QuantDinger 全网最全保姆级教程：5分钟搭建AI量化系统

在这个连菜市场大妈都在讨论股票的时代，你有没有想过一个问题：为什么明明看了那么多研报，学了那么多战法，一到实操还是变成“韭菜”？

说白了，人的大脑在处理海量数据、克服贪婪与恐惧时，是有天然瓶颈的。而“量化交易”，就是把那些复杂的计算、严苛的纪律，全部交给冰冷的机器和代码去执行。

一提到量化，很多人脑海里马上浮现出西装革履的华尔街精英，或者密密麻麻的彭博终端机，觉得这是普通人高攀不起的领域。但今天，我要给大家拆解一个开源界的“宝藏项目”——QuantDinger。

它不仅能帮你做基本面分析、技术面分析，甚至还能让你用自然语言让 AI 自动生成交易策略代码，并且一键跑回测！最爽的是，它完全部署在你自己的电脑上，数据安全，不用看别人的脸色。

今天这篇文章，我会用最接地气的大白话，手把手带你把这个神器跑起来。全程保姆级教程，只要你会敲键盘，就能跟着做。

目录

第一阶段：兵马未动，粮草先行（环境准备）

第二阶段：四步走，把量化系统拉回本地

第一步：把代码“偷”回来

第二步：配置“门禁卡”（极其重要！）

第三步：一键启动（见证奇迹的时刻）

第四步：Windows 用户的专属“避坑指南”

第五步：敲开系统的大门

第三阶段：注入灵魂——接入大模型

第四阶段：实战演练，感受 AI 的降维打击

场景一：AI 资产分析——一秒出具研报

场景二：预测市场——窥探未来的水晶球

场景三：指标 IDE——不会写代码？让 AI 写给你看！

场景四：交易机器人——解放双手的终极形态

附录：日常使用与保养指南

结语

第一阶段：兵马未动，粮草先行（环境准备）

别被“部署”两个字吓到，现在的技术早就把门槛踩在脚底下了。我们不需要去配什么乱七八糟的 Python 环境，也不需要装数据库，我们只需要一个神器：Docker。

什么是 Docker？ 说人话，它就是一个装软件的“集装箱”。以前装软件，各种依赖冲突能把人逼疯；有了 Docker，人家把运行环境打包好了，你直接搬过来用就行。

你需要准备的只有三样：

1. 电脑系统：Windows 10/11（推荐）、macOS 或者 Linux 都行。
2. Docker：去官网下载个 Docker Desktop，安装完之后，确保你的电脑任务栏（或顶栏）里能看到一个小鲸鱼的图标，说明它正在运行。
3. Git：一个用来下载代码的小工具。

怎么确认准备好了？在你的电脑上打开终端（Windows 用户按 Win 键搜 “PowerShell”，Mac 用户打开“终端”），输入下面三行命令：

docker -v docker compose version # 注意：新版 Docker 自带 docker compose（不带横线） git --version

只要这三行命令没有报错，而是弹出一串版本号，恭喜你，最难的坎你已经迈过去了！

第二阶段：四步走，把量化系统拉回本地

接下来的操作，堪称“傻瓜式一键部署”。打开你的终端，跟着我一步步复制粘贴。

第一步：把代码“偷”回来

在终端里敲入下面这行代码，回车。它会把 GitHub 上的最新代码完整下载到你电脑上。

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

说明：这个仓库已经包含前端预构建产物（frontend/dist），所以不需要安装 Node.js。

第二步：配置“门禁卡”（极其重要！）

系统为了安全，需要你设置一把专属的钥匙（SECRET_KEY）。如果你不改，后端会傲娇地拒绝启动。

• Mac / Linux 用户：直接复制这两行：

cp backend_api_python/env.example backend_api_python/.env chmod +x ./scripts/generate-secret-key.sh # 如果没有执行权限就先加上 ./scripts/generate-secret-key.sh

• Windows PowerShell：

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

注意：主配置就是 backend_api_python/.env；根目录下是否创建 .env 是可选的（只用于镜像前缀、自定义端口等）。

脚本会自动在 backend_api_python/.env 中写入一个随机密钥并提示成功。

（可选）如果你想手工改，也可以直接编辑 backend_api_python/.env，把下面这行改成你自己的随机字符串：

SECRET_KEY=这里改成你自己的随机字符串

第三步：一键启动（见证奇迹的时刻）

在项目目录下，敲下这行拥有魔力的命令：

docker-compose up -d --build

回车之后，你可以去泡杯咖啡了。因为这是第一次启动，系统要跑去网上拉取 PostgreSQL 数据库、Redis 缓存、Python 后端和 Nginx 前端的镜像，还要安装依赖。根据你的网速，大概需要 3 到 10 分钟。你只要看着终端里哗啦啦滚动的代码日志，感受科技的魅力就好。

第四步：Windows 用户的专属“避坑指南”

Windows 有一个臭名昭著的机制叫 Hyper-V，它每次重启都会随机“霸占”一批端口（通常是 5000-6000 之间）。如果你的运气不太好，刚好系统占用了 5432 端口，数据库就起不来了。 怎么办？ 别慌，在 PowerShell 里敲下面这条命令看看哪些端口被占了。

netsh interface ipv4 show excludedportrange protocol=tcp

然后用记事本打开项目里的docker-compose.yml，找到ports那一行把原来的：

ports:- "127.0.0.1:5432:5432"

改成：

ports:- "127.0.0.1:5151:5432" # 只改了左边的，右边的 5432 别动

(注意：冒号左边的 5151 是你电脑访问的端口，冒号右边的 5432 是容器内部的端口，只能改左边)

保存文件。在 PowerShell 里重新启动：

docker-compose up -d

这次应该就能顺利跑起来了！

补充提示：改完之后，如果你以后想用本机的数据库可视化工具连这个项目的数据库，记得端口要填 5151，用户名密码看docker-compose.yml里的POSTGRES_USER和POSTGRES_PASSWORD。

查看容器是否正常运行

docker-compose ps # 查看各容器状态（State=Up、Health=healthy） docker-compose logs -f backend # 实时看后端日志

官方提供了健康检查端点，也可以用浏览器或 curl 验证：

• 后端健康检查：http://localhost:5000/api/health

第五步：敲开系统的大门

等终端不再滚动后，打开浏览器，在地址栏输入：http://localhost:8888

看到登录界面的那一刻，你应该给自己鼓个掌。默认账号密码是：quantdinger/123456。登录进去的第一件事，赶紧去把默认密码改了！

第三阶段：注入灵魂——接入大模型

如果只是个跑数据的空壳，那 QuantDinger 最多算个软件。但它之所以叫“神器”，是因为它能接入目前最前沿的大语言模型（LLM），让 AI 成为你私人定制的分析师。

系统设置里，它支持接入各类大模型，甚至兼容 Azure OpenAI 的接口。在这里，我拿蓝耘官方最新上线的 GLM-5.1 模型来做个测试。

拿到 API KEY 后，回到 QuantDinger 的系统设置页面。你会看到几个输入框，我们需要把刚才的信息填进去：

• API Base URL：填入蓝耘平台提供的接口地址。
• API Key：把你刚才复制的那串密钥贴进来。
• 模型名称：填入 /maas/zhipuai/GLM-5.1。

这里没有“测试连接”的按钮，有点小粗糙，但没关系，我们直接去实战检验！

第四阶段：实战演练，感受 AI 的降维打击

配置好大模型后，我们终于可以进入正题了。QuantDinger 里有几个核心模块，每一个都能让你惊呼“原来还可以这样”。

场景一：AI 资产分析——一秒出具研报

我们在“AI资产分析”模块里，输入美股代码MSFT（微软），点击“开始分析”。

这时候，你配置的 GLM-5.1 大模型就开始在后台疯狂运转了。稍微等个几分钟（取决于大模型的响应速度），一份极其详尽的分析报告就出来了。

你看看它给了什么结论：

“MSFT处于强势上升趋势中，MACD金叉且均线多头排列，基本面极为强劲（ROE 34.4%、净利率39%、EPS持续增长），支撑中长期看多逻辑。但RSI已达68.71接近超买区域，价格临 近阻力位$427.43，短期存在回调风险，建议轻仓做多并严格止损。 [多周期客观共识：综合评分-45.0分（明显利空），建议SELL]”

看到没有？它不仅懂技术面的 MACD、RSI、布林带，还懂基本面的 ROE、净利率。最可怕的是，它最后还能克制住“看多”的冲动，通过多周期打分给出了“SELL”的客观建议。这种兼顾细节与宏观，且不带人类主观情绪的分析，就是 AI 最大的价值。

场景二：预测市场——窥探未来的水晶球

前面试过了即时分析，我们再点开“预测市场”模块。

同样是输入代码，等待大概一分钟的时间，系统会结合更多的宏观因子和情绪指标，给出来一份关于未来走势的预测逻辑推演。这对于我们做仓位管理和风控，有着极大的参考意义。

场景三：指标 IDE——不会写代码？让 AI 写给你看！

这是我个人最喜欢的模块。很多散户想玩量化，卡在哪儿？卡在不会写 Python，看不懂 pandas。

在 QuantDinger 的指标 IDE 里，你可以直接用大白话对 AI 说：“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。”

话音刚落，AI 瞬间生成了几十行极其规范的策略代码：(代码展示：包含了 period 参数、mult标准差倍数、止损止盈比例、移动止盈逻辑，甚至精细到买卖标记在 K 线上的偏移比例df['low'].iloc[i] * 0.995。)

my_indicator_name = "[示例] 布林带触及" my_indicator_description = "优化版布林带反转策略：加宽布林带与止损空间，增加移动止盈锁定利润，降低单笔仓位。" # @param period int 30 布林带周期 # @param mult float 2.5 布林带标准差倍数 # @strategy stopLossPct 0.03 # @strategy takeProfitPct 0.06 # @strategy entryPct 0.25 # @strategy trailingEnabled true # @strategy trailingStopPct 0.02 # @strategy trailingActivationPct 0.03 # @strategy tradeDirection long df = df.copy() period = int(params.get('period', 30)) mult = float(params.get('mult', 2.5)) mid = df['close'].rolling(period, min_periods=1).mean() std = df['close'].rolling(period, min_periods=1).std().fillna(0) upper = mid + mult * std lower = mid - mult * std raw_buy = df['close'] < lower raw_sell = df['close'] > upper buy = raw_buy.fillna(False) & (~raw_buy.shift(1).fillna(False)) sell = raw_sell.fillna(False) & (~raw_sell.shift(1).fillna(False)) df['buy'] = buy.astype(bool) df['sell'] = sell.astype(bool) buy_marks = [df['low'].iloc[i] * 0.995 if bool(buy.iloc[i]) else None for i in range(len(df))] sell_marks = [df['high'].iloc[i] * 1.005 if bool(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'} ] }

这还不算完，点击“运行回测”，系统会直接把这段代码扔进历史数据里跑一遍。几秒钟后，屏幕上出现了一条回测收益曲线。

看着那根在长时间维度里稳步向上、几乎“一马平川”的权益曲线，你的内心绝对会掀起波澜。以前你在软件上手动画线、瞎猜涨跌，现在你只要能想到逻辑，AI 就能帮你变成可以回测的代码！

场景四：交易机器人——解放双手的终极形态

在“交易机器人”模块里，你可以把前面写好的策略配置成不同的 Agent（智能体）。设定好条件后，它甚至可以帮你自动盯盘、自动下发交易指令。

不过这里我要敲个黑板： AI 交易虽然酷炫，但市场是残酷的。量化回测里的“一马平川”，不代表实盘一定能赚钱（因为有滑点、手续费等现实因素）。这个功能适合有经验的玩家去折腾，行外小白千万别轻易拿真金白银去让机器人自动交易！

附录：日常使用与保养指南

把系统跑起来只是一半，日常怎么维护呢？这里送你几句“口诀”，全在项目根目录的终端里操作：

• 想看状态：docker-compose ps（看四个容器是不是都是健康的 Up 状态）
• 想看后端日志：docker-compose logs -f backend（排查大模型有没有报错就用这个）
• 只改了后端配置：docker-compose restart backend（不用整体重启，省时间）
• 大改了一通代码：docker-compose up -d --build（重新构建并启动）
• 今天不玩了，关机：docker-compose down（放心，你的数据都在 Docker 卷里，不会丢）

如果你是个喜欢折腾的极客，还可以在根目录建一个.env文件，把前端的8888端口改成3000，或者加上国内的镜像加速前缀（比如docker.m.daocloud.io/library/），这样拉取镜像的速度能起飞。

结语

在这个信息过载的时代，散户和机构的差距，往往就是“数据处理能力”的差距。

QuantDinger 这样的开源项目的出现，就像是给普通投资者发了一把赛博朋克时代的武器。它把复杂的金融工程、枯燥的代码编写、昂贵的大模型算力，全部封装成了一个个可视化的按钮。

不需要你懂底层逻辑，不需要你买昂贵的服务器，只要一台能跑 Docker 的电脑，你就能拥有一个堪比小型私募投研团队的辅助系统。

当然，工具再好，也只是工具。AI 能帮你排除情绪干扰、处理海量数据，但最终按下“买入”或“卖出”按钮的，依然是你自己。保持对市场的敬畏，用理性去驾驭工具，这才是量化交易带给我们最大的意义。

赶紧去部署试试吧，开启你的 AI 量化第一步！如果觉得文章对你有帮助，欢迎点赞、在看、转发三连，你的支持是我持续输出干货的最大动力！