Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

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... show more

爱吃折耳根的Ace

4,477 subscribers

10,975 görüntüleme • 1 ay önce •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

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。

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 görüntüleme • 28 gün önce

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 görüntüleme • 1 ay önce

🚨 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。

🚨 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 görüntüleme • 2 ay önce

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。

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 görüntüleme • 1 ay önce

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。

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 görüntüleme • 1 ay önce

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。

🚨卧槽！量化技能全景导航库来了 quantskills 组织开源的 quantskills 仓库，是一个专门为量化交易和金融 AI Agent 打造的全景导航地图，把大量可复用、可被 Agent 调用的量化技能进行了系统化整理。核心亮点： > 覆盖 9 大核心类目：数据接口、因子研究、策略回测、风险监控、市场分析、AI Agent 等 > 收录 500+ 个经过验证的因子技能，涵盖量价、风险、方向性和统计类 > 强调技能的标准化设计，便于 AI Agent 直接调用和组合 > 包含大量实用工具链：因子 IC 分析、事件风险预警、新闻情绪分析、组合优化等 > 提供技能与 Agent 的开发模板和治理机制，方便社区共建 > 同时整理了大量未分类的高价值研究工具和复现项目对做量化因子开发、策略研究，或者想构建能自主使用量化工具的金融 AI Agent 的开发者来说，这是一个目前开源里整理得最系统、最具导航价值的资源库之一。

爱吃折耳根的Ace

23,353 görüntüleme • 2 ay önce

🚀 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： ❌ 文档晦涩，抽象层太多 ❌ 配置文件（YAML）复杂，改一个参数报错一堆 ❌ 环境配置困难（Python版本冲突、依赖报错） ❌ 缺乏实盘接口，只能做研究 Claude Code (CC) 怎么帮你？ CC 就是你的量化副驾驶，它负责脏活累活： 1️⃣ 读懂代码库：解释158个因子的金融含义。 2️⃣ 配置文件代写：你提需求，CC帮你写YAML配置。 3️⃣ 部署排错：自动修复Python环境报错、依赖冲突。 4️⃣ 数据格式转换：自动把CSV数据转为Qlib的.bin格式。最佳工作流 🧑✈️ 你（主驾驶）：负责判断、策略方向、最终决策。 🤖 Claude Code（副驾驶）：负责写配置、跑数据、修Bug。 🏭 Qlib（引擎）：提供底层算力与模型。 📊 第三方数据（燃料）：提供最新的行情数据。一个下午，跑通从零到回测的全流程。实测结果 & 警告用 Alpha158 + LightGBM 跑了全A股5000只标的： 📈 回测年化收益：46.2%（含成本） ⚠️ 注意：回测 ≠ 实盘。公开因子（如Alpha158）是“驾校教练车”，不是“赛车”。因子会衰减，拥挤度会变高。实盘收益通常要打折。不要迷信公开因子的回测收益。这套组合的真正价值是：降低门槛，让你能利用 AI 快速挖掘出属于自己的“独家因子”。把“教练车”改装成你的“赛车”，才是量化的终极形态。🏁 项目地址放评论区了👇

🚀 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： ❌ 文档晦涩，抽象层太多 ❌ 配置文件（YAML）复杂，改一个参数报错一堆 ❌ 环境配置困难（Python版本冲突、依赖报错） ❌ 缺乏实盘接口，只能做研究 Claude Code (CC) 怎么帮你？ CC 就是你的量化副驾驶，它负责脏活累活： 1️⃣ 读懂代码库：解释158个因子的金融含义。 2️⃣ 配置文件代写：你提需求，CC帮你写YAML配置。 3️⃣ 部署排错：自动修复Python环境报错、依赖冲突。 4️⃣ 数据格式转换：自动把CSV数据转为Qlib的.bin格式。最佳工作流 🧑✈️ 你（主驾驶）：负责判断、策略方向、最终决策。 🤖 Claude Code（副驾驶）：负责写配置、跑数据、修Bug。 🏭 Qlib（引擎）：提供底层算力与模型。 📊 第三方数据（燃料）：提供最新的行情数据。一个下午，跑通从零到回测的全流程。实测结果 & 警告用 Alpha158 + LightGBM 跑了全A股5000只标的： 📈 回测年化收益：46.2%（含成本） ⚠️ 注意：回测 ≠ 实盘。公开因子（如Alpha158）是“驾校教练车”，不是“赛车”。因子会衰减，拥挤度会变高。实盘收益通常要打折。不要迷信公开因子的回测收益。这套组合的真正价值是：降低门槛，让你能利用 AI 快速挖掘出属于自己的“独家因子”。把“教练车”改装成你的“赛车”，才是量化的终极形态。🏁 项目地址放评论区了👇

Vincent | 信号＞噪音

13,696 görüntüleme • 4 ay önce

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：

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 görüntüleme • 18 gün önce

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

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 görüntüleme • 25 gün önce

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。

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

27,053 görüntüleme • 2 ay önce

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。

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

34,760 görüntüleme • 2 ay önce

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 görüntüleme • 1 ay önce

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。

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 görüntüleme • 1 ay önce

🚨 卧槽！不到两千行代码跑完一整套 AI 选股，入门 ML 量化看它就够了！ AIAlpha，1.9K stars，把《Advances in Financial Machine Learning》这本书的核心思路用 Python 完整实现了。核心能力： > 把 Tick 数据转换成不同类型的 Bar（Tick Bar、Volume Bar、Dollar Bar） > 进行特征工程和降维（使用了 Stacked Autoencoder） > 用 LSTM 做回归预测回报率 > 用 Random Forest 做分类预测涨跌方向 > 包含在线学习（Online Learning）的实现从 Tick 数据合成 K 线 → 特征工程 → Stacked Autoencoder 降维 → LSTM 回归预测收益 + Random Forest 分类预测涨跌，全流程代码少到离谱，读完你就懂 ML 选股是怎么回事了。

🚨 卧槽！不到两千行代码跑完一整套 AI 选股，入门 ML 量化看它就够了！ AIAlpha，1.9K stars，把《Advances in Financial Machine Learning》这本书的核心思路用 Python 完整实现了。核心能力： > 把 Tick 数据转换成不同类型的 Bar（Tick Bar、Volume Bar、Dollar Bar） > 进行特征工程和降维（使用了 Stacked Autoencoder） > 用 LSTM 做回归预测回报率 > 用 Random Forest 做分类预测涨跌方向 > 包含在线学习（Online Learning）的实现从 Tick 数据合成 K 线 → 特征工程 → Stacked Autoencoder 降维 → LSTM 回归预测收益 + Random Forest 分类预测涨跌，全流程代码少到离谱，读完你就懂 ML 选股是怎么回事了。

爱吃折耳根的Ace

10,563 görüntüleme • 2 ay önce

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。

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 görüntüleme • 1 gün önce

🚨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

🚨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 görüntüleme • 3 ay önce

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 görüntüleme • 21 gün önce

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 görüntüleme • 6 gün önce

🚨 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！

🚨 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 görüntüleme • 3 ay önce

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。

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 görüntüleme • 2 ay önce