AI驱动的K线形态智能投研系统 | AI-Powered K-Line Pattern Research System K线视觉学习 | Top10历史形态对比 | 多因子评分 | 因子有效性分析 | 回测与组合优化 | 工业级性能与鲁棒性 --- 语言: 中文 | English --- README（中文完整版） 目标：构建“工业级”量化投研系统，强调性能、鲁棒性、可解释性、可复现性。该README覆盖项目原理、全流程设计、模块细节与全部关键优化路径。 目录（中文） - 项目定位与目标 - 科学背景与理论基础 - 设计哲学与Magic Moment - 系统架构总览 - 数据工程与质量控制 - K线图像与多尺度生成 - 视觉特征学习：AttentionCAE/QuantCAE/SimCLR - 索引与元数据：FAISS与路径体系 - 相似度检索与DTW主导重排 - 多尺度检索融合 - Top10可解释性输出 - K线学习因子与Triple Barrier标签 - 因子有效性分析框架 - 回测系统与严格无未来函数 - 组合构建与风险约束 - 舆情与AI Agent稳定性设计 - 性能优化清单（工业级） - 鲁棒性与容错策略 - 配置与环境变量 - 项目结构与模块索引 - 快速开始 - 完整数据流水线与脚本 - API服务（FastAPI） - 版本历史与路线 - 风险提示与许可证 - 引用与致谢 --- 项目定位与目标 VisionQuant-Pro 是一个以K线视觉形态学习为核心的量化投研系统，核心思想是： - 用视觉模型理解K线图形态，把“形态直觉”转化为可量化因子。 - 用“历史相似Top10形态”替代黑盒预测，强调可解释与可复盘。 - 通过因子有效性分析+回测体系，实现策略的科学验证与工业落地。 核心目标： - 性能：百万级样本检索保持可用响应速度，回测/因子分析有可解释的时间复杂度。 - 鲁棒性：多源数据与网络接口具备退路与容错。 - 准确性：DTW与价格形态约束减少“形似神不似”。 - 可解释性：Top10历史形态+统计胜率+因子曲线共同解释结论。 --- 科学背景与理论基础 多学科融合支撑系统设计与评价指标： - 行为金融学：代表性启发、锚定效应、羊群效应解释“形态复现”。 - 技术分析理论：形态识别、趋势延续、支撑阻力的可视化载体。 - 市场微观结构：流动性、订单流、信息扩散解释“形态后续走势”。 - 机器学习理论：无监督学习（CAE）提取隐变量，形成可检索向量空间。 - 量化因子研究方法：IC/Sharpe/Regime/Decay作为科学评

⚠ No verified equity curve — no track-record source connected.

No score history is stored yet — only the current score is shown.

⚠ No live verification account connected — ask for proof before buying.

Alerts on changes: coming soon

Prop-firm compatibility not provided.

Data-completeness & trust index (not a profitability rating)