正在加载视频...

视频加载失败

返回首页

🚀 AI量化研究的天花板：Microsoft Qlib + Claude Code 还在用Zipline或Backtrader？那些都停更很久了。 今天分享一个微软开源的AI量化库 Qlib，配合 Claude Code，让不懂代码的人也能跑通量化全流程。 ⚠️ 本文仅为技术研究，不构成投资建议。👇 为什么选 Qlib？ GitHub 4.2w+ Stars，微软亚洲研究院（MSRA）出品。 ✅ 持续更新 ✅ 自研数据格式（比MySQL快50倍） ✅ 内置27个AI模型（LightGBM, LSTM等） ✅ 真正的一体化：数据 -> 因子 -> 模型 -> 回测 Qlib 的 5 大模块 1️⃣ 数据引擎：.bin格式，极速读取。 2️⃣ 因子计算：内置Alpha158/Alpha360因子集。 3️⃣ 模型预测：一键切换LightGBM等模型。 4️⃣ 策略决策：TopkDropout（打分排名，汰弱留强）。 5️⃣ 回测分析：自动生成IC、IR、最大回撤报告。 痛点：门槛太高 Qlib虽强，但对新手极不友好：...

VincentLogic's profile picture

Vincent | 信号＞噪音

53,551 subscribers

13,696 次观看 • 4 个月前 •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

做股票量化，其实真不一定非得拉一整支团队。 我把几个成熟的开源项目拼起来，一个人也能搭出一套比较完整的股票量化工作流： 数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行 我目前重点看的 5 个： Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整，适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做，回测和实盘基本是一套逻辑，网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉，很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整，美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合，把策略最终落到真实交易这一步。 这 5 个组合起来，大致就是： AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。 它们当然替代不了专业量化团队，但对个人来说，已经足够把一套股票量化流程真正跑起来。 想自己系统搭一套股票量化工作流的，这几个项目值得收藏跑一下的。
1:11

做股票量化，其实真不一定非得拉一整支团队。 我把几个成熟的开源项目拼起来，一个人也能搭出一套比较完整的股票量化工作流： 数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行 我目前重点看的 5 个： Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整，适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做，回测和实盘基本是一套逻辑，网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉，很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整，美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合，把策略最终落到真实交易这一步。 这 5 个组合起来，大致就是： AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。 它们当然替代不了专业量化团队，但对个人来说，已经足够把一套股票量化流程真正跑起来。 想自己系统搭一套股票量化工作流的，这几个项目值得收藏跑一下的。

爱吃折耳根的Ace

20,323 次观看 • 1 个月前

卧槽！微软官方亲自下场做AI 量化研究员了——RD-Agent，14.4K stars。 以前搞量化，挖因子、调模型、写代码、跑回测，基本都得人一轮轮手动做。 RD-Agent 直接把这套研究流程交给 Agent： 提假设 → 写代码 → 跑实验 → 看结果 → 再迭代 让因子和模型一轮轮自动迭代。 核心亮点： 1️⃣ 因子 × 模型协同进化：不是只挖因子或只调模型，而是两边交替优化 2️⃣ 自动挖 Alpha：能从研报等文本中提取因子，再生成可运行代码 3️⃣ 背靠 Qlib：因子、模型、回测、信号整套量化流程直接串起来 4️⃣ 实验结果不错：论文量化场景中，用更少因子跑出了约 2× 基准 ARR 5️⃣ 直接能跑：pip install rdagent，官方提供量化场景入口 我比较在意的不是那个 2× ARR。 而是它把 AI 从“帮你分析股票”，变成了一个会提假设、写代码、跑实验、看结果，再继续改的量化研究员。 这才是 RD-Agent 真正有意思的地方。
1:07

卧槽！微软官方亲自下场做AI 量化研究员了——RD-Agent，14.4K stars。 以前搞量化，挖因子、调模型、写代码、跑回测，基本都得人一轮轮手动做。 RD-Agent 直接把这套研究流程交给 Agent： 提假设 → 写代码 → 跑实验 → 看结果 → 再迭代 让因子和模型一轮轮自动迭代。 核心亮点： 1️⃣ 因子 × 模型协同进化：不是只挖因子或只调模型，而是两边交替优化 2️⃣ 自动挖 Alpha：能从研报等文本中提取因子，再生成可运行代码 3️⃣ 背靠 Qlib：因子、模型、回测、信号整套量化流程直接串起来 4️⃣ 实验结果不错：论文量化场景中，用更少因子跑出了约 2× 基准 ARR 5️⃣ 直接能跑：pip install rdagent，官方提供量化场景入口 我比较在意的不是那个 2× ARR。 而是它把 AI 从“帮你分析股票”，变成了一个会提假设、写代码、跑实验、看结果，再继续改的量化研究员。 这才是 RD-Agent 真正有意思的地方。

爱吃折耳根的Ace

27,629 次观看 • 28 天前

50秒的视频--用CodeX尝试入门量化交易/AI交易 以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手 现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了 这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方 我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达： 具体提示词在下一条推文👇
0:50

50秒的视频--用CodeX尝试入门量化交易/AI交易 以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手 现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了 这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方 我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达： 具体提示词在下一条推文👇

梭哈.AI

27,346 次观看 • 4 个月前

🚨 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
0:51

🚨 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Ace

59,785 次观看 • 3 个月前

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。 作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。 核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰 它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。 不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。 做 A 股量化、想快速验证想法的，值得试试。
0:54

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。 作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。 核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰 它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。 不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。 做 A 股量化、想快速验证想法的，值得试试。

爱吃折耳根的Ace

17,575 次观看 • 1 个月前

🚨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
0:30

🚨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Ace

99,692 次观看 • 3 个月前

终于有人把 A 股 / 美港股 数据源与量化基建彻底打通了！ 分享一个开源量化天花板级的项目--LEAN，把数据获取、清洗、回测、实盘接口整合成完整闭环，开箱即用。 ✅ 核心能力 告别数据荒：支持上百种数据源和主流券商接口，轻松集成美股、港股、A股等资产的历史 Tick 数据 策略自由度拉满：高性能零延迟撮合，采用事件驱动 + 模块化架构，支持多智能体协作与自定义风险模型。 全链路回测闭环：内置极致精准的本地回测引擎，深度模拟滑点、交易成本和市场冲击，提供专业风险评估、绩效分析和高清可视化看板。 一键封装成skill，直接让你的 Cursor / Claude Code 调用，不仅能帮你生成策略，还能直接跑回测、看绩效，全套量化工作流一气呵成！ 感兴趣的可以看看哦～非投资建议，dyor 地址：
0:21

终于有人把 A 股 / 美港股 数据源与量化基建彻底打通了！ 分享一个开源量化天花板级的项目--LEAN，把数据获取、清洗、回测、实盘接口整合成完整闭环，开箱即用。 ✅ 核心能力 告别数据荒：支持上百种数据源和主流券商接口，轻松集成美股、港股、A股等资产的历史 Tick 数据 策略自由度拉满：高性能零延迟撮合，采用事件驱动 + 模块化架构，支持多智能体协作与自定义风险模型。 全链路回测闭环：内置极致精准的本地回测引擎，深度模拟滑点、交易成本和市场冲击，提供专业风险评估、绩效分析和高清可视化看板。 一键封装成skill，直接让你的 Cursor / Claude Code 调用，不仅能帮你生成策略，还能直接跑回测、看绩效，全套量化工作流一气呵成！ 感兴趣的可以看看哦～非投资建议，dyor 地址：

爱丽丝呀！

30,411 次观看 • 3 个月前

做多量化因子选股，最耗时间的不是找因子，是"清洗 + 回测 + 归因"这条流水线。 AlphaPurify 把这条流水线用 Rust 向量化重写了，基于 Polars，快到离谱。 一个库干完四件事：因子预处理（40+ 种去极值、中性化、标准化方法）、IC/RankIC 检验、多空分层回测、因子收益归因。 作者自己给的数据：15 年沪深 300、400 多万行数据，含多空回测和 IC 检验，生成 4 份交互式报告，普通 i7 上 25 秒跑完。 核心亮点： 1️⃣ 40+ 种预处理：去极值、标准化、中性化（含 ridge / lasso / PCA） 2️⃣ IC / Rank IC 分析 + 多空分层回测，一键出交互式报告 3️⃣ 生产级回测细节：手续费、滑点、调仓、权重漂移都向量化建模 4️⃣ 因子收益归因：看清楚收益到底来自这个因子，还是风格暴露 5️⃣ 速度够快：CSI300 15 年约 400 万行数据，完整回测 + 4 份报告约 25 秒内跑完 本质是把「因子清洗 → 检验 → 回测 → 归因」做成一条轻量流水线，不用再反复造轮子。 做股票量化、因子挖掘，又想快速验证想法的，这个库值得上手。
1:00

做多量化因子选股，最耗时间的不是找因子，是"清洗 + 回测 + 归因"这条流水线。 AlphaPurify 把这条流水线用 Rust 向量化重写了，基于 Polars，快到离谱。 一个库干完四件事：因子预处理（40+ 种去极值、中性化、标准化方法）、IC/RankIC 检验、多空分层回测、因子收益归因。 作者自己给的数据：15 年沪深 300、400 多万行数据，含多空回测和 IC 检验，生成 4 份交互式报告，普通 i7 上 25 秒跑完。 核心亮点： 1️⃣ 40+ 种预处理：去极值、标准化、中性化（含 ridge / lasso / PCA） 2️⃣ IC / Rank IC 分析 + 多空分层回测，一键出交互式报告 3️⃣ 生产级回测细节：手续费、滑点、调仓、权重漂移都向量化建模 4️⃣ 因子收益归因：看清楚收益到底来自这个因子，还是风格暴露 5️⃣ 速度够快：CSI300 15 年约 400 万行数据，完整回测 + 4 份报告约 25 秒内跑完 本质是把「因子清洗 → 检验 → 回测 → 归因」做成一条轻量流水线，不用再反复造轮子。 做股票量化、因子挖掘，又想快速验证想法的，这个库值得上手。

爱吃折耳根的Ace

10,975 次观看 • 1 个月前

卧槽！有人把 Qlib + RD-Agent + TradingAgents 三个项目焊成了一个完整平台——QuantMind，AI 原生量化投研，五市场通吃！ 之前这三个都得分开玩：Qlib 做因子、RD-Agent 挖 Alpha、TradingAgents 做投研决策。 现在 QuantMind 全打通了——数据底座 → 因子自主进化 → 模型训练 → 批量推理 → 回测 → QMT/通达信实盘 → 生产监控，一条完整闭环。 核心亮点： 1️⃣ 因子自主进化：LLM 提假设 → 因子公式合成 → 遗传演化回测 → 优选入库，全自动挖 Alpha 2️⃣ 13 种模型工场：LightGBM、XGBoost、LSTM、Transformer、TabNet 全齐，Optuna 自动调参 3️⃣ 300+ 维预计算特征，Parquet + DuckDB 秒级载入千万级行情 4️⃣ Qlib 回测引擎 + TopkDropout 多因子选股，涨跌停、滑点全模拟 5️⃣ QMT 实盘通道：原生对接 MiniQMT，加密 WebSocket，异步成交回报 6️⃣ 通达信联动：选股结果一键推入自选板块，盘中预警 + 双击闪电下单 7️⃣ 生产质量闭环：每日真实 Rank IC/ICIR 回填、SHAP 特征重要性、数据漂移告警 8️⃣ Docker 一键部署，离线包开箱即用 A 股 / 港股 / 美股 / 期货 / 区块链五市场全支持。 个人研究者不用再拼接口拼数据拼框架——一个 QuantMind 从挖 Alpha 到落地实盘全包了。 适合想自己搭量化闭环的人。
1:08

卧槽！有人把 Qlib + RD-Agent + TradingAgents 三个项目焊成了一个完整平台——QuantMind，AI 原生量化投研，五市场通吃！ 之前这三个都得分开玩：Qlib 做因子、RD-Agent 挖 Alpha、TradingAgents 做投研决策。 现在 QuantMind 全打通了——数据底座 → 因子自主进化 → 模型训练 → 批量推理 → 回测 → QMT/通达信实盘 → 生产监控，一条完整闭环。 核心亮点： 1️⃣ 因子自主进化：LLM 提假设 → 因子公式合成 → 遗传演化回测 → 优选入库，全自动挖 Alpha 2️⃣ 13 种模型工场：LightGBM、XGBoost、LSTM、Transformer、TabNet 全齐，Optuna 自动调参 3️⃣ 300+ 维预计算特征，Parquet + DuckDB 秒级载入千万级行情 4️⃣ Qlib 回测引擎 + TopkDropout 多因子选股，涨跌停、滑点全模拟 5️⃣ QMT 实盘通道：原生对接 MiniQMT，加密 WebSocket，异步成交回报 6️⃣ 通达信联动：选股结果一键推入自选板块，盘中预警 + 双击闪电下单 7️⃣ 生产质量闭环：每日真实 Rank IC/ICIR 回填、SHAP 特征重要性、数据漂移告警 8️⃣ Docker 一键部署，离线包开箱即用 A 股 / 港股 / 美股 / 期货 / 区块链五市场全支持。 个人研究者不用再拼接口拼数据拼框架——一个 QuantMind 从挖 Alpha 到落地实盘全包了。 适合想自己搭量化闭环的人。

爱吃折耳根的Ace

27,848 次观看 • 1 个月前

做 A 股量化，很多人卡在同一件事：数据采集、因子、回测、机器学习各用一套脚本，对不上。 Tushare 拉完还要自己算 Alpha，回测再单独写一遍涨跌停和 T+1。环境一切，流程就断。 分享一个专门把这条链路收在一起的开源项目：FinHack。 1.2K stars。命令行就能跑采集、因子、训练和回测。回测按 A 股规则：涨跌停、T+1、动态复权。自带 Alpha101 / Alpha191 计算引擎。 项目内置： ✅ finhack collector run，用 Tushare token 灌进 MySQL ✅ finhack factor run，预计算 600+ 因子 ✅ LightGBM 训练，可多进程扫因子组合 ✅ 策略写法接近聚宽风格，示例有小市值（仅演示，无投资意义） ✅ 另有 finhack-qmt 接实盘 以前那些量化框架要么只管回测，要么只管因子，A股的 T+1、涨跌停还得自己写规则。 FinHack 不一样——它是「易于扩展的量化金融框架」，把 A股规则直接内建进回测系统，因子、数据源、AI 模型、策略全都可以自己扩展。 想从零搭一套 A股量化投研体系，别自己造轮子了。试一试你会有惊喜的
1:15

做 A 股量化，很多人卡在同一件事：数据采集、因子、回测、机器学习各用一套脚本，对不上。 Tushare 拉完还要自己算 Alpha，回测再单独写一遍涨跌停和 T+1。环境一切，流程就断。 分享一个专门把这条链路收在一起的开源项目：FinHack。 1.2K stars。命令行就能跑采集、因子、训练和回测。回测按 A 股规则：涨跌停、T+1、动态复权。自带 Alpha101 / Alpha191 计算引擎。 项目内置： ✅ finhack collector run，用 Tushare token 灌进 MySQL ✅ finhack factor run，预计算 600+ 因子 ✅ LightGBM 训练，可多进程扫因子组合 ✅ 策略写法接近聚宽风格，示例有小市值（仅演示，无投资意义） ✅ 另有 finhack-qmt 接实盘 以前那些量化框架要么只管回测，要么只管因子，A股的 T+1、涨跌停还得自己写规则。 FinHack 不一样——它是「易于扩展的量化金融框架」，把 A股规则直接内建进回测系统，因子、数据源、AI 模型、策略全都可以自己扩展。 想从零搭一套 A股量化投研体系，别自己造轮子了。试一试你会有惊喜的

爱吃折耳根的Ace

23,487 次观看 • 25 天前

港大开源的仓库 Vibe-Trading ，适合爱交易的同学。 Vibe-Trading 是一个由人工智能驱动的多智能体金融工作空间，可将自然语言请求转化为可执行的交易策略、研究见解和全球市场的投资组合分析。 主要功能： 策略生成：根据您的想法自动生成交易代码 智能数据访问： 5 个数据源，具备自动回退功能 性能测试：使用历史市场数据测试您的策略 TradingView 导出：一键将策略转换为 TradingView 的 PineScript v6 格式 专家团队： 部署专门的 AI 代理来执行复杂的研究任务 实时更新：实时查看整个分析过程 TradingView 直接内置了 64 个成熟的金融分析技能和 29 种 AI 团队配置（比如一键召唤“加密货币盯盘组”或“宏观研报组”），有高校实验室的学术底层逻辑兜底。 有两个极其对味的特性： 一是支持一键将策略转为 TradingView 的 PineScript v6 格式，跑通了直接挂图表； 二是自带 MCP 协议，可以直接把它塞进 Cursor 或者 Claude Desktop 里，边写代码边让它在后台帮你算因子。 想要地址的同学，评论区留言👇👇👇
0:47

港大开源的仓库 Vibe-Trading ，适合爱交易的同学。 Vibe-Trading 是一个由人工智能驱动的多智能体金融工作空间，可将自然语言请求转化为可执行的交易策略、研究见解和全球市场的投资组合分析。 主要功能： 策略生成：根据您的想法自动生成交易代码 智能数据访问： 5 个数据源，具备自动回退功能 性能测试：使用历史市场数据测试您的策略 TradingView 导出：一键将策略转换为 TradingView 的 PineScript v6 格式 专家团队： 部署专门的 AI 代理来执行复杂的研究任务 实时更新：实时查看整个分析过程 TradingView 直接内置了 64 个成熟的金融分析技能和 29 种 AI 团队配置（比如一键召唤“加密货币盯盘组”或“宏观研报组”），有高校实验室的学术底层逻辑兜底。 有两个极其对味的特性： 一是支持一键将策略转为 TradingView 的 PineScript v6 格式，跑通了直接挂图表； 二是自带 MCP 协议，可以直接把它塞进 Cursor 或者 Claude Desktop 里，边写代码边让它在后台帮你算因子。 想要地址的同学，评论区留言👇👇👇

比特币橙子Trader

31,526 次观看 • 5 个月前

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善 简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台 我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！
0:53

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善 简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台 我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！

爱吃折耳根的Ace

15,243 次观看 • 3 个月前

全球最大对冲基金之一的 Man Group 把自己的数据库引擎开源了 兄弟们！这个 DataFrame 数据库是专门给量化设计的 Man Group 开源的 ArcticDB，是一个高性能、无服务器的 DataFrame 数据库，专为 Python 数据科学和量化场景打造，目前有 2.5K Star。 核心特点如下： 1️⃣ 直接读写 Pandas DataFrame，用起来很自然 2️⃣ 专为时间序列优化，能处理数十亿行数据 3️⃣ 无服务器架构，数据可存 S3、LMDB 或 Azure 4️⃣ 支持版本回溯（Time Travel）和快照 5️⃣ Schema 灵活，可随时追加和修改 6️⃣ C++ 引擎加速，查询和处理速度很快 对需要管理大规模行情、因子或回测数据的量化研究者来说，这个工具解决了“数据存取慢、管理麻烦”的痛点。 以前存行情数据：CSV 存爆硬盘 → 换数据库 → 查询慢成狗 → 放弃。现在 ArcticDB 几十亿行行情数据本地就能跑。量化人的"数据仓库"，终于有正解了。
0:58

全球最大对冲基金之一的 Man Group 把自己的数据库引擎开源了 兄弟们！这个 DataFrame 数据库是专门给量化设计的 Man Group 开源的 ArcticDB，是一个高性能、无服务器的 DataFrame 数据库，专为 Python 数据科学和量化场景打造，目前有 2.5K Star。 核心特点如下： 1️⃣ 直接读写 Pandas DataFrame，用起来很自然 2️⃣ 专为时间序列优化，能处理数十亿行数据 3️⃣ 无服务器架构，数据可存 S3、LMDB 或 Azure 4️⃣ 支持版本回溯（Time Travel）和快照 5️⃣ Schema 灵活，可随时追加和修改 6️⃣ C++ 引擎加速，查询和处理速度很快 对需要管理大规模行情、因子或回测数据的量化研究者来说，这个工具解决了“数据存取慢、管理麻烦”的痛点。 以前存行情数据：CSV 存爆硬盘 → 换数据库 → 查询慢成狗 → 放弃。现在 ArcticDB 几十亿行行情数据本地就能跑。量化人的"数据仓库"，终于有正解了。

爱吃折耳根的Ace

28,860 次观看 • 1 个月前

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。
4:33:02

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Ace

160,122 次观看 • 1 个月前

A 股量化工作台还能这么全——选股、回测、因子挖掘、异动监控、连板梯队、AI 复盘，一个 Docker 全给你！4K stars。 之前发过它的前身 tickflow-stock-panel，现在作者重构成 TSP 了，功能翻倍。 核心亮点是 Polars 引擎毫秒级扫全 A 股，25 个内置策略 + 分钟策略 + AI 生成策略，选股到回测一条龙。 对 A 股研究比较直接： ✅ 20+ 内置策略，Polars 扫全市场，支持自定义和 AI 生成信号 ✅ 回测按 T+1、手续费、滑点算，不是随便画条净值 ✅ 竞价 / 盘中 / 偏离异动监控，可语音播报、飞书推送 ✅ 连板梯队、情绪周期、个股关键价位 ✅ 日 K 不填 Key 也能先跑；实时行情按数据源档位解锁 最懂我的是它那个因子挖掘 + 样本外验证的认真劲儿——多数开源工具只给你回测，不给你防过拟合的验证闭环。 做 A 股量化、又想要个本地工作台的，这个值得部署一个。
1:02

A 股量化工作台还能这么全——选股、回测、因子挖掘、异动监控、连板梯队、AI 复盘，一个 Docker 全给你！4K stars。 之前发过它的前身 tickflow-stock-panel，现在作者重构成 TSP 了，功能翻倍。 核心亮点是 Polars 引擎毫秒级扫全 A 股，25 个内置策略 + 分钟策略 + AI 生成策略，选股到回测一条龙。 对 A 股研究比较直接： ✅ 20+ 内置策略，Polars 扫全市场，支持自定义和 AI 生成信号 ✅ 回测按 T+1、手续费、滑点算，不是随便画条净值 ✅ 竞价 / 盘中 / 偏离异动监控，可语音播报、飞书推送 ✅ 连板梯队、情绪周期、个股关键价位 ✅ 日 K 不填 Key 也能先跑；实时行情按数据源档位解锁 最懂我的是它那个因子挖掘 + 样本外验证的认真劲儿——多数开源工具只给你回测，不给你防过拟合的验证闭环。 做 A 股量化、又想要个本地工作台的，这个值得部署一个。

爱吃折耳根的Ace

14,565 次观看 • 1 个月前

🚨 一个极致向量化、速度非常快的回测框架。 VectorBT，8.1K stars！ 别人跑一个回测的时间，你能跑一万个，史上最快的向量化回测框架！核心优势是完全向量化，能大幅提升回测和参数优化的速度。 它特别适合需要跑大量策略、做参数扫描或者进行大规模回测的用户。相比传统循环式的回测方式，vectorbt 在处理大量数据和参数组合时速度优势明显。 核心亮点： > 向量化矩阵回测：一万组参数同时跑，不是 for 循环一条条跑 > Numba + Rust 双引擎，比传统事件驱动框架快 100-1000 倍 > 内置 TA-Lib + Pandas TA，技术指标开箱即用 > Walk-Forward 滚动优化 + Monte Carlo 鲁棒性测试 > QuantStats 集成，绩效报告一键生成 > Apache 2.0 开源，PyPI 总下载量 290 万次 以前做参数优化：改一个参数 → 跑一遍回测 → 画一张图 → 再改 → 再跑 → 一天过去了。现在 VectorBT 一万组参数一次跑完，最优解直接出来。
0:54

🚨 一个极致向量化、速度非常快的回测框架。 VectorBT，8.1K stars！ 别人跑一个回测的时间，你能跑一万个，史上最快的向量化回测框架！核心优势是完全向量化，能大幅提升回测和参数优化的速度。 它特别适合需要跑大量策略、做参数扫描或者进行大规模回测的用户。相比传统循环式的回测方式，vectorbt 在处理大量数据和参数组合时速度优势明显。 核心亮点： > 向量化矩阵回测：一万组参数同时跑，不是 for 循环一条条跑 > Numba + Rust 双引擎，比传统事件驱动框架快 100-1000 倍 > 内置 TA-Lib + Pandas TA，技术指标开箱即用 > Walk-Forward 滚动优化 + Monte Carlo 鲁棒性测试 > QuantStats 集成，绩效报告一键生成 > Apache 2.0 开源，PyPI 总下载量 290 万次 以前做参数优化：改一个参数 → 跑一遍回测 → 画一张图 → 再改 → 再跑 → 一天过去了。现在 VectorBT 一万组参数一次跑完，最优解直接出来。

爱吃折耳根的Ace

15,198 次观看 • 2 个月前

卧槽！有人把机器学习做量化这件事，直接拆成了 27 章、9 个真实市场案例，再把代码、数据、回测和实盘部署全部开源了 项目叫 Machine Learning for Trading，GitHub 21.1K+ Stars，也是量化 ML 圈的圣经。 而且刚刚重做了第三版，不再只是教你训练几个模型，而是从一条交易想法开始，一路做到数据、因子、模型、回测、成本、风控，最后真正接到 Live Trading。 核心能力： 1️⃣ 数据这层非常硬：市场微观结构、SEC 财报、另类数据、订单簿、Crypto 链上数据，甚至合成金融数据都覆盖 2️⃣ 模型从 LightGBM、XGBoost 一路做到 Transformer、Mamba、TabPFN、因果机器学习和强化学习，不只是传统 ML 3️⃣ 9 个完整案例直接跑 ETF、Crypto 永续、美股日内、期权、外汇、期货和股票因子，不是只拿玩具数据演示 4️⃣ 回测不只看收益，还专门处理 Walk-forward、交易成本、过拟合、多重检验、Deflated Sharpe Ratio 这些量化最容易踩的坑 5️⃣ 新版把 RAG、知识图谱、Multi-Agent 金融研究也加进来了，还提供 61 个 Agent Skills 给 Coding Agent 直接用 6️⃣ 最后还有完整生产链：Portfolio、Risk、MLOps、漂移监控、熔断机制，以及 Interactive Brokers、Alpaca、QuantConnect 实盘方向 我觉得它真正厉害的地方，不是“教你哪个模型最准”。 而是逼你把一套量化策略真正走完整： 数据有没有未来函数？ 因子是不是碰巧有效？ 回测有没有过拟合？ 交易成本算没算？ 市场环境变了以后什么时候该停？ 最后才轮到“这个模型赚不赚钱”。 现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。 如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。
0:56

卧槽！有人把机器学习做量化这件事，直接拆成了 27 章、9 个真实市场案例，再把代码、数据、回测和实盘部署全部开源了 项目叫 Machine Learning for Trading，GitHub 21.1K+ Stars，也是量化 ML 圈的圣经。 而且刚刚重做了第三版，不再只是教你训练几个模型，而是从一条交易想法开始，一路做到数据、因子、模型、回测、成本、风控，最后真正接到 Live Trading。 核心能力： 1️⃣ 数据这层非常硬：市场微观结构、SEC 财报、另类数据、订单簿、Crypto 链上数据，甚至合成金融数据都覆盖 2️⃣ 模型从 LightGBM、XGBoost 一路做到 Transformer、Mamba、TabPFN、因果机器学习和强化学习，不只是传统 ML 3️⃣ 9 个完整案例直接跑 ETF、Crypto 永续、美股日内、期权、外汇、期货和股票因子，不是只拿玩具数据演示 4️⃣ 回测不只看收益，还专门处理 Walk-forward、交易成本、过拟合、多重检验、Deflated Sharpe Ratio 这些量化最容易踩的坑 5️⃣ 新版把 RAG、知识图谱、Multi-Agent 金融研究也加进来了，还提供 61 个 Agent Skills 给 Coding Agent 直接用 6️⃣ 最后还有完整生产链：Portfolio、Risk、MLOps、漂移监控、熔断机制，以及 Interactive Brokers、Alpaca、QuantConnect 实盘方向 我觉得它真正厉害的地方，不是“教你哪个模型最准”。 而是逼你把一套量化策略真正走完整： 数据有没有未来函数？ 因子是不是碰巧有效？ 回测有没有过拟合？ 交易成本算没算？ 市场环境变了以后什么时候该停？ 最后才轮到“这个模型赚不赚钱”。 现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。 如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。

爱吃折耳根的Ace

31,223 次观看 • 1 天前

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有 近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」 以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。 现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全 只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了 做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看
0:51

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有 近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」 以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。 现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全 只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了 做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

爱吃折耳根的Ace

18,508 次观看 • 3 个月前

Anthropic 把华尔街分析师的整套工作流开源了。DCF、LBO、Comps、财报模型——这些以前要花几十万进券商才能碰的东西，现在一个插件全给你。 34K stars，Anthropic 官方出品，不是第三方玩具。里面 10 个能直接跑的 Agent： 1️⃣ Model Builder：DCF、LBO、三表模型，直接在 Excel 里建 2️⃣ Earnings Reviewer：财报电话会 + 文件 → 自动更新模型 → 出纪要 3️⃣ Pitch Agent：Comps + 先例交易 + LBO → 一键出路演 Deck 4️⃣ Market Researcher：给一个行业 → 竞品格局 → 可比公司 → 标的清单 做量化的朋友，最该看的是它的数据层。FactSet、S&P Capital IQ、Moody's、PitchBook、LSEG、Morningstar，12 家机构级数据源全部 MCP 直连——你自己配 Key 就能接进回测流程，不用再手动扒数据。 Claude Code 一行装： claude plugin install financial-analysis@claude-for-financial-services 装完 /comps、/dcf、/earnings 这些命令直接能用。 以前做基本面量化，光数据清洗和估值建模就要写几周代码。现在 Anthropic 把这一步做成了现成插件。你的策略差的那块"基本面拼图"，可能就在这个仓库里。 转发给还在手写 DCF 的朋友。
1:04

Anthropic 把华尔街分析师的整套工作流开源了。DCF、LBO、Comps、财报模型——这些以前要花几十万进券商才能碰的东西，现在一个插件全给你。 34K stars，Anthropic 官方出品，不是第三方玩具。里面 10 个能直接跑的 Agent： 1️⃣ Model Builder：DCF、LBO、三表模型，直接在 Excel 里建 2️⃣ Earnings Reviewer：财报电话会 + 文件 → 自动更新模型 → 出纪要 3️⃣ Pitch Agent：Comps + 先例交易 + LBO → 一键出路演 Deck 4️⃣ Market Researcher：给一个行业 → 竞品格局 → 可比公司 → 标的清单 做量化的朋友，最该看的是它的数据层。FactSet、S&P Capital IQ、Moody's、PitchBook、LSEG、Morningstar，12 家机构级数据源全部 MCP 直连——你自己配 Key 就能接进回测流程，不用再手动扒数据。 Claude Code 一行装： claude plugin install financial-analysis@claude-for-financial-services 装完 /comps、/dcf、/earnings 这些命令直接能用。 以前做基本面量化，光数据清洗和估值建模就要写几周代码。现在 Anthropic 把这一步做成了现成插件。你的策略差的那块"基本面拼图"，可能就在这个仓库里。 转发给还在手写 DCF 的朋友。

爱吃折耳根的Ace

17,916 次观看 • 1 个月前

我去！加密量化框架的天花板，策略从回测到实盘，一个 Python 类就能写完。 Jesse，8.5K stars。自托管框架。should_long / go_long 写逻辑，带止盈止损。多周期、多标的一起测，官方强调没有未来函数。杠杆、做空、部分成交都支持。 以前加密量化，回测一套、实盘再换交易所 SDK，指标还得自己对齐 K 线。 Jesse 不一样，研究、优化、模拟盘、实盘同一套策略代码。 核心能力： 1️⃣ 策略回测：支持多币种、多周期同时回测，并避免 Look-ahead Bias 2️⃣ 300+ 技术指标：均线、RSI、MACD 等直接调用，不用自己重复造轮子 3️⃣ 参数优化：通过 Optuna + Ray 并行搜索策略参数，批量寻找更好的组合 4️⃣ 策略验证：支持规则显著性检验和 Monte Carlo，检查收益到底是策略优势还是运气 5️⃣ 机器学习：可以从回测中采集训练数据，训练分类/回归模型，再直接放回策略里预测 6️⃣ 模拟盘 + 实盘：支持 Spot、Futures、杠杆、做空、分批成交以及多账户交易 7️⃣ Jesse MCP：可以直接接 Claude、Codex、Cursor、VS Code 等，让 AI 帮你写策略、跑回测、优化参数和分析结果 我比较喜欢它的一点是： 指标已经迁到 Rust，重计算会快一截。Hyperliquid、Binance 等现货和合约都能接。本机 PostgreSQL + Redis，策略不出自己机器。 做 Crypto 量化、策略回测、机器学习交易或者 AI Trading Agent 的，这个框架值得上手。 GitHub：
0:54

我去！加密量化框架的天花板，策略从回测到实盘，一个 Python 类就能写完。 Jesse，8.5K stars。自托管框架。should_long / go_long 写逻辑，带止盈止损。多周期、多标的一起测，官方强调没有未来函数。杠杆、做空、部分成交都支持。 以前加密量化，回测一套、实盘再换交易所 SDK，指标还得自己对齐 K 线。 Jesse 不一样，研究、优化、模拟盘、实盘同一套策略代码。 核心能力： 1️⃣ 策略回测：支持多币种、多周期同时回测，并避免 Look-ahead Bias 2️⃣ 300+ 技术指标：均线、RSI、MACD 等直接调用，不用自己重复造轮子 3️⃣ 参数优化：通过 Optuna + Ray 并行搜索策略参数，批量寻找更好的组合 4️⃣ 策略验证：支持规则显著性检验和 Monte Carlo，检查收益到底是策略优势还是运气 5️⃣ 机器学习：可以从回测中采集训练数据，训练分类/回归模型，再直接放回策略里预测 6️⃣ 模拟盘 + 实盘：支持 Spot、Futures、杠杆、做空、分批成交以及多账户交易 7️⃣ Jesse MCP：可以直接接 Claude、Codex、Cursor、VS Code 等，让 AI 帮你写策略、跑回测、优化参数和分析结果 我比较喜欢它的一点是： 指标已经迁到 Rust，重计算会快一截。Hyperliquid、Binance 等现货和合约都能接。本机 PostgreSQL + Redis，策略不出自己机器。 做 Crypto 量化、策略回测、机器学习交易或者 AI Trading Agent 的，这个框架值得上手。 GitHub：

爱吃折耳根的Ace

26,334 次观看 • 19 天前