Loading video...

Video Failed to Load

Go Home

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...

27,848 views • 1 month ago •via X (Twitter)

7 Comments

星星量化-顶尖的AI量化平台's profile picture
星星量化-顶尖的AI量化平台1 month ago

Qlib+RD-Agent+TradingAgents三合一,这个整合思路确实牛 🔥 之前三个轮子分开跑太累了

爱吃折耳根的Ace's profile picture
爱吃折耳根的Ace1 month ago

确实,三个拼一起省事太多了

Chaboss Crypto's profile picture
Chaboss Crypto29 days ago

Funding + basis context would help here.

ZhangZ's profile picture
ZhangZ1 month ago

有没有地址

天空's profile picture
天空1 month ago

怎么下载

爱吃折耳根的Ace's profile picture
爱吃折耳根的Ace1 month ago

仓库里有一键部署脚本,Ubuntu 22.04/24.04 直接按文档跑就行:

Chaboss Crypto's profile picture
Chaboss Crypto29 days ago

Net after withdraw fees is the number that counts.

Related Videos

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 views • 1 month ago

🚀 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 views • 4 months ago

我去!TradingAgents 中文增强版,现在已经不只是汉化版这么简单了 原版 TradingAgents 本身就是 GitHub 上最火的 AI 股票分析项目之一,10 Stars。 而 TradingAgents-CN 在它基础上,直接把 A 股、港股、中文数据源、国产模型、选股、模拟交易这些能力全补上了,现在也已经冲到 30K+ Stars。 更关键的是,最新版已经开始从“多 Agent 分析股票”,往真正的 AI 投研助手走。 核心能力: 1️⃣ 支持 A 股、港股、美股,多位 Agent 会从大盘、基本面、新闻、技术面等不同角度独立研究,再做多空辩论 2️⃣ 中文环境完整适配,支持 DeepSeek、Qwen、Kimi 等国产模型,也能接 OpenAI、Claude 等海外模型 3️⃣ 接入 Tushare、AkShare、BaoStock 等国内数据源,A 股行情、财务、资金这些不用自己重新拼 4️⃣ 新增自然语言选股,直接说“低估值 + 高增长 + 最近资金流入”,AI 可以从全市场筛候选 5️⃣ 加入 Agent 自主规划 + AI 记忆 + Skill 中心,不只是回答问题,而是自己拆任务、找数据、调用工具继续研究 6️⃣ 支持批量分析、自选股、专业报告、Docker 部署和模拟交易,研究完还能继续跟踪、复盘和验证结果 我觉得它现在真正有意思的地方,是已经不只是: “给 AI 一个股票代码,让它分析。” 而是: 你给它一个研究目标,AI 自己决定该找什么数据、调什么工具、叫哪些 Agent 上场,最后再把不同观点整合成一份完整研究结果。 所以它更适合拿来做: A 股复盘 美股个股研究 港股分析 智能选股 量化策略灵感 AI 投研流程学习 自动化研究报告 如果你平时本来就在研究股票,或者想把 AI Agent 真正接进自己的投研工作流,这个项目很值得收藏。

爱吃折耳根的Ace

24,079 views • 4 days ago