QUANT MODULE

量化模块

基于 Claude Code + NautilusTrader 构建量化 Agent，结合 GNN+Transformer 深度学习模型实现恒生科技价格预测。利用 5080 主机 GPU 在夜间自动训练，MiniMax 语音播报结果，8 步完成从环境搭建到端到端验证的全流程。

构建步骤 THGNN 训练量化工作流

Quant Agent Build Guide

量化 Agent 构建步骤

Claude Code + NautilusTrader + MiniMax 三位一体，从环境搭建到端到端验证的完整 8 步指南。每一步都标注了 Token 效率优化点。

Phase 1MacBook Pro M1基础上下文 -40%

安装 Claude Code 与 NautilusTrader Skill

在 MacBook Pro 上安装 Claude Code CLI，并加载 NautilusTrader Skill。Skill 按需加载，不占用基础上下文，是 Token 效率优化的第一步。

安装 Claude Code CLI

npm install -g @anthropic-ai/claude-code

安装 NautilusTrader Skill

npx @smithery/cli@latest skill add PoorRican/using-nautilus-trader

验证 Skill 安装

claude --list-skills

Token 效率提示

>Skill 包含 18 个知识文件（策略开发、回测、实盘等），仅在需要时加载
>相比将所有文档写入 CLAUDE.md，Skill 方式可节省 40% 基础上下文

GNN + Transformer Nightly Training

THGNN 夜间自动训练方案

基于 Temporal-Heterogeneous Graph Neural Network 架构，以恒生科技 30 只成分股的 2h K 线时间序列为纵轴、截面特征为横轴构建输入矩阵。利用 5080 主机的 RTX 5080 在您睡觉时自动完成超参数搜索与模型训练，次日早晨通过 MiniMax 语音播报结果。

三阶段模型流水线

Stage 1

Transformer 时序编码

将每只股票的 60 个 2h K 线 × 14 维特征压缩为 128 维嵌入向量

>4 层编码器

>8 头注意力

>可学习位置编码

Stage 2

GAT 图注意力编码

在 30 只成分股构成的图上传播截面信息，建模股票间关联

>2 层 GAT

>4 头图注意力

>三源邻接矩阵融合

Stage 3

多任务预测头

同时预测价格变动幅度（回归）和涨跌方向（分类）

>Huber Loss（价格）

>BCE Loss（方向）

>L = L_h + 0.3·L_d

输入矩阵 (30×60×14)→时序嵌入 (30×128)→关系增强 (30×128)→价格预测 + 方向

纵轴 — 2h K 线时间序列（T=60，约 5 个交易日）

特征类别	具体特征	维度
价格特征	OHLC 对数收益率	4
成交量特征	成交量、成交额（z-score）	2
技术指标	RSI(14)、MACD、布林带宽度、ATR(14)	4
波动率特征	已实现波动率、Parkinson 波动率	2
价格位置	MA20 偏离度、MA60 偏离度	2
合计	每只股票每个时间步	14

横轴 — 恒生科技截面（N=30 只成分股）

股票间关系通过三源融合邻接矩阵编码。滚动相关性矩阵捕捉动态联动关系，行业关联矩阵编码结构化先验知识，自适应注意力矩阵由 GAT 在训练中自动学习隐含关联。

A = 0.4 × A_corr + 0.2 × A_sector + 0.4 × A_adaptive

■ 滚动相关性（20日）■ 行业分类■ 注意力学习