Tous les outils dont un trader quantitatif a besoin: de la génération de stratégies à la gestion des risques, des sources de données à la composition de portefeuille.
Cinq modes IA distincts pour générer, prédire et gérer des trades avec des grands modèles de langage.
Classifiez les conditions de marché en régimes Tendance, Range, Consolidation, Oscillation ou Personnalisé, puis générez des signaux d\'entrée adaptés au régime. L\'approche à deux couches sépare la classification de la logique d\'entrée.
pages.quantnexus.featuresPage.mod2Desc
Le LLM évalue chaque barre de prix avec le contexte complet. Philosophie, indicateurs et état du marché. Pour des décisions d\'achat/vente/attente granulaires sur chaque bougie.
LLM-assisted decisions can run at user-configured intervals instead of every bar. Cost and throughput depend on the selected provider, model, data, and workload.
Décrivez des stratégies en langage naturel, itérez via le chat, obtenez du code Python exécutable. Élimine la barrière de la programmation pour les traders avec une forte intuition.
Règles de sortie en défense en profondeur et filtres de conditions de marché pour protéger le capital.
Bloquez les trades dans des conditions défavorables en utilisant des règles d\'observation basées sur des indicateurs. Sépare "dois-je trader ?" de "quel trade ?" pour réduire les faux signaux et les drawdowns.
Système de sortie à cinq règles : Circuit Breaker, Limite de temps, Détection de régime, Limite de drawdown et Garde d\'indicateur. Plusieurs couches de sécurité indépendantes empêchent les pertes catastrophiques.
Données de marché multi-sources avec mise en cache locale et analyses de backtest en temps réel.
Community YFinance and Dukascopy routes, plus separately admitted providers and local Parquet data paths.
Courbes d\'équité en direct, journaux de trades et tableau de bord 7 métriques (PnL, Sharpe, MaxDD, Taux de gain, Facteur de profit) en streaming pendant l\'exécution du backtest. Découvrez les stratégies défaillantes tôt.
Local C++ executor with Apache Arrow data paths and reproducible backtest Artifacts. Performance claims are published per benchmark workload.
GratuitTransparent Community baselines and separately admitted advanced fusion and factor screening.
Community equal-weight combination and replay provide a transparent baseline. Advanced fusion, scoring, ranking, and model research are separately admitted.
Le niveau gratuit inclut le moteur de backtest C++, la détection de régime et les données YFinance + Dukascopy: tout ce dont vous avez besoin pour commencer à construire à grande échelle.