Загрузка видео...

Не удалось загрузить видео

На главную

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。

_zheergen's profile picture

爱吃折耳根的Ace

6,194 subscribers

25,837 просмотров • 21 дней назад •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 3

Фото профиля Rolanddaan
Rolanddaan20 дней назад

老哥视频用哪些skill跑出来的能分享吗

Фото профиля 阿台🕊️
阿台🕊️21 дней назад

量化神器，懒人狂喜！

Фото профиля 爱吃折耳根的Ace
爱吃折耳根的Ace21 дней назад

是的，这方面省了非常多的时间

Похожие видео

🚨 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 просмотров • 2 месяцев назад

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

34,760 просмотров • 2 месяцев назад

🚨 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 просмотров • 3 месяцев назад

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。
1:07

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 просмотров • 1 месяц назад

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

27,053 просмотров • 2 месяцев назад

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 просмотров • 2 месяцев назад

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 просмотров • 1 месяц назад

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。
0:59

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 просмотров • 1 месяц назад

量化新玩法：让算法自己挖掘K线形态 强烈推荐给想用遗传算法自动挖掘 K 线形态的朋友。 这支约 14 分钟的视频，讲了一个很有意思的方向：不再靠人主观定义“锤头线”“吞没形态”，而是让算法从大量历史 K 线中，自己寻找可能有效的交易规律。 它把 OHLC 数据拆解成机器能理解的规则，通过遗传算法不断组合、筛选，再结合蒙特卡洛置换和 Walk-Forward 验证，判断这些形态到底是真规律还是历史巧合。 为什么值得看？ 因为它把传统“看图找规律”变成了一套完整的量化流程： 1️⃣ 因为它把传统“看图找规律”变成了一套完整的量化流程： 2️⃣ 用 Martin Ratio 评估策略质量，不只看收益，还考虑回撤风险 3️⃣ 加入相关性惩罚，避免挖出一堆重复形态 4️⃣ 通过随机置换验证，判断发现的规律是否真的有效 核心流程：OHLC 数据 → 形态编码 → 遗传进化 → 多形态组合 → 严格验证 最终来看，它展示的不只是一个 K 线策略，而是一套自动化 Alpha 挖掘方法： 让机器从数据中寻找非线性规律，同时用严格验证降低过拟合风险。 建议收藏，配合代码(需要说一下)一起研究。
14:20

量化新玩法：让算法自己挖掘K线形态 强烈推荐给想用遗传算法自动挖掘 K 线形态的朋友。 这支约 14 分钟的视频，讲了一个很有意思的方向：不再靠人主观定义“锤头线”“吞没形态”，而是让算法从大量历史 K 线中，自己寻找可能有效的交易规律。 它把 OHLC 数据拆解成机器能理解的规则，通过遗传算法不断组合、筛选，再结合蒙特卡洛置换和 Walk-Forward 验证，判断这些形态到底是真规律还是历史巧合。 为什么值得看？ 因为它把传统“看图找规律”变成了一套完整的量化流程： 1️⃣ 因为它把传统“看图找规律”变成了一套完整的量化流程： 2️⃣ 用 Martin Ratio 评估策略质量，不只看收益，还考虑回撤风险 3️⃣ 加入相关性惩罚，避免挖出一堆重复形态 4️⃣ 通过随机置换验证，判断发现的规律是否真的有效 核心流程：OHLC 数据 → 形态编码 → 遗传进化 → 多形态组合 → 严格验证 最终来看，它展示的不只是一个 K 线策略，而是一套自动化 Alpha 挖掘方法： 让机器从数据中寻找非线性规律，同时用严格验证降低过拟合风险。 建议收藏，配合代码(需要说一下)一起研究。

爱吃折耳根的Ace

28,373 просмотров • 1 месяц назад

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 просмотров • 1 месяц назад

量化交易里，年化 100% 为什么可能还不如 15%？ 很多人做策略，第一个看的就是收益率。 谁年化高，谁就牛。 但量化机构真正关心的，往往不是“赚了多少”，而是：你为了赚这些钱，到底承担了多大的波动和回撤。 这个视频用夏普比率讲透了几个很反直觉的东西： 1️⃣ 两个收益一样的策略，资金曲线越平滑的那个才更值钱 2️⃣ 两个夏普都是 2.0 的低相关策略，组合后夏普甚至可能做到 5.0 3️⃣ 高夏普策略即使收益低，也可以通过杠杆放大收益 4️⃣ 但一个本身波动巨大、夏普很差的策略，加杠杆只会把问题一起放大 所以机构真正想找的，从来不是“某一年暴赚”的策略。 而是那种：收益稳定、彼此低相关、可以组合、还能放大资金规模的策略。 交易里最容易骗人的东西就是收益率。 赚得多不一定厉害，承担更少的风险还能持续赚钱，才是真的厉害。 想正经做量化的，这 16 分钟值得收藏反复观看。
15:49

量化交易里，年化 100% 为什么可能还不如 15%？ 很多人做策略，第一个看的就是收益率。 谁年化高，谁就牛。 但量化机构真正关心的，往往不是“赚了多少”，而是：你为了赚这些钱，到底承担了多大的波动和回撤。 这个视频用夏普比率讲透了几个很反直觉的东西： 1️⃣ 两个收益一样的策略，资金曲线越平滑的那个才更值钱 2️⃣ 两个夏普都是 2.0 的低相关策略，组合后夏普甚至可能做到 5.0 3️⃣ 高夏普策略即使收益低，也可以通过杠杆放大收益 4️⃣ 但一个本身波动巨大、夏普很差的策略，加杠杆只会把问题一起放大 所以机构真正想找的，从来不是“某一年暴赚”的策略。 而是那种：收益稳定、彼此低相关、可以组合、还能放大资金规模的策略。 交易里最容易骗人的东西就是收益率。 赚得多不一定厉害，承担更少的风险还能持续赚钱，才是真的厉害。 想正经做量化的，这 16 分钟值得收藏反复观看。

爱吃折耳根的Ace

23,729 просмотров • 1 месяц назад

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
1:00

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 просмотров • 20 дней назад

🚨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。
1:03

🚨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 просмотров • 2 месяцев назад

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 просмотров • 19 дней назад

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 просмотров • 1 месяц назад

我投资美股很多年，收获不错，有时代的机遇，也有一定的运气。但一直保持着学习的心态。桥水基金的达里奥，是我一直研究的方向和老师。 这次看到他的风险平衡投资策略，跟他早期的全天候策略，有异曲同工之妙，弱相关性+高收益率+可控回撤，带来了很多投资中新的深度思考。 视频中讲的是我这几年投资最核心的一条原则：真正赚钱的，不是选出“最牛的股票”，而是构建“风险平衡、分散相关性低”的投资组合。 说白了，我们很多人最开始都在追热点，想着找“最牛的那个”，比如特斯拉、英伟达、苹果。但问题是，单一资产的风险太高了，一旦踩错了节奏，回撤就是30%、50%，搞不好连睡觉都不踏实。 我在23年以后开始转变思路，从“怎么在不牺牲收益的前提下，把组合的风险降下来”开始。举个通俗的例子： 假设我有一个投资标的，年化收益10%，风险（波动率）也10%，看起来挺不错。但如果我找到另一个资产，它同样10%收益，但跟前一个“不相关”，它们不一起涨也不一起跌。那我把两个放在一起，组合的整体风险反而下降了，收益不变，性价比（收益/风险比）就提高了。 这就是分散化的力量——不是为了摊平回报，而是为了用更少的风险，赚到一样甚至更多的钱。 最牛的是什么？不是你选了哪只牛股，而是你找到了15到20个不相关的“潜在赚钱机会”，它们各自有一定赚钱的概率，但彼此之间风格、赛道、逻辑不一样。这时候你不是靠“赌哪只赢”，而是靠系统化地提升整体胜率。 很多人觉得找“最好”的股票是关键，但我告诉你，没有哪只股票能长期打败一个高度分散、低相关性、风险平衡的投资组合。如果你能做到这一点，你的风险回报比可以提升5倍，亏钱的概率从40%直接降到11%，这才是职业投资者真正关心的。 这也是为什么像达里奥这样的投资大师反复强调：“别把鸡蛋放在一个篮子里”，而是要“放在20个互不相关的篮子里”。对我来说，这不是一句鸡汤，而是实打实让我账户稳定增长的核心秘诀。这也成为我们长期投资稳定回报的法门之一。而加密+美股+美债+大宗商品的嵌套组合，其实便能起到最大化的效果！🧐
4:33

我投资美股很多年，收获不错，有时代的机遇，也有一定的运气。但一直保持着学习的心态。桥水基金的达里奥，是我一直研究的方向和老师。 这次看到他的风险平衡投资策略，跟他早期的全天候策略，有异曲同工之妙，弱相关性+高收益率+可控回撤，带来了很多投资中新的深度思考。 视频中讲的是我这几年投资最核心的一条原则：真正赚钱的，不是选出“最牛的股票”，而是构建“风险平衡、分散相关性低”的投资组合。 说白了，我们很多人最开始都在追热点，想着找“最牛的那个”，比如特斯拉、英伟达、苹果。但问题是，单一资产的风险太高了，一旦踩错了节奏，回撤就是30%、50%，搞不好连睡觉都不踏实。 我在23年以后开始转变思路，从“怎么在不牺牲收益的前提下，把组合的风险降下来”开始。举个通俗的例子： 假设我有一个投资标的，年化收益10%，风险（波动率）也10%，看起来挺不错。但如果我找到另一个资产，它同样10%收益，但跟前一个“不相关”，它们不一起涨也不一起跌。那我把两个放在一起，组合的整体风险反而下降了，收益不变，性价比（收益/风险比）就提高了。 这就是分散化的力量——不是为了摊平回报，而是为了用更少的风险，赚到一样甚至更多的钱。 最牛的是什么？不是你选了哪只牛股，而是你找到了15到20个不相关的“潜在赚钱机会”，它们各自有一定赚钱的概率，但彼此之间风格、赛道、逻辑不一样。这时候你不是靠“赌哪只赢”，而是靠系统化地提升整体胜率。 很多人觉得找“最好”的股票是关键，但我告诉你，没有哪只股票能长期打败一个高度分散、低相关性、风险平衡的投资组合。如果你能做到这一点，你的风险回报比可以提升5倍，亏钱的概率从40%直接降到11%，这才是职业投资者真正关心的。 这也是为什么像达里奥这样的投资大师反复强调：“别把鸡蛋放在一个篮子里”，而是要“放在20个互不相关的篮子里”。对我来说，这不是一句鸡汤，而是实打实让我账户稳定增长的核心秘诀。这也成为我们长期投资稳定回报的法门之一。而加密+美股+美债+大宗商品的嵌套组合，其实便能起到最大化的效果！🧐

Rocky

156,411 просмотров • 1 год назад

我去！华尔街量化基金花几百万年薪养的那帮研究员，手里最核心的武器——强化学习交易框架，被哥伦比亚大学团队直接开源了！ FinRL，16.4K stars，全球首个金融强化学习开源框架。 以前想用强化学习做量化交易，要么从零搭 Gym 环境，要么照着论文自己造轮子。 FinRL 不一样，2020 年哥大团队开源，把「数据 → 训练 → 测试 → 交易」做成标准流水线，还带 15 个现成数据源。 核心能力： 1️⃣ 完整训练链路：数据处理、特征工程、训练、测试、回测，一套流程直接串起来 2️⃣ 内置 A2C、DDPG、PPO、TD3、SAC 等主流 DRL 算法，可以在同一市场环境里直接比较 3️⃣ 支持单股交易、多股票组合、资产配置、Crypto、A 股等不同金融任务 4️⃣ 市场环境会考虑交易成本、风险指标和仓位变化，不只是简单预测下一根 K 线 5️⃣ 自带 Benchmark，可以把强化学习策略和 DJIA、均值方差优化等传统方法放在一起比较 6️⃣ Jupyter 教程很多，从数据下载、训练 Agent 到回测结果，适合直接拆代码学整套流程 我觉得 FinRL 最有意思的地方，是它换了一个问题。 传统模型问：“明天涨还是跌？” FinRL 问：“在不断变化的市场里，现在到底该买多少、卖多少、还是继续持有？” 这才是强化学习真正适合交易的地方。 做强化学习量化、AI Trading Agent，或者想系统研究 DRL 怎么真正接进交易的，这个值得收藏。
1:00

我去！华尔街量化基金花几百万年薪养的那帮研究员，手里最核心的武器——强化学习交易框架，被哥伦比亚大学团队直接开源了！ FinRL，16.4K stars，全球首个金融强化学习开源框架。 以前想用强化学习做量化交易，要么从零搭 Gym 环境，要么照着论文自己造轮子。 FinRL 不一样，2020 年哥大团队开源，把「数据 → 训练 → 测试 → 交易」做成标准流水线，还带 15 个现成数据源。 核心能力： 1️⃣ 完整训练链路：数据处理、特征工程、训练、测试、回测，一套流程直接串起来 2️⃣ 内置 A2C、DDPG、PPO、TD3、SAC 等主流 DRL 算法，可以在同一市场环境里直接比较 3️⃣ 支持单股交易、多股票组合、资产配置、Crypto、A 股等不同金融任务 4️⃣ 市场环境会考虑交易成本、风险指标和仓位变化，不只是简单预测下一根 K 线 5️⃣ 自带 Benchmark，可以把强化学习策略和 DJIA、均值方差优化等传统方法放在一起比较 6️⃣ Jupyter 教程很多，从数据下载、训练 Agent 到回测结果，适合直接拆代码学整套流程 我觉得 FinRL 最有意思的地方，是它换了一个问题。 传统模型问：“明天涨还是跌？” FinRL 问：“在不断变化的市场里，现在到底该买多少、卖多少、还是继续持有？” 这才是强化学习真正适合交易的地方。 做强化学习量化、AI Trading Agent，或者想系统研究 DRL 怎么真正接进交易的，这个值得收藏。

爱吃折耳根的Ace

50,549 просмотров • 2 дней назад

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 просмотров • 1 месяц назад

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。
1:16

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 просмотров • 6 дней назад

🚨卧槽！这个基金账户管理工具把定投和网格玩明白了 refraction-ray 开源的 xalpha，是一个专门做基金投资管理的 Python 引擎，特别适合定投、网格交易和多基金组合管理。 它最实用的地方在于能把个人基金账户完整还原出来： 1️⃣ 从 CSV 交易记录直接重建账户，精确计算成本和收益 2️⃣ 穿透基金底层持仓，看清真正买了哪些股票和行业集中度 3️⃣ 一键获取基金、股票、指数的历史和实时数据 4️⃣ 支持 QDII 基金 T-0 净值预测（用期货数据估算） 5️⃣ 历史估值工具 + 可转债分析 6️⃣ Jupyter 里直接出图表，回测和可视化都很方便 7️⃣ 还支持 AI Agent 调用，方便自动化 对长期做定投、网格，或者想系统管理多只基金组合的人来说，这个工具把数据、持仓、估值和回测整合得比较干净。
0:54

🚨卧槽！这个基金账户管理工具把定投和网格玩明白了 refraction-ray 开源的 xalpha，是一个专门做基金投资管理的 Python 引擎，特别适合定投、网格交易和多基金组合管理。 它最实用的地方在于能把个人基金账户完整还原出来： 1️⃣ 从 CSV 交易记录直接重建账户，精确计算成本和收益 2️⃣ 穿透基金底层持仓，看清真正买了哪些股票和行业集中度 3️⃣ 一键获取基金、股票、指数的历史和实时数据 4️⃣ 支持 QDII 基金 T-0 净值预测（用期货数据估算） 5️⃣ 历史估值工具 + 可转债分析 6️⃣ Jupyter 里直接出图表，回测和可视化都很方便 7️⃣ 还支持 AI Agent 调用，方便自动化 对长期做定投、网格，或者想系统管理多只基金组合的人来说，这个工具把数据、持仓、估值和回测整合得比较干净。

爱吃折耳根的Ace

23,339 просмотров • 2 месяцев назад