QuantDinger 教程：本地部署 AI 量化分析系统实操指南

2026-09-18 12:57 2 阅读

环境准备：只需三样东西

部署 QuantDinger 不需要复杂的 Python 环境或数据库配置，核心依赖只有 Docker。Docker 相当于一个“软件集装箱”，把整个运行环境打包好，用户直接运行即可。

文章配图

你需要确认以下三项已就绪：

文章配图

操作系统：Windows 10/11、macOS 或 Linux 均可。
Docker Desktop：从官网安装后，任务栏应出现小鲸鱼图标，表示服务正在运行。
Git：用于从 GitHub 下载项目代码。

文章配图

验证方法是在终端（Windows 用 PowerShell，Mac 用终端）执行：

文章配图

docker -v
docker compose version
git --version

文章配图

若三行均返回版本号而非报错，说明环境已准备好。

文章配图

四步完成本地部署

文章配图

第一步：下载项目代码

文章配图

在终端中执行：

文章配图

git clone https://github.com/brokermr810/QuantDinger.git
cd QuantDinger

文章配图

该项目已包含预构建的前端文件，无需额外安装 Node.js。

文章配图

第二步：配置安全密钥

文章配图

系统要求设置 SECRET_KEY，否则后端无法启动。操作方式因系统而异：

文章配图

macOS / Linux：

cp backend_api_python/env.example backend_api_python/.env
chmod +x ./scripts/generate-secret-key.sh
./scripts/generate-secret-key.sh

文章配图

Windows PowerShell：

Copy-Item backend_api_python\env.example -Destination backend_api_python\.env
powershell -ExecutionPolicy Bypass -File .\scripts\generate-secret-key.ps1

文章配图

脚本会自动生成随机密钥并写入 backend_api_python/.env 文件。也可手动编辑该文件，替换 SECRET_KEY 的值为任意长字符串。

文章配图

第三步：启动服务

文章配图

在项目根目录执行：

文章配图

docker-compose up -d --build

文章配图

首次运行需下载 PostgreSQL、Redis、Python 后端和 Nginx 前端的镜像，耗时约 3–10 分钟，取决于网络速度。期间可观察终端日志滚动。

文章配图

第四步：Windows 用户处理端口冲突

文章配图

Windows 的 Hyper-V 机制可能占用 5432 端口，导致数据库启动失败。可通过以下命令查看被排除的端口范围：

netsh interface ipv4 show excludedportrange protocol=tcp

若 5432 在范围内，需修改 docker-compose.yml 中的端口映射：

ports:
  - "127.0.0.1:5151:5432"  # 仅修改主机端口（左侧）

保存后重新执行 docker-compose up -d。此后若需用数据库工具连接，应使用 5151 端口，用户名和密码见 docker-compose.yml 中的 POSTGRES_USER 和 POSTGRES_PASSWORD。

第五步：访问系统

部署完成后，浏览器打开 http://localhost:8888。默认登录账号为 quantdinger，密码 123456。首次登录后务必修改密码。

可通过以下命令检查服务状态：

# 查看容器运行状态
docker-compose ps

# 实时查看后端日志
docker-compose logs -f backend

# 访问健康检查接口
# http://localhost:5000/api/health

接入大语言模型

QuantDinger 的核心能力在于集成大模型（LLM），实现自然语言驱动的量化分析。以蓝耘平台的 GLM-5.1 为例：

在蓝耘控制台获取 API Key 和 Base URL。
进入 QuantDinger 的“系统设置”页面，填写：
- API Base URL：蓝耘提供的接口地址
- API Key：复制的密钥
- 模型名称：/maas/zhipuai/GLM-5.1

目前界面无“测试连接”按钮，需通过后续功能验证配置是否生效。

核心功能实战

AI 资产分析：自动生成研报

在“AI资产分析”模块输入股票代码（如 MSFT），系统调用大模型综合技术面与基本面数据生成报告。例如对微软的分析指出：

“MACD金叉、均线多头排列，ROE 34.4%、净利率39%，基本面强劲，但RSI达68.71接近超买，价格临近$427.43阻力位，短期有回调风险……综合评分-45.0分，建议SELL。”

报告同时呈现技术指标、财务数据和多周期评分，避免人类情绪干扰。

预测市场：推演未来走势

“预测市场”模块结合宏观因子与市场情绪，输出未来价格路径的逻辑推演，辅助仓位管理和风险控制。

指标 IDE：用自然语言生成策略代码

这是最实用的功能之一。用户只需描述需求，如：“帮我写一个优化版的布林带反转策略，加宽布林带与止损空间，增加移动止盈锁定利润。”

AI 会生成完整策略代码，包含参数定义、买卖逻辑、绘图配置和信号标记。示例代码如下：

my_indicator_name = "[示例] 布林带触及"
my_indicator_description = "优化版布林带反转策略..."
# @param period int 30
# @param mult float 2.5
# @strategy stopLossPct 0.03
# @strategy takeProfitPct 0.06
# ... 其他参数

df = df.copy()
period = int(params.get('period', 30))
mult = float(params.get('mult', 2.5))
mid = df['close'].rolling(period).mean()
std = df['close'].rolling(period).std().fillna(0)
upper = mid + mult * std
lower = mid - mult * std

raw_buy = df['close'] < lower
raw_sell = df['close'] > upper
buy = raw_buy & (~raw_buy.shift(1))
sell = raw_sell & (~raw_sell.shift(1))

df['buy'] = buy.astype(bool)
df['sell'] = sell.astype(bool)

# 生成买卖标记位置
buy_marks = [df['low'].iloc[i] * 0.995 if buy.iloc[i] else None for i in range(len(df))]
sell_marks = [df['high'].iloc[i] * 1.005 if sell.iloc[i] else None for i in range(len(df))]

output = {
    'name': my_indicator_name,
    'plots': [
        {'name': 'BOLL 上', 'data': upper.tolist(), 'color': '#69c0ff', 'overlay': True},
        {'name': 'BOLL 中', 'data': mid.tolist(), 'color': '#d9d9d9', 'overlay': True},
        {'name': 'BOLL 下', 'data': lower.tolist(), 'color': '#69c0ff', 'overlay': True}
    ],
    'signals': [
        {'type': 'buy', 'text': 'B', 'data': buy_marks, 'color': '#00E676'},
        {'type': 'sell', 'text': 'S', 'data': sell_marks, 'color': '#FF5252'}
    ]
}