在快速发展的人工智能领域，OpenAI 推出了 o1 系列模型，包括 o1-preview 和 o1-Mini。这些模型旨在执行复杂的推理任务，为开发人员和研究人员提供强大工具。本文将介绍如何openai api key获取并使用这些模型进行 API 调用。
使用 OpenAI o1 模型的步骤
获取 OpenAI API Key密钥
首先，您需要在 OpenAI 的官方网站注册并获取 API 密钥，或者参考以下代码。
编写 API 调用代码
以下是一个调用 o1-preview 或 o1-Mini 模型的示例代码：
import openai
# openai.api_key = 开发者快速获取参考 uiuiapi.com
openai.api_key = 'sk-xxxxxx'
openai.base_url = 'https://sg.uiuiapi.com/v1/'
response = openai.Completion.create(
model="o1-preview", # 或 "o1-mini"
prompt="请解释一下量子力学的基本原理。",
max_tokens=150
)
print(response.choices[0].text.strip())
管理上下文窗口
o1 模型具有较大的上下文窗口（128,000 个标记），注意管理以避免达到标记限制。
设置参数
根据需要设置不同的参数，例如 max_tokens 来控制生成的标记数量。
处理响应
处理 API 返回的响应，并根据需要进行进一步处理或显示。
OpenAI o1 模型的特点
- 高级推理：在科学推理方面表现出色。
- 两个变体：
- o1-preview：利用广泛的常识来解决难题。
- o1-mini：更快且更具成本效益，适合不需要广泛常识的任务。
- 上下文窗口：允许进行广泛的输入和推理。
使用最佳实践
- 保持提示简单直接：简短、清晰的指令效果最佳。
- 避免链式思维提示：无需提示模型“逐步思考”。
- 使用分隔符提高清晰度：使用三重引号、XML 标签等分隔符。
OpenAI 的 o1 系列模型代表了人工智能领域的重大进展，特别是在执行复杂推理任务的能力方面。通过了解这些模型的能力和使用最佳实践，开发人员可以利用它们的力量来创建创新的应用程序。
AI驱动的量化交易:从金融论文到自动化算法
在金融领域，一个创新工具能够将金融研究论文自动转化为可执行的量化交易算法。该工具从 PDF 中提取关键的交易策略和风险管理技术，并生成语法正确的 QuantConnect Python 代码。
核心功能
- PDF 文本提取：使用
pdfplumber提取文本。
def load_pdf(self, pdf_path: str) -> str:
try:
text = ""
with pdfplumber.open(pdf_path) as pdf:
for page in pdf.pages:
page_text = page.extract_text()
if page_text:
text += page_text + "\n"
logging.info("PDF加载成功。")
return text
except Exception as e:
logging.error(f"无法加载PDF：{
e}")
return ""
- 文本预处理：清理和预处理文本。
def preprocess_text(self, text: str) -> str:
try:
text = re.sub(r'https?://\S+', '', text)
text = re.sub(r'Electronic copy available at: .*', '', text)
text = re.sub(r'^\d+\s*', '', text, flags=re.MULTILINE)
text = re.sub(r'\n+', '\n', text)
text = re.sub(r'^\s*(Author|Title|Abstract)\s*', '', text, flags=re.MULTILINE | re.IGNORECASE)
text = text.strip()
logging.info("文本预处理成功。")
return text
except Exception as e:
logging.error(f"无法预处理文本：{
e}")
return ""
- 标题检测：识别章节标题以便组织内容。
def detect_headings(self, text: str) -> List[str]:
try:
doc = self.nlp(text)
headings = []
for sent in doc.sents:
sent_text = sent.text.strip()
if len(sent_text.split()) < 10 and sent_text.istitle():
headings.append(sent_text)
logging.info(f"检测到{
len(headings)}个标题。")
return headings
except Exception as e:
logging.error(f"无法检测标题：{
e}")
return []
- 关键词分析：分类交易信号和风险管理。
def keyword_analysis(self, sections: Dict[str, str]) -> Dict[str, List[str]]:
keyword_map = defaultdict(list)
risk_management_keywords = [
"drawdown", "volatility", "reduce", "limit", "risk", "risk-adjusted",
"maximal drawdown", "market volatility", "bear markets", "stability",
"sidestep", "reduce drawdown", "stop-loss", "position sizing", "hedging"
]
trading_signal_keywords = [
"buy", "sell", "signal", "indicator", "trend", "SMA", "moving average",
"momentum", "RSI", "MACD", "bollinger bands", "Rachev ratio", "stay long",
"exit", "market timing", "yield curve", "recession", "unemployment",
"housing starts", "Treasuries", "economic indicator"
]
# ... (代码省略,完整实现请参考原文)
logging.info("关键词分析完成。")
return keyword_map
- 生成代码：利用 GPT-4 生成 QuantConnect 算法。
def generate_qc_code(self, extracted_data: Dict[str, List[str]]) -> str:
trading_signals = '\n'.join(extracted_data.get('trading_signal', []))
risk_management = '\n'.join(extracted_data.get('risk_management', []))
prompt = f"""
你是一位专家级的QuantConnect算法开发者。将以下交易策略和风险管理描述转换为完整、无错误的QuantConnect Python算法。
### 交易策略：
{
trading_signals}
### 风险管理：
{
risk_management}
### 要求：
1. **Initialize方法**：
- 设置开始和结束日期。
- 设置初始资金。
- 定义选股逻辑。
- 初始化所需指标。
2. **OnData方法**：
- 根据指标实施买/卖逻辑。
- 确保指标正确更新。
3. **风险管理**：
- 实施15%的回撤限制。
- 应用所描述的头寸规模或止损机制。
4. **确保合规**：
- 仅使用QuantConnect支持的指标和方法。
- 代码必须语法正确且无错误。
### 示例结构：
```python
from AlgorithmImports import *
class MyAlgorithm(QCAlgorithm):
def Initialize(self):
self.SetStartDate(2020, 1, 1)
self.SetEndDate(2023, 1, 1)
self.SetCash(100000)
# 定义选股、指标等。
def OnData(self, data):
# 交易逻辑
def OnEndOfDay(self):
# 风险管理
```
### 生成的代码：
```
# LLM将在此行之后生成代码
```
"""
try:
response = openai.ChatCompletion.create(
model="gpt-4",
messages=[
{
"role": "system", "content": "你是一名专门用Python生成QuantConnect算法的助理。"},
{
"role": "user", "content": prompt}
],
max_tokens=2500,
temperature=0.3,
n=1
)
generated_code = response['choices'][0]['message']['content'].strip()
code_match = re.search(r'```python(.*?)```', generated_code, re.DOTALL)
if code_match:
generated_code = code_match.group(1).strip()
logging.info("LLM生成了代码。")
return generated_code
except Exception as e:
logging.error(f"无法生成代码：{
e}")
return ""
- 结果展示：使用 Tkinter 和 Pygments 提供用户界面和语法高亮。
def display_summary_and_code(self, summary: str, code: str):
# 创建主Tkinter根
root = tk.Tk()
root.withdraw() # 隐藏主窗口
# 摘要窗口
summary_window = tk.Toplevel()
summary_window.title("文章摘要")
summary_window.geometry("800x600")
summary_text = scrolledtext.ScrolledText(summary_window, wrap=tk.WORD, font=("Arial", 12))
summary_text.pack(expand=True, fill='both')
summary_text.insert(tk.END, summary)
summary_text.configure(state='disabled') # 设为只读
# 代码窗口
code_window = tk.Toplevel()
code_window.title("生成的QuantConnect代码")
code_window.geometry("1000x800")
code_text = scrolledtext.ScrolledText(code_window, wrap=tk.NONE, font=("Consolas", 12), bg="#2B2B2B", fg="#F8F8F2")
code_text.pack(expand=True, fill='both')
# 应用语法高亮
self.apply_syntax_highlighting(code, code_text)
code_text.configure(state='disabled') # 设为只读
# 启动Tkinter事件循环
root.mainloop()
初步测试
测试表明，该工具能够有效地捕捉和实现文章中描述的市场时机策略，展示出巨大的潜力。
我们使用了L. Durian和R. Vojtko在Quantpedia上发表的文章《使用市场时机策略避免熊市》进行测试。生成的代码在QuantConnect平台上进行了回测,结果显示该算法在2020年成功避开了新冠疫情引发的熊市,保持空仓状态。这表明该工具能够有效地捕捉和实现文章中描述的市场时机策略。
未来展望
- 提高 NLP 组件的准确性。
- 扩展支持的金融指标和策略类型。
- 优化代码生成的质量和效率。
- 增强用户界面。
通过整合多种技术，这个工具成功地弥合了研究和实施之间的鸿沟，推动 AI 在量化金融领域的应用不断深入。
注:本文提供的代码和示例仅供学习和参考，实际应用时需考虑更多因素和细节。
以上内容参考LLMQuan公众号文章内容编辑发布。