Loading video...

Video Failed to Load

Go Home

Python量化交易：教你从数据到买卖信号的完整实操 遇到一位用 Python 把经典量化交易策略讲得非常清晰的老师。 我就直接去问他，有没有从数据加载到信号生成、可视化再到策略评估的完整实操？ 他直接向我展示了一个非常经典的 Dual Moving Average Crossover（双均线交叉）框架：用 Python 在 Google Colab 上，以苹果股票（AAPL）为例，计算短期（SMA 30）与长期（SMA 100）简单移动平均线，生成买卖信号，并完整可视化策略表现。 你在网上很难找到比这更适合入门算法交易的 Python 量化实操例子了。 里面有什么： 1️⃣ 数据加载与可视化（2006–2011 年苹果历史股价） 2️⃣ 短期与长期简单移动平均线计算 3️⃣ 买卖信号生成逻辑（金叉买入、死叉卖出） 4️⃣ 策略表现可视化与优缺点评估（趋势行情表现好，震荡行情易产生 whipsaw） 建议收藏，跟着敲一遍代码，快速理解 Python 量化交易策略的基本构建方式。

_zheergen's profile picture

爱吃折耳根的Ace

5,196 subscribers

20,796 views • 1 month ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

1 Comments

阿台🕊️'s profile picture
阿台🕊️1 month ago

太牛了，代码在哪？

Related Videos

一个开源量化交易操作系统，从策略回测到实盘部署一站式完成 StockSharp 是一个免费的算法交易与量化交易平台，支持股票、外汇、加密货币和期权，可以直接用来开发交易机器人。 它提供了可视化策略设计器（Designer）、数据管理工具（Hydra）、图表交易终端（Terminal），以及完整的 C# 框架，适合不同水平的用户使用。 核心能力如下： > 可视化策略设计器：支持拖拽创建策略，也内置 C# 编辑器 > Hydra 数据工具：负责下载、存储和管理行情数据 > Terminal：提供图表和从图表直接交易的功能 > 支持多市场和多券商对接（Binance、Interactive Brokers、MT4 等） > 从策略研究、回测到实盘执行都能覆盖 > 代码开源，方便二次开发和定制 对想用 C# 做量化交易、或者需要一个相对完整的开源交易框架的人来说，这个项目完成度比较高。
0:44

一个开源量化交易操作系统，从策略回测到实盘部署一站式完成 StockSharp 是一个免费的算法交易与量化交易平台，支持股票、外汇、加密货币和期权，可以直接用来开发交易机器人。 它提供了可视化策略设计器（Designer）、数据管理工具（Hydra）、图表交易终端（Terminal），以及完整的 C# 框架，适合不同水平的用户使用。 核心能力如下： > 可视化策略设计器：支持拖拽创建策略，也内置 C# 编辑器 > Hydra 数据工具：负责下载、存储和管理行情数据 > Terminal：提供图表和从图表直接交易的功能 > 支持多市场和多券商对接（Binance、Interactive Brokers、MT4 等） > 从策略研究、回测到实盘执行都能覆盖 > 代码开源，方便二次开发和定制 对想用 C# 做量化交易、或者需要一个相对完整的开源交易框架的人来说，这个项目完成度比较高。

爱吃折耳根的Ace

11,202 views • 1 month 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
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

59,507 views • 2 months 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。
3:00:48

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Ace

34,568 views • 1 month ago

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

159,105 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。
41:02

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Ace

26,897 views • 1 month 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。
0:50

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Ace

22,745 views • 1 month 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。
1:20:01

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Ace

20,741 views • 1 month ago

🧐 真正的 Vibe Trading ？来 Minara 把你喜欢的交易大神，蒸馏成量化代码吧！ 我觉得 Minara Minara AI 是 AI Trading 赛道，目前完成度最高的产品之一 新上线的「Strategy Studio / 策略工作室」非常有意思，完全打通了从 “自然语言” 到 “程序化策略” 之间的壁垒 1️⃣ 用「自然语言」，完成 策略设计、回测、参数优化，到 最终实盘 目前支持通过 自然语言，甚至上传 表格、代码、视频（比如交易员的直播切片） 等方式，生成可以执行的 量化策略代码 期间，还可与 AI 协同，一键优化策略，再通过「K线 历史数据」回测策略成绩，像调试代码一样调试策略 泵泵这几天用 Minara 自带的「AI自适应超趋势」模板，优化了一版，跑了几天 $BTC 量化策略 效果还不错，这几天波动很大，但竟然没有亏，还小赚，比我自己做的 自动交易系统 要稳健 🥹 2️⃣ 自然语言做量化 ，确实切中了一个真实痛点 传统量化交易门槛高，需要编程能力和金融工程知识，Strategy Studio 试图把这个门槛大幅降低 而且这套可玩性很高，每个人都可以 DIY 与众不同的交易系统，自己调试，自己部署运行 💡 想到一个 有意思 的应用场景： 可以直接上传 #币安广场 上，哪些 “顶级交易员” 们的直播切片 让 Minara 把 “带单老师” 们的思路，蒸馏成具体的 量化代码，为你 “全天候” 自动交易 看看哪位老师的 “蒸馏体”，实盘比较厉害 🤣 ----------- 一直觉得交易是反人性的，你需要对抗人的动物属性，对抗身体的疲劳值盯盘，还要有严格风控的执行力，才能在高波动的加密市场里存活 优秀的交易员，无一不是像机器一样严格执行地交易体系，那么为什么不直接交给 更聪明 的 “机器” 来做呢？ Minara 的技能池还挺深的，还有不少功能没有体验，后续泵泵再给大家更新！ ➤ 眼镜娘传送门：
1:09

🧐 真正的 Vibe Trading ？来 Minara 把你喜欢的交易大神，蒸馏成量化代码吧！ 我觉得 Minara Minara AI 是 AI Trading 赛道，目前完成度最高的产品之一 新上线的「Strategy Studio / 策略工作室」非常有意思，完全打通了从 “自然语言” 到 “程序化策略” 之间的壁垒 1️⃣ 用「自然语言」，完成 策略设计、回测、参数优化，到 最终实盘 目前支持通过 自然语言，甚至上传 表格、代码、视频（比如交易员的直播切片） 等方式，生成可以执行的 量化策略代码 期间，还可与 AI 协同，一键优化策略，再通过「K线 历史数据」回测策略成绩，像调试代码一样调试策略 泵泵这几天用 Minara 自带的「AI自适应超趋势」模板，优化了一版，跑了几天 $BTC 量化策略 效果还不错，这几天波动很大，但竟然没有亏，还小赚，比我自己做的 自动交易系统 要稳健 🥹 2️⃣ 自然语言做量化 ，确实切中了一个真实痛点 传统量化交易门槛高，需要编程能力和金融工程知识，Strategy Studio 试图把这个门槛大幅降低 而且这套可玩性很高，每个人都可以 DIY 与众不同的交易系统，自己调试，自己部署运行 💡 想到一个 有意思 的应用场景： 可以直接上传 #币安广场 上，哪些 “顶级交易员” 们的直播切片 让 Minara 把 “带单老师” 们的思路，蒸馏成具体的 量化代码，为你 “全天候” 自动交易 看看哪位老师的 “蒸馏体”，实盘比较厉害 🤣 ----------- 一直觉得交易是反人性的，你需要对抗人的动物属性，对抗身体的疲劳值盯盘，还要有严格风控的执行力，才能在高波动的加密市场里存活 优秀的交易员，无一不是像机器一样严格执行地交易体系，那么为什么不直接交给 更聪明 的 “机器” 来做呢？ Minara 的技能池还挺深的，还有不少功能没有体验，后续泵泵再给大家更新！ ➤ 眼镜娘传送门：

泵泵超人 | Pumpman 🔶

75,500 views • 4 months ago

兄弟们！摩根大通内部 Python 量化培训资料，开源了！ jpmorganchase 开源的 python-training，是摩根大通内部给业务分析师和交易员用的 Python 培训内容，目前有 13.7K Star。 虽然定位是数值计算和数据可视化入门，但内容我看了明显偏向金融和量化场景，主要包括： 1️⃣ 基础 Python 与数值计算 2️⃣ 期权相关案例（比如 Straddle） 3️⃣ 金融数据获取与处理 4️⃣ Altman Z-Score 等信用风险指标计算 5️⃣ 数据可视化与进阶绘图 6️⃣ 网页数据和 API 调用实操 整体就是给交易员和分析师准备的实用型量化入门课，重点不是教完整编程，而是让人快速用 Python 处理金融数据和做简单分析。 对想了解金融机构内部如何培训量化相关技能、或者需要偏实战金融案例的人来说，这份材料有参考价值。
1:15

兄弟们！摩根大通内部 Python 量化培训资料，开源了！ jpmorganchase 开源的 python-training，是摩根大通内部给业务分析师和交易员用的 Python 培训内容，目前有 13.7K Star。 虽然定位是数值计算和数据可视化入门，但内容我看了明显偏向金融和量化场景，主要包括： 1️⃣ 基础 Python 与数值计算 2️⃣ 期权相关案例（比如 Straddle） 3️⃣ 金融数据获取与处理 4️⃣ Altman Z-Score 等信用风险指标计算 5️⃣ 数据可视化与进阶绘图 6️⃣ 网页数据和 API 调用实操 整体就是给交易员和分析师准备的实用型量化入门课，重点不是教完整编程，而是让人快速用 Python 处理金融数据和做简单分析。 对想了解金融机构内部如何培训量化相关技能、或者需要偏实战金融案例的人来说，这份材料有参考价值。

爱吃折耳根的Ace

13,344 views • 1 month ago

1分钟的懒人视频——教你一句话创建美股AI Agent交易策略 + 优化X信息流 这个视频我专门演示了两个实用功能： 第一个功能：用自然语言一句话创建AI Agent交易策略 以前想做一个交易策略，要写代码、调一堆参数、自己跑回测，搞得特别麻烦。现在用 Moss 直接一句话自然语言就能把加密货币、美股、大宗商品的标的变成可执行的AI Agent 我的策略就一句话： 「做一个 $MRVL 的无脑看多策略，在恐惧的时候买入，在FOMO的时候卖出」 为什么选 $MRVL？因为我直接跟单黄仁勋了😂，长期看涨 $MRVL。对于长期看好的标的，最简单的策略就是恐惧入场，别人FOMO追高时卖出 第二个功能：装Moss插件优化X信息流 在Chrome商店搜 Moss 插件安装后，它直接嵌入你的X Feed：实时浓缩市场热点 + 聚合关键KOL观点 + 提取On-chain Alpha信号 + 自动过滤广告和噪音 Moss MOSS 现在可以做到： 一句话把想法变成完整策略（自动生成30+参数）、支持全市场交易（加密永续 + 美股个股 + 黄金原油 + S&P500等）、自动回测 + 每周自进化、24/7托管运行，还有透明的实时Leaderboard和跟单顶级Agent 我的 $HYPE 策略已经稳定运行一个多月了，总体盈利50%+。建议大家去试试！ 😎 直达链接： MOSS 中文
1:08

1分钟的懒人视频——教你一句话创建美股AI Agent交易策略 + 优化X信息流 这个视频我专门演示了两个实用功能： 第一个功能：用自然语言一句话创建AI Agent交易策略 以前想做一个交易策略，要写代码、调一堆参数、自己跑回测，搞得特别麻烦。现在用 Moss 直接一句话自然语言就能把加密货币、美股、大宗商品的标的变成可执行的AI Agent 我的策略就一句话： 「做一个 $MRVL 的无脑看多策略，在恐惧的时候买入，在FOMO的时候卖出」 为什么选 $MRVL？因为我直接跟单黄仁勋了😂，长期看涨 $MRVL。对于长期看好的标的，最简单的策略就是恐惧入场，别人FOMO追高时卖出 第二个功能：装Moss插件优化X信息流 在Chrome商店搜 Moss 插件安装后，它直接嵌入你的X Feed：实时浓缩市场热点 + 聚合关键KOL观点 + 提取On-chain Alpha信号 + 自动过滤广告和噪音 Moss MOSS 现在可以做到： 一句话把想法变成完整策略（自动生成30+参数）、支持全市场交易（加密永续 + 美股个股 + 黄金原油 + S&P500等）、自动回测 + 每周自进化、24/7托管运行，还有透明的实时Leaderboard和跟单顶级Agent 我的 $HYPE 策略已经稳定运行一个多月了，总体盈利50%+。建议大家去试试！ 😎 直达链接： MOSS 中文

梭哈.AI

12,451 views • 2 months ago

这次体验了一下 Bitget GetAgent 的 Playbook，感觉它更像是这次黑客松里最值得关注的基础设施方向之一。（我的视频里有详细解说） Playbook 本质上不是一个简单的信号列表，而是一个标准化的策略运行单元。 它把一套交易策略需要表达的东西都结构化了： -策略逻辑 -适用行情 -风险边界 -交易标的 -可调参数 -运行频率 -信号输出 -是否支持自动交易 这意味着策略不再只是散落在本地脚本、Telegram 群或者黑箱 bot 里，而是可以被创建、发布、订阅、运行和管理。 首先，我这次先订阅了一个现成 Playbook：「智能捕捉均值回归窗口」。 我发现它不是传统网格，而是偏均值回归：过滤掉过低和过高波动，只在相对适中的市场环境里捕捉超买/超卖后的价格回归。 后来，我又用 GetAgent skill 创建了自己的 BTC/ETH Playbook。 逻辑来自本地已有策略：多周期趋势过滤 + 短周期突破触发。 第一版只支持 signal-only，第二版改成支持 follow trade，也就是在有信号时可以自动执行交易。 整个流程跑下来，GetAgent 的意义会变得更清晰： 它不是单纯做一个 AI 聊天入口，也不是再造一个 Telegram bot。 它更像是把“策略开发 → 策略封装 → 发布 → 订阅 → 自动运行 → 交易执行”这条链路标准化。 这对开发者和交易用户都很关键。 对开发者来说，Playbook 是策略产品化的容器。 你可以把本地策略打包成可被平台识别和运行的标准资产。 对用户来说，Playbook 降低了理解和使用策略的门槛。 用户不再只是看到一个买卖点，而是能看到策略适合什么行情、参数怎么改、风险在哪里、是否会自动交易。 当然，自动交易不是魔法。 策略仍然会遇到假突破、连续止损、极端行情。 但至少在 Playbook 框架下，策略的逻辑、权限和执行边界是清楚的。 我觉得这就是 GetAgent 黑客松项目最有意思的地方： 它不是简单地“让 AI 帮你交易”， 而是在尝试定义一套 AI Agent 时代的交易策略发布与执行标准。 如果说上一阶段的交易 bot 是脚本化和群组化的， 那 Playbook 更像是把策略带入了平台化、可组合、可订阅的阶段。#BitgetHackathon 对了还能报名，赶紧来，报名完去TG研究怎么拿奖～： Bitget AI Bitget中文 Gracy Chen @Bitget 33🩵Xandi
4:18

这次体验了一下 Bitget GetAgent 的 Playbook，感觉它更像是这次黑客松里最值得关注的基础设施方向之一。（我的视频里有详细解说） Playbook 本质上不是一个简单的信号列表，而是一个标准化的策略运行单元。 它把一套交易策略需要表达的东西都结构化了： -策略逻辑 -适用行情 -风险边界 -交易标的 -可调参数 -运行频率 -信号输出 -是否支持自动交易 这意味着策略不再只是散落在本地脚本、Telegram 群或者黑箱 bot 里，而是可以被创建、发布、订阅、运行和管理。 首先，我这次先订阅了一个现成 Playbook：「智能捕捉均值回归窗口」。 我发现它不是传统网格，而是偏均值回归：过滤掉过低和过高波动，只在相对适中的市场环境里捕捉超买/超卖后的价格回归。 后来，我又用 GetAgent skill 创建了自己的 BTC/ETH Playbook。 逻辑来自本地已有策略：多周期趋势过滤 + 短周期突破触发。 第一版只支持 signal-only，第二版改成支持 follow trade，也就是在有信号时可以自动执行交易。 整个流程跑下来，GetAgent 的意义会变得更清晰： 它不是单纯做一个 AI 聊天入口，也不是再造一个 Telegram bot。 它更像是把“策略开发 → 策略封装 → 发布 → 订阅 → 自动运行 → 交易执行”这条链路标准化。 这对开发者和交易用户都很关键。 对开发者来说，Playbook 是策略产品化的容器。 你可以把本地策略打包成可被平台识别和运行的标准资产。 对用户来说，Playbook 降低了理解和使用策略的门槛。 用户不再只是看到一个买卖点，而是能看到策略适合什么行情、参数怎么改、风险在哪里、是否会自动交易。 当然，自动交易不是魔法。 策略仍然会遇到假突破、连续止损、极端行情。 但至少在 Playbook 框架下，策略的逻辑、权限和执行边界是清楚的。 我觉得这就是 GetAgent 黑客松项目最有意思的地方： 它不是简单地“让 AI 帮你交易”， 而是在尝试定义一套 AI Agent 时代的交易策略发布与执行标准。 如果说上一阶段的交易 bot 是脚本化和群组化的， 那 Playbook 更像是把策略带入了平台化、可组合、可订阅的阶段。#BitgetHackathon 对了还能报名，赶紧来，报名完去TG研究怎么拿奖～： Bitget AI Bitget中文 Gracy Chen @Bitget 33🩵Xandi

MEJ毛毛姐

29,908 views • 3 months ago

这个开源的低延迟量化交易执行系统，基本上摸到了第一梯队 Kungfu 是一个面向量化交易者的开源交易执行系统，重点解决低延迟执行、策略灵活开发和跨平台使用等问题。 它提供微秒级系统响应，支持纳秒精度时间戳，适合对执行速度有较高要求的交易场景。 主要特点： 1️⃣ 支持 Python 和 C++ 编写策略，可自由使用第三方库 2️⃣ 低延迟架构，适合高频和中高频交易 3️⃣ 提供图形化界面，方便策略管理和监控 4️⃣ 同时支持 Windows、macOS 和 Linux 5️⃣ 模块化设计，包含低延迟时序数据库和策略执行引擎 6️⃣ 可对接不同交易网关（有 XTP 等开源实现） 对需要低延迟交易执行、或者想用 Python/C++ 开发策略的量化交易者来说，这个系统完成度比较高，属于中高频的。
0:52

这个开源的低延迟量化交易执行系统，基本上摸到了第一梯队 Kungfu 是一个面向量化交易者的开源交易执行系统，重点解决低延迟执行、策略灵活开发和跨平台使用等问题。 它提供微秒级系统响应，支持纳秒精度时间戳，适合对执行速度有较高要求的交易场景。 主要特点： 1️⃣ 支持 Python 和 C++ 编写策略，可自由使用第三方库 2️⃣ 低延迟架构，适合高频和中高频交易 3️⃣ 提供图形化界面，方便策略管理和监控 4️⃣ 同时支持 Windows、macOS 和 Linux 5️⃣ 模块化设计，包含低延迟时序数据库和策略执行引擎 6️⃣ 可对接不同交易网关（有 XTP 等开源实现） 对需要低延迟交易执行、或者想用 Python/C++ 开发策略的量化交易者来说，这个系统完成度比较高，属于中高频的。

爱吃折耳根的Ace

20,961 views • 1 month ago

经过与 Openclaw 协作的 Vibe Coding，终于可以给大家看一眼我目前新开启的项目：A-Trading 了！ 这是一个内置 AI 的量化交易工具，你可以让 AI 在各个时间周期为你实时生成各种属性的量化策略，根据多策略的运行情况，进行策略杂交。 简单来说就是用“优胜劣汰”的方式快速筛选最适合当下的交易策略！ 每当你切换新的时间周期或要求策略生成后，AI会立即生成10~20个随机策略，随后程序后台会立即根据策略与价格数据进行本地回测，从而对不同策略进行排名； 当程序连续运行一段时间后，回测数据+实测数据表现最好的两个策略可以被选中进行繁殖... 点击“进化”按钮后，AI会继续根据优势策略，取长补短，在其基础上重新生成更多“子策略”，以此类推，理论上在这个模式下，你可以很快找到最适合当前市场结构的策略。 随着时间推移，优势策略可能会被取代，没关系，继续进化繁殖即可，系统会自动淘汰落后的策略... 目前我刚刚完成了和 TradingView 同级别的K线显示系统，并加入了持仓、交易标记等功能。 接下来除了对策略繁衍功能进行完善以外，还会尝试加入交易所API对接系统以及账户风控系统甚至实时 AI 交流框... 整个开发过程中，UI及自研K线部分是最头疼的，累积烧掉了近5000多万 Tokens... 接下来由于整体架构已经完善，就只需要慢慢增加更多的功能即可！ 感谢 OpenClaw🦞 ，让我感受到了远比 Cursor 快乐的 Coding 体验，除了他动不动造反以外都不错！ 未来我还会慢慢更新该项目的进展，大家有什么好的建议都可以提出来，我现在感觉无所不能！哈哈哈！
2:10

经过与 Openclaw 协作的 Vibe Coding，终于可以给大家看一眼我目前新开启的项目：A-Trading 了！ 这是一个内置 AI 的量化交易工具，你可以让 AI 在各个时间周期为你实时生成各种属性的量化策略，根据多策略的运行情况，进行策略杂交。 简单来说就是用“优胜劣汰”的方式快速筛选最适合当下的交易策略！ 每当你切换新的时间周期或要求策略生成后，AI会立即生成10~20个随机策略，随后程序后台会立即根据策略与价格数据进行本地回测，从而对不同策略进行排名； 当程序连续运行一段时间后，回测数据+实测数据表现最好的两个策略可以被选中进行繁殖... 点击“进化”按钮后，AI会继续根据优势策略，取长补短，在其基础上重新生成更多“子策略”，以此类推，理论上在这个模式下，你可以很快找到最适合当前市场结构的策略。 随着时间推移，优势策略可能会被取代，没关系，继续进化繁殖即可，系统会自动淘汰落后的策略... 目前我刚刚完成了和 TradingView 同级别的K线显示系统，并加入了持仓、交易标记等功能。 接下来除了对策略繁衍功能进行完善以外，还会尝试加入交易所API对接系统以及账户风控系统甚至实时 AI 交流框... 整个开发过程中，UI及自研K线部分是最头疼的，累积烧掉了近5000多万 Tokens... 接下来由于整体架构已经完善，就只需要慢慢增加更多的功能即可！ 感谢 OpenClaw🦞 ，让我感受到了远比 Cursor 快乐的 Coding 体验，除了他动不动造反以外都不错！ 未来我还会慢慢更新该项目的进展，大家有什么好的建议都可以提出来，我现在感觉无所不能！哈哈哈！

Crypto_Painter

130,014 views • 7 months ago

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

25,110 views • 6 days ago

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

26,607 views • 3 months 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。
37:07

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Ace

17,982 views • 1 month 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。
1:00

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Ace

17,130 views • 1 month ago

多数开源量化框架的作者，自己都不用。 pysystemtrade 是个例外——作者 Rob Carver 拿它做自己的实盘交易系统，每周 5 天、每天 20 小时在跑，3.4K stars。 Rob Carver 就是那本经典《Systematic Trading》的作者，前 AHL 基金经理。 这个库是他书里那套系统化交易框架的开源实现，不是演示 demo，是"我靠它吃饭的引擎，顺手开源给你"。 核心亮点： 1️⃣ 作者实盘在用：他靠这套引擎交易期货，等于用真钱帮你做了测试 2️⃣ 完整系统化框架：回测、参数优化、组合构建、风控，书里原则全实现 3️⃣ 自动化实盘：ib_insync 直连 Interactive Brokers，能真正下单 4️⃣ 经典策略全套：趋势跟踪、均值回归、多品种组合，书中策略全有现成代码 5️⃣ 文档扎实：introduction、backtesting、data、production 一步步教到生产环境 它的本质，是"一个职业交易员把自己吃饭的家伙公开了"。 做期货系统化交易、想学机构级趋势跟踪怎么从回测走到实盘的，这是目前最接近生产级的学习范本。
0:57

多数开源量化框架的作者，自己都不用。 pysystemtrade 是个例外——作者 Rob Carver 拿它做自己的实盘交易系统，每周 5 天、每天 20 小时在跑，3.4K stars。 Rob Carver 就是那本经典《Systematic Trading》的作者，前 AHL 基金经理。 这个库是他书里那套系统化交易框架的开源实现，不是演示 demo，是"我靠它吃饭的引擎，顺手开源给你"。 核心亮点： 1️⃣ 作者实盘在用：他靠这套引擎交易期货，等于用真钱帮你做了测试 2️⃣ 完整系统化框架：回测、参数优化、组合构建、风控，书里原则全实现 3️⃣ 自动化实盘：ib_insync 直连 Interactive Brokers，能真正下单 4️⃣ 经典策略全套：趋势跟踪、均值回归、多品种组合，书中策略全有现成代码 5️⃣ 文档扎实：introduction、backtesting、data、production 一步步教到生产环境 它的本质，是"一个职业交易员把自己吃饭的家伙公开了"。 做期货系统化交易、想学机构级趋势跟踪怎么从回测走到实盘的，这是目前最接近生产级的学习范本。

爱吃折耳根的Ace

22,096 views • 29 days ago

卧槽！量化交易资源优质合集又发现一个比较全的 wangzhe3224 整理的 awesome-systematic-trading，把系统化交易相关的工具和资源做了分类汇总，目前有 4.8K Star。 主要内容覆盖： 1️⃣ 回测与实盘框架（backtrader、Freqtrade、 等） 2️⃣ AI / 机器学习量化工具（FinRL、Qlib、FinGPT 等） 3️⃣ 因子分析与策略相关资源 4️⃣ 数据处理、指标计算、风险管理工具 5️⃣ 数据源和券商接口 6️⃣ 相关书籍、博客和研究资料 整体从数据、研究到回测和执行的工具都有覆盖，适合想系统找开源项目的人作为参考。 同时支持股票、加密货币、期货、期权、外汇等多个市场，适合做量化交易和系统化策略研究的人参考。 对做量化策略开发，或者想了解这个方向常用工具的人来说，这份列表比较实用。
1:01

卧槽！量化交易资源优质合集又发现一个比较全的 wangzhe3224 整理的 awesome-systematic-trading，把系统化交易相关的工具和资源做了分类汇总，目前有 4.8K Star。 主要内容覆盖： 1️⃣ 回测与实盘框架（backtrader、Freqtrade、 等） 2️⃣ AI / 机器学习量化工具（FinRL、Qlib、FinGPT 等） 3️⃣ 因子分析与策略相关资源 4️⃣ 数据处理、指标计算、风险管理工具 5️⃣ 数据源和券商接口 6️⃣ 相关书籍、博客和研究资料 整体从数据、研究到回测和执行的工具都有覆盖，适合想系统找开源项目的人作为参考。 同时支持股票、加密货币、期货、期权、外汇等多个市场，适合做量化交易和系统化策略研究的人参考。 对做量化策略开发，或者想了解这个方向常用工具的人来说，这份列表比较实用。

爱吃折耳根的Ace

58,772 views • 1 month ago

一个高性能的开源量化研究框架（尤其适合 A 股） Hikyuu 是基于 C++/Python 开发的超高速量化交易研究框架，核心目标是支持策略建模、回测和金融数据分析。 它最大的特点是性能强 + 模块化设计，把交易系统拆解成市场环境判断、信号指示器、资金管理、止损止盈、滑点模拟等多个独立组件，方便组合和复用。 核心特点如下： 1️⃣ C++ 核心，回测速度很快（全市场日线计算比较轻量） 2️⃣ 支持 Python 接口，可直接配合 pandas、numpy、TA-Lib 使用 3️⃣ 把交易系统拆成多个策略部件（信号、资金管理、止损、滑点等），方便组合和复用 4️⃣ 支持日线和分钟线数据，本地存储（HDF5 等）比较高效 5️⃣ 提供交互式工具，方便画 K 线、指标和信号 6️⃣ 深度适配 A 股数据体系，适合做全市场研究 对做 A 股策略研究、系统化交易回测，或者想要一个高性能本地量化框架的人来说，这个项目值得关注。
0:44

一个高性能的开源量化研究框架（尤其适合 A 股） Hikyuu 是基于 C++/Python 开发的超高速量化交易研究框架，核心目标是支持策略建模、回测和金融数据分析。 它最大的特点是性能强 + 模块化设计，把交易系统拆解成市场环境判断、信号指示器、资金管理、止损止盈、滑点模拟等多个独立组件，方便组合和复用。 核心特点如下： 1️⃣ C++ 核心，回测速度很快（全市场日线计算比较轻量） 2️⃣ 支持 Python 接口，可直接配合 pandas、numpy、TA-Lib 使用 3️⃣ 把交易系统拆成多个策略部件（信号、资金管理、止损、滑点等），方便组合和复用 4️⃣ 支持日线和分钟线数据，本地存储（HDF5 等）比较高效 5️⃣ 提供交互式工具，方便画 K 线、指标和信号 6️⃣ 深度适配 A 股数据体系，适合做全市场研究 对做 A 股策略研究、系统化交易回测，或者想要一个高性能本地量化框架的人来说，这个项目值得关注。

爱吃折耳根的Ace

12,515 views • 1 month ago