判断，只有 BUY / SELL 才是可执行信号。
• 策略与复盘：同时展示当前执行策略和下一交易日待生效策略、参数差异、策略假设及上一假设的事实评估。
• 运行健康：分别报告自动循环、行情、信号计算、LLM、计划执行和日终复盘，避免把“服务进程存活”误当成“交易能力完整”。

核心特性

• 旁路研究证据层：共享数据审计、不可覆盖的实验档案，以及评分／评分加 LLM／两只宽基 ETF 的同条件比较。默认关闭自动记录，不改变正式模拟盘或自动晋级策略；见 旁路研究使用说明。

• 随机森林量化研究基线：14 个归一化技术特征、时间留出/滚动训练、标签边界隔离、T+1 开盘成交与扣费收益对照；只读本地日线，不自动晋级交易模型。见 ML 基线验证。

• 多因子组合研究闭环：训练期 IC/RankIC、分组收益、稳定性和相关性筛选，横截面融合选股，共享资金的整手/T+1/成本回测与等权对照。严格模式缺成交元数据时阻断，逐窗报告可追溯。见 多因子研究。

• 同花顺研究数据：可选接入官方 Fuyao 历史日线、全市场快照研究池与财务查询，配置方式和限流说明见 同花顺接入。未配置密钥时继续使用原有数据源。

• 可解释技术形态：对齐 Sequoia-X 的高窄旗形、横截面 RPS、海龟突破、上升趋势跌停反包，接入注册表、技术集成投票与盘中影子诊断；条件、来源与验证边界见 Sequoia-X 借鉴。

• Vibe-Trading 研究层（可选）：通过外置 venv + MCP 只读工具接入港大 Vibe-Trading 的 GTJA191/Alpha101 因子库与因子 IC/IR 基准，数据用本地 k_daily/同花顺日线（研究池宇宙，不用 Tushare），作为盘后复盘的因子证据；默认关闭，未安装时自动降级。见 Vibe-Trading 研究层。

• Laya 影子决策层（可选）：外置 venv 本机常驻 Laya 类型化决策模型（Apache-2.0，非自回归，~1s/只 vs MiMo 90s/只），对 MiMo 已判断的候选并行打 buy/hold/sell 分类与信号强度评分，影子对照落库不拦截交易；默认关闭，服务未起时自动降级。见 Laya 影子决策层。

• LLM 交易决策：支持 MiMo/Xiaomi 兼容 OpenAI 风格 API，用于决策推理和交易计划生成。

• 五维信号上下文：技术面、资金面、舆情面、情绪面和基本面。

• 模拟账户引擎：模拟现金、持仓、成交、手续费、盈亏和账户快照。

• 交易记忆：盘后复盘和教训可以反馈到后续决策。

• 每日交易员事实简报：统一聚合候选、打分、LLM 判断、观察结论、交易信号、计划、风控阻断、失败和成交，直接解释“为什么没交易”。

• 日终 AI 策略指令：收盘复盘由 LLM 读取完整决策漏斗和执行事实，自主生成下一交易日生效的策略版本；扫描、个股判断、TradePlan 和结果都消费或关联该版本。

• 策略假设验证：下一次复盘会把上一策略假设标记为 supported、refuted 或 inconclusive，让策略演进有事实反馈而不是按固定天数机械调参。

• 绩效分析：交易结果、信号质量和来源表现会成为日终 AI 复盘输入，而不是用固定胜率规则直接支配下一轮策略。

• Watchdog 与 Doctor：检测循环停滞、过期状态、未决崩溃和闭环缺口。

• Hermes/Linux 模式：生成 systemd --user 任务，支持 Linux 无人值守运行。

• 公网安全层：生产 Web 模式会脱敏内部路径、命令、Token、Traceback 和长 Prompt 式推理。

• 能力级可观察性：展示账户、持仓、决策旅程、订单审计、当前/下一策略、教训和六项能力健康。

架构

市场 / 数据源
  |-- 新浪实时快照（五档盘口，执行链路默认，腾讯源自动回退）
  |-- 腾讯实时行情（pe/市值估值字段 + 回退源）
  |-- 腾讯分钟K线（data/kt_realtime.py）
  |-- 东方财富数据
  |-- LongBridge OpenAPI
  |-- Baostock / 历史数据兜底
          |
          v
信号与上下文层
  |-- 技术面 / 资金面 / 情绪面 / 舆情面 / 基本面
  |-- 市场环境
  |-- 交易记忆和教训
          |
          v
LLM Trader
  |-- 决策推理
  |-- 置信度
  |-- 交易计划
          |
          v
日终 AI 策略指令
  |-- 当日复盘与链路诊断
  |-- 下一交易日策略版本
  |-- 策略假设与结果归因
          |
          v
模拟执行与风控
  |-- 模拟订单
  |-- 止损 / 止盈
  |-- 回撤控制
          |
          v
运维闭环
  |-- 自动盯盘
  |-- Watchdog
  |-- Doctor
  |-- 每日复盘
          |
          v
Web 驾驶舱 / 报告 / 通知

仓库结构

config.py                 全局配置
main.py                   CLI 入口
data/                     行情数据、数据库、快照
signals/                  信号计算
strategy/                 LLM 交易员、记忆、自适应参数
execution/                模拟账户和订单管理
risk/                     仓位、止损、回撤控制
review/                   每日复盘和 LLM 复盘
scheduler/                自动循环、Watchdog、Doctor、通知
web/                      FastAPI 服务和静态仪表盘
data/linux_tasks/         Linux/Hermes systemd user 任务模板
docs/                     架构与运维文档
tests/                    本地契约与回归测试

快速开始

下面这组命令适合第一次把车点火：创建虚拟环境、安装依赖、检查配置、跑一圈模拟驾驶， 最后打开本地驾驶舱。默认只跑模拟盘，不会触发真实交易。

新模拟盘默认从 10万元 开始。已有账户不会随配置自动重置；归档旧轮次和切换资金基准的步骤见 模拟盘资金轮次与动态风格。

git clone https://github.com/alfred1994/alpha-pilot.git
cd alpha-pilot

python3 -m venv .venv
. .venv/bin/activate
pip install -r requirements.txt

cp env.example .env
# 编辑 .env，并保持 BROKER_MODE=paper。

python3 main.py --health
python3 main.py --paper-ready --unattended-platform linux
python3 main.py --auto-once
python3 main.py --web --host 127.0.0.1 --port 8000

启动 Web 服务后打开：

http://127.0.0.1:8000

如果你只是想先看看座舱长什么样，可以直接访问公网只读驾驶舱：

https://alphapilot.pp.ua

AI 驾驶员 Skill

AlphaPilot 不只是一个脚本集合，它更像一辆已经装好传感器、仪表盘、维修舱和安全阀的交易赛车。 LLM 负责判断路线，Watchdog 像赛道监控，Doctor 像维修技师，而 Hermes / Codex / Claude 这类 AI Agent 可以作为驾驶员接管日常巡航。

项目内置了一份可复制给其他 AI Agent 的驾驶员说明书：

• .agents/skills/pilot_driver/SKILL.md
• docs/ai-driver-skill.md

最简单的使用方式：

1. 把 .agents/skills/pilot_driver/SKILL.md 交给你的 AI Agent。
2. 让 Agent 在服务器上的项目根目录执行 python3 main.py --agent-status。
3. 若 watchdog.ok=false，让 Agent 先跑 python3 main.py --doctor，再复查状态。
4. 若发现崩溃，按 Skill 中的“进站维修流程”读取 --crash-info、修复、测试、--resolve-crash、重启服务。
5. 让 Agent 每次操作后汇报“现在是否在跑、为什么没交易、下一步需要什么”。

日终复盘成功后，Agent 还会生成并保存一个下一交易日生效的 AI 策略版本。 下一交易日的扫描和个股 LLM 判断都会收到这份完整策略，盘中 TradePlan 会记录实际使用的版本； 若 LLM 没有返回有效结构化指令，系统会继续沿用上一有效版本。

一句话：人负责定目标和看结果，AI 驾驶员负责盯盘、巡检、诊断和把车重新开回赛道。

重要环境变量

# LongBridge 行情数据
LONGPORT_APP_KEY=
LONGPORT_APP_SECRET=
LONGPORT_ACCESS_TOKEN=

# LLM endpoint
XIAOMI_API_KEY=
XIAOMI_BASE_URL=https://token-plan-cn.xiaomimimo.com/v1

# 可选通知通道
TELEGRAM_BOT_TOKEN=
TELEGRAM_CHAT_ID=

# 除非你明确在开发 broker adapter，否则保持 paper。
BROKER_MODE=paper

完整模板见 env.example。

常用命令

python3 main.py --scan
python3 main.py --execute
python3 main.py --review
python3 main.py --stop-check
python3 main.py --health
python3 main.py --watchdog
python3 main.py --doctor
python3 main.py --ops-status
python3 main.py --agent-status
python3 main.py --ai-report
python3 main.py --auto-once
python3 main.py --auto
python3 main.py --auto-rehearse --rehearsal-days 5
python3 main.py --paper-ready --unattended-platform linux
python3 main.py --paper-bootstrap --unattended-platform linux --python-cmd python3
python3 main.py --linux-tasks
python3 main.py --linux-unattended-status
python3 main.py --research-sync
python3 main.py --train-pooled-model
python3 main.py --pooled-ml-status
python3 main.py --backfill-kline --backfill-universe all --backfill-full
python3 main.py --db-maintenance

Linux / Hermes 无人值守模式

AlphaPilot 可以生成 Linux systemd --user 任务：

python3 main.py --linux-tasks
bash data/linux_tasks/install_systemd_user.sh
systemctl --user status alpha-pilot-auto.service

完整部署说明见 docs/hermes-github-actions-deploy.md。

公网 Web 安全模型

生产模式下，FastAPI Web 服务会：

• 关闭 /docs 和 /openapi.json
• 通过 /api/public/status 提供仪表盘使用的只读状态
• 默认让 /api/status 返回脱敏快照
• 除非 ALPHAPILOT_ENABLE_CONTROL_API=true，否则不挂载 /api/control/*
• 添加基础浏览器安全响应头
• 隐藏内部路径、Shell 命令、Traceback、Token 类字符串和长 Prompt 式推理

推荐生产变量：

ALPHAPILOT_ENV=production
ALPHAPILOT_CORS_ORIGINS=https://your-dashboard-domain.example
BROKER_MODE=paper

测试

项目使用本地 Python 脚本作为契约测试，完整离线回归与 CI 共用自动发现入口：

python3 -m compileall -q web scheduler strategy execution data main.py config.py tests
python3 scripts/run_tests.py
python3 tests/test_web_public_dashboard.py
python3 tests/test_agent_driver_contract.py
python3 tests/test_auto_control.py
python3 tests/test_auto_watchdog.py
python3 tests/test_auto_doctor.py
python3 tests/test_auto_trader.py
python3 tests/test_paper_readiness.py
python3 tests/test_paper_bootstrap.py
python3 tests/test_strategy_directive.py
python3 tests/test_trader_brief.py
python3 tests/test_ml_signal_contract.py
python3 tests/test_order_audit_lessons.py
python3 tests/test_web_dashboard_data.py

scripts/run_tests.py 自动发现 tests/test_*.py，每个脚本独立运行并设置超时，强制模拟盘测试模式，阻止测试进程直接访问外部行情或 LLM 网络。新增离线回归脚本无需再修改 CI 名单；--list 可查看清单。test_low_position.py 与 test_phase1.py 是依赖真实行情或可选长桥连接的手工集成测试，明确排除，需在授权环境单独执行。

路线图

• 零密钥 sample/demo data 模式
• 更清晰的 broker adapter 接口
• 更确定性的 replay 报告
• 更完整的模拟盘公开 benchmark 叙事
• README 截图和 release artifact
• 本地驾驶舱 Docker Compose demo

和热门项目的区别

• 它不是 Lean 或 NautilusTrader 那样的通用生产级交易引擎。
• 它不是 FinRL 或 TradeMaster 那样的学术 RL 研究平台。
• 它也不只是 TradingAgents 那样的多 Agent Prompt 框架。
• 它是一个面向模拟盘的交易运维驾驶舱，设计目标是让 autonomous coding/ops agent 驾驶和维护。

贡献

项目公开后欢迎贡献。请先阅读 CONTRIBUTING.md、 SECURITY.md 和 DISCLAIMER.md。

许可证

Apache-2.0。见 LICENSE。