爱吃折耳根的Ace
@_zheergen • 3,562 subscribers
每天帮你筛 AI / Web3 / 加密市场信息差 关注工具、项目、链上数据和交易机会 少看噪音，多看信号
Shorts
![🚨 谷歌悄无声息地扔出预测未来的AI核武器！ TimesFM：扔一段历史数据，几秒钟就能预测未来！ 销售预测、股价走势、网站流量、能源负荷、加密货币波动…… 现在 24K+ stars，安装超简单（一行命令搞定）： pip install timesfm[torch] 这些让人头疼的数字，现在终于有统一答案了！TimesFM 核心亮点： > 在 1000 亿 真实世界时间序列数据上训练 > 零样本直接预测，完全不用微调或再训练 > 几秒出结果，还自带置信区间 > 100% 本地运行 + 100% 开源，普通电脑就能跑 > 完全免费！ 以前熬夜调 ARIMA、Prophet、Excel，现在一行代码搞定。 Google Google AI 自己已经在 BigQuery 和 Sheets 里大规模使用。预测这件事，终于要变简单了！](https://image.24vids.com/tw-2068587644586807754/amplify_video_thumb/2068587265618857984/img/2BgjqNDtt3AyWMYf.jpg)
Videos
强烈推荐给想系统入门量化交易的朋友。 这套《Algorithmic Trading Using Python》全长 4 小时 33 分钟，是目前比较完整的 Python 量化从基础到实战课程之一。 为什么值得看？ 最大特点是没有刻意剪掉错误，而是完整展示真实开发过程：API 报错、数据缺失、逻辑调试，直到策略最终跑通。 对于新手来说，这种带着问题一起解决的学习方式，比只展示最终结果的教程更有价值。 课程直接落地三类真实策略： 1️⃣ 等权重标普500（规避市值加权偏差） 2️⃣ 高质量动量选股（多周期 + 百分位评分） 3️⃣ 复合多因子价值筛选（避免单一估值陷阱） 完整流程覆盖： 真实金融数据获取 → 因子清洗 → 截面排序 → 股票分配 → 生成交易方案 整套流程可以作为学习量化研究框架的参考。 建议收藏，配合代码边看边练。 它最大的价值不是教你一个赚钱策略，而是让你理解专业量化研究从数据到策略的完整流程。 周末学起来吧。
爱吃折耳根的Ace151,923 views • 6 days ago
卧槽！TradingView 选股器的数据被做成 Python 库了——tvscreener，1.2K stars，51K+ PyPI 下载！ 不用开浏览器、不用手动翻 TradingView 筛选器。pip install tvscreener，Python 代码直接拉股票、Crypto、外汇、期货、债券数据，13000+ 技术指标字段随便组合，结果返回 Pandas DataFrame，直接塞进你的量化策略。 核心特点如下： 1️⃣ 无需登录 TradingView，就能获取选股数据 2️⃣ 支持大量技术指标和基本面字段 3️⃣ 结果直接返回 Pandas DataFrame，方便后续分析 4️⃣ API 写法比较清晰，支持链式筛选 5️⃣ 覆盖股票、加密、外汇、期货等市场 6️⃣ 还支持 MCP，方便接入 Claude 等 AI 工具 对想用代码批量筛选标的、或者把 TradingView 选股能力接到自己量化流程里的人来说，这个库比较实用。 以前用 TradingView 选股：打开网页 → 点筛选器 → 手动加条件 → 截图 → 手动录入 Excel。 现在 tvscreener 三行代码扫完全市场，数据直接进策略。TradingView 选股器的 Python 接口，终于有人做了。
爱吃折耳根的Ace59,339 views • 3 days ago
兄弟们！第一个专门给 A 股做的多智能体投资 Agent，2.4K stars，MIT 开源！ A 股散户终于有自己的 AI 投研团队了！ 不是美股版的翻译搬运，是从数据源到策略逻辑到风控全部围绕 A 股生态重新设计的。基本面分析、技术面分析、市场情绪、宏观经济——每个角色一个 Agent，分工协作，像一家迷你券商研究所。 核心特点如下： 1️⃣ 多 Agent 架构：技术、基本面、情绪、估值、宏观等分析师分工 2️⃣ 多空辩论机制：看多和看空研究员先辩论，再由 LLM 做中立评估 3️⃣ 风险管理和组合决策环节 4️⃣ 数据来自 AkShare，并带本地缓存 5️⃣ 支持新闻搜索和情感分析 6️⃣ 提供 FastAPI 接口，方便调用 以前用 AI 做 A 股：用美股框架硬套 → 数据源不对 → 财报格式不对 → 放弃了。 现在 A_Share_investment_Agent 从数据到模型到报告全是 A 股原生。 对想研究 AI Agent 在投资分析中的应用，或者关注 A 股智能化研究的人来说，值得看看。
爱吃折耳根的Ace26,937 views • 3 days ago
卧槽！Quantopian 倒闭了，但它的回测引擎被《Machine Learning for Trading》的作者救活了—zipline-reloaded！ Zipline 曾是全球最强大的 Python 回测框架，Quantopian 关站后 Stefan Jansen 接手维护，升级到 Python 3.11+、pandas 2.0+，pipeline API 因子计算、data bundle 数据管理、事件驱动引擎全部保留。 核心特点如下： 1️⃣ 事件驱动回测架构，逻辑清晰 2️⃣ 与 Pandas 深度集成，方便处理数据 3️⃣ 支持常见技术指标和统计分析 4️⃣ 可配合 scikit-learn、statsmodels 等做机器学习策略 5️⃣ 兼容较新的 Python 和依赖版本 6️⃣ 有完整文档和示例，适合学习和研究 以前 Zipline 装不上：Python 版本不对 → 依赖冲突 → 放弃了。现在 zipline-reloaded pip install 一行搞定。 做因子选股 + 回测的，zipline-reloaded + Pyfolio 是最接近 Quantopian 体验的组合。
爱吃折耳根的Ace30,281 views • 5 days ago
做量化不一定非要有一整支团队。 把几个开源项目组合起来，已经能搭出一套比较完整的 AI 量化工作流： 从市场研究 → 策略生成 → 回测验证 → 交易执行。 我目前重点看的几个： QuantDinger 10.3k star AI 量化操作系统。支持市场研究、自然语言生成策略、回测和交易执行，覆盖面比较广。 Freqtrade 53k star 加密货币自动化交易机器人。连接多交易所，策略执行和优化都比较成熟。 vnpy 44.3k star 中文量化里很核心的一个框架，适合股票、期货等市场的策略开发和实盘。 StockSharp 10.5k star 跨市场交易平台，支持股票、外汇、加密等，带策略开发和回测能力。 AI Trader 21.2k star 多 Agent 协作模式，不同角色分工研究、辩论和风控，模拟小型投研团队。 TradeMaster / FinRL 16k star 偏强化学习和策略训练，适合想让模型自己学习和进化的方向。 这些项目组合后，大致能覆盖： 研究分析 → 策略生成 → 回测验证 → 模拟/实盘执行 它们并不能完全替代专业团队，但已经能让个人交易者拥有一套可运行的 AI 量化工作流。 对想系统尝试 AI 量化的人来说，值得自己去搭建和验证。
爱吃折耳根的Ace29,074 views • 6 days ago
🚨卧槽！港大实验室悄悄扔出一颗核弹AI 交易研究平台 他就是 Vibe-Trading ，目前在 GitHub 上已经有 15.8k star。 说一句"回测港股高股息低 PE 策略"，底层 29 个 AI Agent 自动分工拉数据、写因子、编策略、跑回测、出报告——像一家迷你量化对冲基金，只是研究员全是 LLM。 安装很简单：pip install vibe-trading-ai，一行搞定 Vibe-Trading 核心亮点： > 自然语言写策略：说人话，AI 自动拆解→编码→回测→归因→报告，全程不碰代码 > 29 个预设 AI 团队：投委会辩论、量化台、风控委员会、加密交易台——机构怎么分工它就怎么跑 > Alpha Zoo：452 个预置因子（qlib158 + alpha101 + gtja191 + Fama-French），alpha compare 一键排 IC/IR > 7 大回测引擎：蒙特卡洛、Walk-Forward、Bootstrap 置信区间，不是玩具 > 影子账户：上传券商交割单，AI 逆向提取你的交易模式——用你自己的数据打你自己的脸 > 策略一键导出：TradingView Pine Script v6、通达信、MT5 MQL5，写完就能用 > 刚性风控：仓位上限、单日最大亏损、极端行情熔断—AI 强制执行，不是建议 如果你平时研究股票，或者想把 AI Agent 接进自己的投研工作流，这个项目值得强烈收藏
爱吃折耳根的Ace95,841 views • 1 month ago
Codex 5.6 在股票分析上的能力其实还是被低估了 最近把几个数据源和回测工具接到一起用，发现它在投研流程上能覆盖得比较完整。 目前主要在用的几个： - Public Equity Investing(内置插件搜索就有)： 按买方分析框架拆解公司，输出财报、估值、催化剂和风险判断，还能生成可交互的投研看板 - global-stock-data： 免费获取美股和港股数据，涵盖行情、财务、机构持仓、期权链等，不需要额外申请 API Key - a-stock-data： 补齐 A 股数据能力，支持资金流、财务和全市场筛选 - Vibe-Trading MCP： 把分析结论放进历史数据里做回测，支持 Walk-Forward 和蒙特卡洛，最后直接出 HTML/PDF 报告 把这些组合起来后，从拿数据、做基本面判断到验证策略，基本能形成一条比较顺畅的链路。 对经常用 Codex 做股票研究的人来说，这几个工具配合使用后的效率提升还是比较明显的。
爱吃折耳根的Ace44,578 views • 21 days ago
🚨 卧槽！终于有人把 A 股 + 美港股的免费数据源彻底打通了！ 一个作者两个硬核开源项目，把原本散落在各个平台的原始数据，整合成了 AI 能直接调用的数据层。 从此不用再自己对接各种接口、处理反爬、或者花几万块买专业数据了。 A 股版：a-stock-data 覆盖实时行情、资金流、股东户数、龙虎榜、全量公告、研报 PDF 下载、概念板块、北向资金、融资融券、大宗交易、解禁等。 > 7 层架构 > 28 个端点 > 13 个数据源 > 零第三方 data wrapper 依赖 美港股版：global-stock-data 覆盖美股期权链、SEC EDGAR 结构化 XBRL、503 个 GAAP 指标、纯 Python 技术指标计算、资金流、财报三表、全市场列表等。 > 8 层架构 > 18 个端点 > 5 个数据源 > 仅依赖 requests 这两个项目最大的价值，不是又多了几个股票接口。 而是直接封装成 Skill，可以让 Claude、GPT、Cursor、Codex 这类 AI Agent 直接调用，瞬间变成你的量化数据助手 做 A 股 / 美股 / 港股复盘、AI 投研、自动化报告、量化分析的人，建议保存看看。
爱吃折耳根的Ace96,926 views • 1 month ago
🚨 卧槽！终于有一个又轻又好用的股票行情统一 API 了！ 一个好的开源股票 API，直接让你每年省几万块数据订阅费。 stock-api，1.4K+ stars，MIT 开源。最大的卖点： 统一的 API 接口，A 股、港股、美股全包——你只需要换一个参数，底层数据源自动切，不用记十套不同接口。 核心亮点： > 支持 A 股、港股、美股以及场内基金 > 自动从多个数据源（腾讯、新浪、东方财富）获取数据并 fallback > 提供 CLI 命令行直接查询 > 支持 MCP，可以直接给 Claude Code、Cursor 等 AI 工具使用 > 非常轻量，几乎没有运行时依赖 以前做跨市场数据：A 股接 Tushare → 港股接 yfinance → 美股再接 Alpha Vantage，三套鉴权、三种格式、三个坑。现在 stock-api 一个接口全通。数据管道这件事，终于不用维护八套 SDK 了！ 对想自己写股票工具、或者用 AI 做量化/投研辅助的人来说，是一个比较实用的开源项目
爱吃折耳根的Ace83,231 views • 1 month ago
前HFT量化交易员：真正的均值回归策略是这样写的 前段时间遇到一位前高频交易（HFT）量化交易员，主讲如何真正创建均值回归策略。 我直接问他，网上那些用布林带做的「均值回归」是不是专业量化机构的真实做法？ 他明确指出，很多教程只是简单用布林带或均线标准差，这并不是专业量化的做法。真正的均值回归策略需要用统计学和数据科学来挖掘并严格验证。 核心内容包括： 1️⃣ 用对数收益率（Log Returns）建模价格变动，而不是直接用价格 2️⃣ 自回归与方向编码：把收益率拆成方向和幅度，探索「跌久必涨」的统计概率 3️⃣ 严格的样本外验证（In-Sample 75% + Out-of-Sample 25%），防止过拟合和市场体制转换 4️⃣ 计算胜率、复合收益和年化夏普比率，并用 Python 绘制净值曲线 最终结论很明确：真正的均值回归不是简单套用布林带，而是一套完整的统计建模与样本外验证流程。 这是一支非常标准的硬核量化教学，完全属于专业量化交易范畴。建议收藏。
爱吃折耳根的Ace26,089 views • 13 days ago
卧槽！一个让你直接在终端里盯盘、算收益的开源神器。 一个命令敲下去，股票、Crypto、外汇、期权全在一个终端窗口里滚动刷新。自选股 + 持仓盈亏 + 实时价格 + 涨跌幅，纯文本界面，极致轻量。 核心亮点： > 终端实时行情：股票、Crypto、外汇、衍生品，一个窗口全看 > 持仓追踪：输入成本价和数量，盈亏实时算 > Yahoo Finance 数据源，免费 > .ticker.yaml 配置文件拖自选股，一次配好永久用 > Go 单二进制，brew install 一秒装完 > 纯终端纯键盘操作，不用摸鼠标 以前看盘：开浏览器 → 切 Yahoo Finance → 切 CoinMarketCap → 切 TradingView。现在终端里敲 ticker，自选股+持仓盈亏一屏全在。 盯盘这件事，终于不用在八个网页里来回切了。
爱吃折耳根的Ace16,016 views • 8 days ago
量化交易必懂：MDP 如何让 AI 学会动态决策？ 昨天粉丝问我：有没有把马尔可夫决策过程（MDP）讲得既清晰又扎实的课程？最好是从确定性搜索过渡到不确定环境的完整推导。 我去找了斯坦福 Percy Liang 教授主讲的《Markov Decision Processes》。 他清晰地拆解了 MDP 的完整逻辑：从引入随机性与马尔可夫假设，到策略（Policy）、折扣因子、Q 值、策略评估，再到价值迭代求解最优策略。 核心内容包括： 1️⃣ 从 Search 到 MDP：动作结果从确定变为概率分布，经典 Flaky Tram 示例 2️⃣ 策略与折扣因子 γ：为什么解不再是一串固定动作路径 3️⃣ Q 值与 Bellman 方程：精确计算策略价值 4️⃣ 价值迭代（Value Iteration）：通过迭代求解最优策略 π* 最终结论很明确：MDP 是所有强化学习算法（Q-Learning、PPO、DQN）的数学基础，也是理解市场交易、动态资产配置和期权行权等随机决策问题的核心框架。 对正在学强化学习或量化交易的朋友，这是非常扎实的理论基石。建议收藏。
爱吃折耳根的Ace20,741 views • 12 days ago
量化交易核心难题：如何应对 Market Regime Change？ 之前遇到一位做高频交易的朋友，他问了我一个问题： 为什么很多量化策略回测表现完美，但一到实盘遇到市场风格切换就失效？ 我直接推荐了前HFT顶级量化交易员的 《How to handle Regime Changes》 的硬核视频。 它直击量化交易中最常见的问题——为什么策略在历史数据里有效，但遇到市场状态变化（Regime Change）后会大幅失效？ 视频系统讲解了 4 种工业级解决方案，核心内容包括： 什么是体制切换：均值、方差、偏度、峰度随时间剧烈变化 1️⃣ 方案一：滑窗重训练（作者坦言不推荐） 2️⃣ 方案二：特征工程 + 隐状态/相对记忆编码，让简单线性模型自适应切换动量与均值回归 3️⃣ 方案三：在线流式学习（Passive-Aggressive），根据误差实时调整权重 4️⃣ 方案四：强化学习 + 香农熵正则化，防止策略陷入局部最优 最终结论很明确：金融数据不是静态的，真正有效的方法是让模型具备感知误差并动态更新权重的能力，而不是依赖全量静态训练。 对正在做量化策略的朋友，这是非常深度的生产环境避坑指南。建议收藏。
爱吃折耳根的Ace17,529 views • 10 days ago
🚨卧槽！高盛开源了他们的量化工具库 gs-quant Goldman Sachs 把内部 quants 使用的 Python 量化工具库开源了，目前 GitHub 已获得 11.3K Star。 它提供了丰富的量化分析工具，适合做结构化产品、风险建模和策略研究等工作。虽然完整 API 需要高盛机构客户权限，但核心库已经开源，普通用户也可以安装使用（pip install gs-quant）。 核心亮点： > 机构级量化工具：支持衍生品定价、风险管理、回测、交易策略开发等全流程 > 生产级代码质量：直接来自高盛交易台的真实工具栈 > 支持 Claude Skills：官方已集成 Claude 技能，可直接在 Claude 中使用 > 覆盖广泛资产类别：股票、期权、期货、外汇等衍生品分析能力极强 > 持续维护更新：最新版本 2.1.1 刚刚发布 > Apache-2.0 开源协议，可直接用于研究和开发 对想学习机构级量化建模、做衍生品定价与风险管理、或者用 AI 辅助量化研究的开发者来说，这是目前开源里含金量最高的量化工具库之一。
爱吃折耳根的Ace44,156 views • 28 days ago
这可能是目前最完整的Python量化交易入门教程了 遇到一位真正把 Python 量化交易从零到一讲透的老师。 我问他，完全没有编程基础、也没有金融背景的人，能不能真正写出一套能跑通的量化回测系统？ 他不仅给了肯定的回答，还亲自录制了这支时长约 3 小时 的完整实战教程。 他从零开始，一步步手把手教你完成： 1️⃣环境搭建（Anaconda + Jupyter）与基础语法 2️⃣批量下载股票数据、数据清洗与归一化对比 3️⃣简单收益率 vs 对数收益率的核心区别 4️⃣风险收益指标、协方差、最大回撤计算 5️⃣手写双均线策略（做多+做空 & 仅做多） 6️⃣把整个回测逻辑封装成可复用的面向对象类（SMABacktester） 7️⃣最后接入 Alpha Vantage API，为后续实盘打基础 这不是半成品代码演示，而是真正完整的 Zero to Hero 路径。只要跟着敲一遍，就能掌握量化数据处理和基础策略回测的全流程。 时长虽然有 3 小时，但非常值得一看。 建议直接收藏，回家安静保存着慢慢看，认真跟着做一遍，收获会远超预期。
爱吃折耳根的Ace33,224 views • 21 days ago
这个量化策略合集把很多经典玩法都实现了一遍 je-suis-tm 开源的 quant-trading，用 Python 整理了大量可直接运行的量化交易策略回测脚本，目前 GitHub 有 10.4K Star。 主要内容包括： 1️⃣ 技术指标类：MACD、RSI、Bollinger Bands、Parabolic SAR、Awesome Oscillator 等 2️⃣ 形态与突破类：Heikin-Ashi、Shooting Star、London Breakout、Dual Thrust 3️⃣ 统计套利：Pair Trading（协整配对交易） 4️⃣ 期权与波动率：Options Straddle、VIX Calculator 5️⃣ 其他：Monte Carlo 模拟、组合优化、另类数据相关项目 每个策略基本都有独立脚本，可以直接跑回测，适合拿来学习信号逻辑，或者作为自己策略开发的起点。 对想系统学习经典量化策略、或者需要快速验证技术指标效果的人来说，这个仓库内容比较丰富。
爱吃折耳根的Ace22,011 views • 14 days ago
别再手写回测系统了，这个经典开源量化项目已经帮你造好了 Backtrader 是一个功能非常完整的 Python 量化回测与交易框架，GitHub 上已有 22.6K Star。它的核心目标是让你专注写策略，而不是重复造轮子。 核心特点如下： 1️⃣ 纯 Python 实现，支持多数据源、多周期、多策略同时运行 2️⃣ 内置丰富指标库，并可直接对接 TA-Lib 3️⃣ 支持多种订单类型（市价、限价、止损、追踪止损、OCO、括号单等） 4️⃣ 灵活的佣金、滑点、仓位管理（Sizer）模拟 5️⃣ 内置分析器（夏普、回撤、SQN 等）+ 可视化绘图 6️⃣ 可对接 Interactive Brokers、Oanda 等做实盘/模拟交易 对想快速验证策略逻辑、做系统化回测，或者学习完整量化框架设计的人来说，这个项目依然很值得上手。
爱吃折耳根的Ace16,955 views • 12 days ago
🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。 它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具 它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。 做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看
爱吃折耳根的Ace58,332 views • 1 month ago