Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

🚨 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... show more

爱吃折耳根的Ace

2,037 subscribers

15,198 Aufrufe • vor 2 Monaten •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

写了个量化回测、用了14个参数的选股策略通过跑500次历史数据来得出最高胜率的参数。并且加入大盘上涨周期，横盘周期跑完数据后，我会把数据上传到主页里面去。有感兴趣的到时候自行查看下载。

写了个量化回测、用了14个参数的选股策略通过跑500次历史数据来得出最高胜率的参数。并且加入大盘上涨周期，横盘周期跑完数据后，我会把数据上传到主页里面去。有感兴趣的到时候自行查看下载。

吴川

52,787 Aufrufe • vor 1 Jahr

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。

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 Aufrufe • vor 2 Monaten

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。

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 Aufrufe • vor 1 Monat

我去！AKShare 团队憋了个大招——AKQuant，Rust 内核 + Python 接口的高性能回测框架，2.1K stars！之前 AKShare 解决了 A 股数据获取，这次 AKQuant 直接把"回测引擎 + ML 训练"从底层焊死了。 Rust 写内核追求极致速度，Python 接口保持灵活，Zero-Copy 数据导入省掉一层开销。核心亮点： 1️⃣ 直接接 AKShare 拉 A 股日线，示例里就能跑通 2️⃣ 内核按 T+1、资金风控处理，不是纯向量回测 3️⃣ 103 个 TA-Lib 指标 + Polars 因子表达式 4️⃣ 内置 Walk-forward，能接 PyTorch / Sklearn 5️⃣ 多标的、参数网格、成交与持仓明细都能导出做 AI 策略最烦的就是训练和回测两套代码来回切，AKQuant 用 Walk-forward 一个框架全串起来了。 pip install akquant 直接装，不用配 Rust 环境，配 AKShare 拉数据一条龙。数据另装 akshare。期货、加密也能喂进去，但主场景还是 A 股策略回测。

我去！AKShare 团队憋了个大招——AKQuant，Rust 内核 + Python 接口的高性能回测框架，2.1K stars！之前 AKShare 解决了 A 股数据获取，这次 AKQuant 直接把"回测引擎 + ML 训练"从底层焊死了。 Rust 写内核追求极致速度，Python 接口保持灵活，Zero-Copy 数据导入省掉一层开销。核心亮点： 1️⃣ 直接接 AKShare 拉 A 股日线，示例里就能跑通 2️⃣ 内核按 T+1、资金风控处理，不是纯向量回测 3️⃣ 103 个 TA-Lib 指标 + Polars 因子表达式 4️⃣ 内置 Walk-forward，能接 PyTorch / Sklearn 5️⃣ 多标的、参数网格、成交与持仓明细都能导出做 AI 策略最烦的就是训练和回测两套代码来回切，AKQuant 用 Walk-forward 一个框架全串起来了。 pip install akquant 直接装，不用配 Rust 环境，配 AKShare 拉数据一条龙。数据另装 akshare。期货、加密也能喂进去，但主场景还是 A 股策略回测。

爱吃折耳根的Ace

33,585 Aufrufe • vor 1 Monat

A 股量化圈的老牌框架，11K stars，2016 年就在了，到现在还活着且刚做完 Rust 核心升级——QUANTAXIS。多数 A 股量化框架要么死在 Python 性能上，要么靠 C++ 但门槛高。 QUANTAXIS 走的是桥接路线：v2.1 引入 Rust 核心 QARS2，账户操作 100 倍加速、回测 10 倍提速、内存占用降 90%，但 API 完全兼容，没装 Rust 环境就自动回退纯 Python。它真正有用的能力： 1️⃣ 多市场数据层：采集、存储、清洗，MongoDB / ClickHouse 都支持 2️⃣ 统一账户协议 QIFI：股票、期货同一套账户逻辑，跨语言一致 3️⃣ 回测 + 模拟 + 实盘路径清晰，可对接 QMT、CTP 等 4️⃣ 任务调度与分布式部署，适合团队和多策略并行 5️⃣ 新版本接入 Rust 核心：账户操作和回测速度大幅提升本质是把「本地可落地的量化全链路」做成了开源框架，而不是只给一个回测脚本。做 A 股、期货、本地化量化系统的，这个基本绕不开。

A 股量化圈的老牌框架，11K stars，2016 年就在了，到现在还活着且刚做完 Rust 核心升级——QUANTAXIS。多数 A 股量化框架要么死在 Python 性能上，要么靠 C++ 但门槛高。 QUANTAXIS 走的是桥接路线：v2.1 引入 Rust 核心 QARS2，账户操作 100 倍加速、回测 10 倍提速、内存占用降 90%，但 API 完全兼容，没装 Rust 环境就自动回退纯 Python。它真正有用的能力： 1️⃣ 多市场数据层：采集、存储、清洗，MongoDB / ClickHouse 都支持 2️⃣ 统一账户协议 QIFI：股票、期货同一套账户逻辑，跨语言一致 3️⃣ 回测 + 模拟 + 实盘路径清晰，可对接 QMT、CTP 等 4️⃣ 任务调度与分布式部署，适合团队和多策略并行 5️⃣ 新版本接入 Rust 核心：账户操作和回测速度大幅提升本质是把「本地可落地的量化全链路」做成了开源框架，而不是只给一个回测脚本。做 A 股、期货、本地化量化系统的，这个基本绕不开。

爱吃折耳根的Ace

14,942 Aufrufe • vor 1 Monat

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。

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 Aufrufe • vor 1 Monat

我去！这才是量化工具该有的样子，算夏普、回撤、配权重，全是一行的事 ffn，2.6K stars，金融函数库把绩效分析、组合优化、回撤曲线全打包了！核心很直接：你负责把股票、组合的净值喂进去。它算收益、风险、回撤路径，顺手能 rebase 画图。以前回测完要自己写几十行 pandas 算夏普、最大回撤、年化，组合优化还得现推均值方差公式。 ffn 不一样，量化圈最常用的那套金融函数，它早替你封装好、测好了。核心亮点： 1️⃣ calc_stats() 一个调用吐出全套绩效：总收益、年化、夏普、索提诺、最大回撤、Calmar、胜率等几十项 2️⃣ calc_mean_var_weights() 一行算马科维茨最优权重，直接把组合配比给你配好 3️⃣ 内置数据下载：ffn.get('aapl,msft,c,gs,ge') 多标的一把拉，to_returns() 转收益 4️⃣ 回撤序列、水下曲线、相关性矩阵、净值曲线图全都能出 5️⃣ 回测框架 bt 就是基于它建的，生态成熟，2.6K stars、376 forks，MIT 开源别再手写绩效函数了，这套库 10 年打磨、量化人都用。收藏它，你会感谢我的。

我去！这才是量化工具该有的样子，算夏普、回撤、配权重，全是一行的事 ffn，2.6K stars，金融函数库把绩效分析、组合优化、回撤曲线全打包了！核心很直接：你负责把股票、组合的净值喂进去。它算收益、风险、回撤路径，顺手能 rebase 画图。以前回测完要自己写几十行 pandas 算夏普、最大回撤、年化，组合优化还得现推均值方差公式。 ffn 不一样，量化圈最常用的那套金融函数，它早替你封装好、测好了。核心亮点： 1️⃣ calc_stats() 一个调用吐出全套绩效：总收益、年化、夏普、索提诺、最大回撤、Calmar、胜率等几十项 2️⃣ calc_mean_var_weights() 一行算马科维茨最优权重，直接把组合配比给你配好 3️⃣ 内置数据下载：ffn.get('aapl,msft,c,gs,ge') 多标的一把拉，to_returns() 转收益 4️⃣ 回撤序列、水下曲线、相关性矩阵、净值曲线图全都能出 5️⃣ 回测框架 bt 就是基于它建的，生态成熟，2.6K stars、376 forks，MIT 开源别再手写绩效函数了，这套库 10 年打磨、量化人都用。收藏它，你会感谢我的。

爱吃折耳根的Ace

25,837 Aufrufe • vor 21 Tagen

🚨 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

🚨 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 Aufrufe • vor 3 Monaten

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：

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 Aufrufe • vor 3 Monaten

兄弟们！想自己做量化，最浪费时间的往往不是写策略。而是数据去哪找、框架怎么选、回测用什么、机器学习怎么接，最后实盘又得重新拼一套。这 6 个 GitHub 仓库，基本把量化从“找资料”一路铺到“回测和交易”。 1️⃣ awesome-quant 30K star 量化圈的资源总目录。数据源、技术指标、定价、回测、组合优化、风险分析全都分类整理好了，不知道用什么库先来这里找。 2️⃣ machine-learning-for-trading 21K star 21K Stars，机器学习做量化的一整套教材 + 代码。从金融数据、特征工程、模型训练，一路做到回测、风险和实盘部署。 3️⃣ quant-trading 11K star 11K star 现成策略仓库。配对交易、统计套利、MACD、布林带、VIX、期权、CTA 都有，最适合直接拆别人的策略思路。 4️⃣ Backtrader 23.3K star Python 量化回测老牌框架。策略写完先扔历史行情里跑，订单、仓位、手续费、指标这些基础设施都给你准备好了。 5️⃣ Zipline Reloaded 2K star Quantopian 当年那套事件驱动回测引擎的持续维护版。想研究专业回测框架到底怎么设计，这个很值得拆。 6️⃣ CCXT 44.2K star 做 Crypto 基本绕不开。100+ 交易所统一成一套 API，行情、K 线、订单簿、账户、下单不用每家交易所重新对接。如果你刚开始搭自己的量化系统： awesome-quant 找工具 machine-learning-for-trading 学完整流程 quant-trading 找策略灵感 Backtrader / Zipline 跑回测 CCXT 接加密交易所这套先吃透，比一上来自己从零造轮子省太多时间。做股票量化、Crypto 量化或者准备自己搭交易系统的，这 6 个建议直接保持看。

兄弟们！想自己做量化，最浪费时间的往往不是写策略。而是数据去哪找、框架怎么选、回测用什么、机器学习怎么接，最后实盘又得重新拼一套。这 6 个 GitHub 仓库，基本把量化从“找资料”一路铺到“回测和交易”。 1️⃣ awesome-quant 30K star 量化圈的资源总目录。数据源、技术指标、定价、回测、组合优化、风险分析全都分类整理好了，不知道用什么库先来这里找。 2️⃣ machine-learning-for-trading 21K star 21K Stars，机器学习做量化的一整套教材 + 代码。从金融数据、特征工程、模型训练，一路做到回测、风险和实盘部署。 3️⃣ quant-trading 11K star 11K star 现成策略仓库。配对交易、统计套利、MACD、布林带、VIX、期权、CTA 都有，最适合直接拆别人的策略思路。 4️⃣ Backtrader 23.3K star Python 量化回测老牌框架。策略写完先扔历史行情里跑，订单、仓位、手续费、指标这些基础设施都给你准备好了。 5️⃣ Zipline Reloaded 2K star Quantopian 当年那套事件驱动回测引擎的持续维护版。想研究专业回测框架到底怎么设计，这个很值得拆。 6️⃣ CCXT 44.2K star 做 Crypto 基本绕不开。100+ 交易所统一成一套 API，行情、K 线、订单簿、账户、下单不用每家交易所重新对接。如果你刚开始搭自己的量化系统： awesome-quant 找工具 machine-learning-for-trading 学完整流程 quant-trading 找策略灵感 Backtrader / Zipline 跑回测 CCXT 接加密交易所这套先吃透，比一上来自己从零造轮子省太多时间。做股票量化、Crypto 量化或者准备自己搭交易系统的，这 6 个建议直接保持看。

爱吃折耳根的Ace

36,355 Aufrufe • vor 6 Tagen

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。

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 Aufrufe • vor 1 Monat

做加密量化，如果你不想回测一套、调参一套、实盘又重写一套，Freqtrade 基本把整条链路都给你接起来了。 freqtrade，54.3K stars，支持币安/OKX/Bybit 等所有主流交易所现货+合约，回测、FreqAI 机器学习、Telegram/网页控制全都有！以前写币圈交易机器人，得自己接交易所 API、做回测、做风控、做告警，一堆坑要踩。 freqtrade 不一样，开箱即用的完整交易机器人，交易所支持最全、社区最大、文档最全，全球量化玩家都在用。核心能力： 1️⃣ 策略回测：直接用交易所历史 OHLCV 数据测试策略，手续费也会计入结果 2️⃣ Hyperopt 调参：可以自动搜索入场、出场、ROI、止损、移动止损等参数 3️⃣ Dry-Run 模拟盘：先用实时行情跑模拟交易，不碰真钱，验证回测和真实市场之间的差距 4️⃣ 实盘自动交易：支持 Binance、Bybit、OKX、Gate、Kraken、Hyperliquid 等，覆盖现货和多个期货市场 5️⃣ FreqAI：可以训练自适应机器学习模型，并定期重新训练，让模型跟随市场变化 6️⃣ 风控与交易对管理：支持白名单、黑名单、动态交易对、仓位管理和保护机制 7️⃣ WebUI + Telegram：直接查看持仓、盈亏、交易记录，也能远程启动、停止和管理 Bot 它是一个 Python 开源量化交易框架，从历史数据、策略开发、回测、参数优化，到模拟盘和实盘交易，都可以在同一套系统里完成。做 Crypto 量化、策略回测、自动交易或者机器学习交易的，这个基本属于绕不开的项目。

做加密量化，如果你不想回测一套、调参一套、实盘又重写一套，Freqtrade 基本把整条链路都给你接起来了。 freqtrade，54.3K stars，支持币安/OKX/Bybit 等所有主流交易所现货+合约，回测、FreqAI 机器学习、Telegram/网页控制全都有！以前写币圈交易机器人，得自己接交易所 API、做回测、做风控、做告警，一堆坑要踩。 freqtrade 不一样，开箱即用的完整交易机器人，交易所支持最全、社区最大、文档最全，全球量化玩家都在用。核心能力： 1️⃣ 策略回测：直接用交易所历史 OHLCV 数据测试策略，手续费也会计入结果 2️⃣ Hyperopt 调参：可以自动搜索入场、出场、ROI、止损、移动止损等参数 3️⃣ Dry-Run 模拟盘：先用实时行情跑模拟交易，不碰真钱，验证回测和真实市场之间的差距 4️⃣ 实盘自动交易：支持 Binance、Bybit、OKX、Gate、Kraken、Hyperliquid 等，覆盖现货和多个期货市场 5️⃣ FreqAI：可以训练自适应机器学习模型，并定期重新训练，让模型跟随市场变化 6️⃣ 风控与交易对管理：支持白名单、黑名单、动态交易对、仓位管理和保护机制 7️⃣ WebUI + Telegram：直接查看持仓、盈亏、交易记录，也能远程启动、停止和管理 Bot 它是一个 Python 开源量化交易框架，从历史数据、策略开发、回测、参数优化，到模拟盘和实盘交易，都可以在同一套系统里完成。做 Crypto 量化、策略回测、自动交易或者机器学习交易的，这个基本属于绕不开的项目。

爱吃折耳根的Ace

23,631 Aufrufe • vor 18 Tagen

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。

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 Aufrufe • vor 1 Monat

好家伙！一个库把美股量化从数据到实盘全包了 Finance，4.2K stars，行情、技术指标、选股、回测、组合优化、机器学习，一条龙全有！以前做美股量化，数据用 yfinance、指标自己写、回测再拼个 backtrader，来回倒腾。 Finance 不一样，一个库把数据、指标、选股、策略、回测、组合、模型全串起来，核心只依赖 NumPy + pandas。核心亮点： 1️⃣ 数据获取：支持 OHLCV、盘中行情、财报、新闻、分析师数据、内部人交易和财报电话会 2️⃣ 技术分析：内置均线、RSI、动量、波动率、成交量、支撑阻力和市场宽度等指标 3️⃣ 股票筛选：支持相对强弱、Minervini、趋势、成长、股息和机构持仓等筛选逻辑 4️⃣ 策略回测：支持多空交易、手续费、滑点、借券成本、止盈止损和基准对比 5️⃣ 组合优化：可以做资产配置、有效前沿、约束优化、相关性模拟，以及一次性买入和定投对比 6️⃣ 金融建模：包含 CAPM、ARIMA、PCA、市场状态识别、聚类和部分机器学习实验核心很直接：YahooFinance().history('AAPL', ...) 拿复权 OHLCV；indicators 不算网；backtest 用收盘出信号、开盘成交，带佣金和滑点。想从头搭一套美股研究/回测流程，这一个库基本够了

好家伙！一个库把美股量化从数据到实盘全包了 Finance，4.2K stars，行情、技术指标、选股、回测、组合优化、机器学习，一条龙全有！以前做美股量化，数据用 yfinance、指标自己写、回测再拼个 backtrader，来回倒腾。 Finance 不一样，一个库把数据、指标、选股、策略、回测、组合、模型全串起来，核心只依赖 NumPy + pandas。核心亮点： 1️⃣ 数据获取：支持 OHLCV、盘中行情、财报、新闻、分析师数据、内部人交易和财报电话会 2️⃣ 技术分析：内置均线、RSI、动量、波动率、成交量、支撑阻力和市场宽度等指标 3️⃣ 股票筛选：支持相对强弱、Minervini、趋势、成长、股息和机构持仓等筛选逻辑 4️⃣ 策略回测：支持多空交易、手续费、滑点、借券成本、止盈止损和基准对比 5️⃣ 组合优化：可以做资产配置、有效前沿、约束优化、相关性模拟，以及一次性买入和定投对比 6️⃣ 金融建模：包含 CAPM、ARIMA、PCA、市场状态识别、聚类和部分机器学习实验核心很直接：YahooFinance().history('AAPL', ...) 拿复权 OHLCV；indicators 不算网；backtest 用收盘出信号、开盘成交，带佣金和滑点。想从头搭一套美股研究/回测流程，这一个库基本够了

爱吃折耳根的Ace

16,030 Aufrufe • vor 20 Tagen

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。

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 Aufrufe • vor 1 Monat

手机AI量化参数设置教程300U一周左右滚仓到382U。因为每天我收到一两千的私信实在回复不过来。想看我参数如何调的仔细看以下视频操作即可。 1：量化模式 2：我跑的是USDC市场异动 3：最大持仓数6 4：杠杆1 5：亏损上限20% 6：盈利目标40% 7：高级模式止盈波动率倍数0.5 我一天看两次左右未设置止损，因为只是一倍的去跑的比较放心。提醒：任何量化程序都会有风险，量力而行！个人操作分享，非投资建议！

手机AI量化参数设置教程300U一周左右滚仓到382U。因为每天我收到一两千的私信实在回复不过来。想看我参数如何调的仔细看以下视频操作即可。 1：量化模式 2：我跑的是USDC市场异动 3：最大持仓数6 4：杠杆1 5：亏损上限20% 6：盈利目标40% 7：高级模式止盈波动率倍数0.5 我一天看两次左右未设置止损，因为只是一倍的去跑的比较放心。提醒：任何量化程序都会有风险，量力而行！个人操作分享，非投资建议！

DeFi狙击手 | Ai🕊️

40,925 Aufrufe • vor 9 Tagen

这个量化交易引擎把「回测和实盘不一致」的问题解决得比较彻底 NautilusTrader 是一个用 Rust 编写核心引擎的开源量化交易平台，专为高可靠性和高性能设计，支持从研究、回测到实盘交易的全流程。它最大的特点是回测与实盘使用同一套事件驱动架构和代码，能最大程度保证研究到实盘的一致性（research-to-live parity）。核心亮点： 1️⃣ Rust 核心引擎 + Python 策略接口（性能和灵活性兼顾） 2️⃣ 确定性事件驱动架构，支持纳秒级精度 3️⃣ 多资产、多交易所支持（加密货币、股票、期货等） 4️⃣ 高性能 Rust 核心，适合对延迟和稳定性要求较高的场景 5️⃣ 模块化适配器，方便接入不同交易所和数据源 6️⃣ 支持高级订单类型和完整的回测、实盘执行流程 7️⃣ 同一套策略代码，回测和实盘执行逻辑完全相同对想搭建专业级量化系统，或者需要把研究策略稳定迁移到实盘的人来说，这个项目目前开源里完成度比较高。

这个量化交易引擎把「回测和实盘不一致」的问题解决得比较彻底 NautilusTrader 是一个用 Rust 编写核心引擎的开源量化交易平台，专为高可靠性和高性能设计，支持从研究、回测到实盘交易的全流程。它最大的特点是回测与实盘使用同一套事件驱动架构和代码，能最大程度保证研究到实盘的一致性（research-to-live parity）。核心亮点： 1️⃣ Rust 核心引擎 + Python 策略接口（性能和灵活性兼顾） 2️⃣ 确定性事件驱动架构，支持纳秒级精度 3️⃣ 多资产、多交易所支持（加密货币、股票、期货等） 4️⃣ 高性能 Rust 核心，适合对延迟和稳定性要求较高的场景 5️⃣ 模块化适配器，方便接入不同交易所和数据源 6️⃣ 支持高级订单类型和完整的回测、实盘执行流程 7️⃣ 同一套策略代码，回测和实盘执行逻辑完全相同对想搭建专业级量化系统，或者需要把研究策略稳定迁移到实盘的人来说，这个项目目前开源里完成度比较高。

爱吃折耳根的Ace

13,143 Aufrufe • vor 2 Monaten

做量化策略最烦的不是写逻辑，是搭架子。这个库把数据源、持仓管理、订单执行、回测报告、部署接口——Investing Algorithm Framework 把这些全封装好了，1.7K stars。一套代码，写完既能回测又能直接部署成交易机器人。ccxt 直连几十家交易所，数据自动转成 Polars DataFrame，快且省内存。几个对量化党很实用的点： 1️⃣ 同一个策略函数，backtest() 跑历史，run() 直接上实盘，不用改代码 2️⃣ ccxt 集成：币安、OKX 等几十家交易所统一接口 3️⃣ 回测报告自带绩效分析，收益曲线一目了然 4️⃣ 支持做多做空、止损、仓位管理和信号冷却 5️⃣ 可部署到云函数，也能本地长期挂机以前做加密策略：接 ccxt → 自己写仓位管理 → 自己写回测 → 自己写部署。现在这个框架一条龙，你只需要关心策略本身。对想把策略从研究推到实盘的人，值得直接试一下。

做量化策略最烦的不是写逻辑，是搭架子。这个库把数据源、持仓管理、订单执行、回测报告、部署接口——Investing Algorithm Framework 把这些全封装好了，1.7K stars。一套代码，写完既能回测又能直接部署成交易机器人。ccxt 直连几十家交易所，数据自动转成 Polars DataFrame，快且省内存。几个对量化党很实用的点： 1️⃣ 同一个策略函数，backtest() 跑历史，run() 直接上实盘，不用改代码 2️⃣ ccxt 集成：币安、OKX 等几十家交易所统一接口 3️⃣ 回测报告自带绩效分析，收益曲线一目了然 4️⃣ 支持做多做空、止损、仓位管理和信号冷却 5️⃣ 可部署到云函数，也能本地长期挂机以前做加密策略：接 ccxt → 自己写仓位管理 → 自己写回测 → 自己写部署。现在这个框架一条龙，你只需要关心策略本身。对想把策略从研究推到实盘的人，值得直接试一下。

爱吃折耳根的Ace

24,479 Aufrufe • vor 1 Monat

挑战从零开始复刻 LibTV 的第五天！目前进度：80/100% 最近用 codeX 跑了 50 亿+ token 经过了好几轮的AI自动化测试和优化大部分功能已经跑通了，还在做最后的优化和调整目标是一个真正轻量化、AI Native的本地 AIGC工作台继续加油干，build in public！

挑战从零开始复刻 LibTV 的第五天！目前进度：80/100% 最近用 codeX 跑了 50 亿+ token 经过了好几轮的AI自动化测试和优化大部分功能已经跑通了，还在做最后的优化和调整目标是一个真正轻量化、AI Native的本地 AIGC工作台继续加油干，build in public！

来碗牛肉粉

26,000 Aufrufe • vor 7 Tagen

我去！一个横跨 A 股、港股、美股、期货四市场的开源量化工具——easy-tdx，不用注册、不用申请 API Key，装上就能用。直连通达信行情服务器，K 线、实时报价、分时、逐笔成交、资金流向、板块数据，毫秒级拉满。做量化最头疼的数据源问题，它用一个 pip install 解决了——免费、开源、无门槛。核心亮点： 1️⃣ 四市场通吃：A 股、港股、美股、期货，一套接口全拿 2️⃣ 零门槛：无需注册、无需 API Key，MIT 开源，装上就能跑 3️⃣ 34 个技术指标开箱即用，缠论分析一键出结果（笔、中枢、买卖点、背驰） 4️⃣ 内置回测引擎：18 个经典策略自带，多因子组合批量对比 5️⃣ 回测可视化 Web UI：K 线买卖点、净值回撤、19 项绩效指标 6️⃣ S/A/B/C/D 五档数据评级，不看收益率看风险调整后的持有体验 7️⃣ JSON 输出直接喂 Claude Code 等 AI Agent 不是又一个行情展示页，而是把「通达信数据」变成可编程接口。做 A 股选股、回测、本地量化的，可以直接 pip 装了试。

我去！一个横跨 A 股、港股、美股、期货四市场的开源量化工具——easy-tdx，不用注册、不用申请 API Key，装上就能用。直连通达信行情服务器，K 线、实时报价、分时、逐笔成交、资金流向、板块数据，毫秒级拉满。做量化最头疼的数据源问题，它用一个 pip install 解决了——免费、开源、无门槛。核心亮点： 1️⃣ 四市场通吃：A 股、港股、美股、期货，一套接口全拿 2️⃣ 零门槛：无需注册、无需 API Key，MIT 开源，装上就能跑 3️⃣ 34 个技术指标开箱即用，缠论分析一键出结果（笔、中枢、买卖点、背驰） 4️⃣ 内置回测引擎：18 个经典策略自带，多因子组合批量对比 5️⃣ 回测可视化 Web UI：K 线买卖点、净值回撤、19 项绩效指标 6️⃣ S/A/B/C/D 五档数据评级，不看收益率看风险调整后的持有体验 7️⃣ JSON 输出直接喂 Claude Code 等 AI Agent 不是又一个行情展示页，而是把「通达信数据」变成可编程接口。做 A 股选股、回测、本地量化的，可以直接 pip 装了试。

爱吃折耳根的Ace

17,017 Aufrufe • vor 1 Monat