Loading video...

Video Failed to Load

Go Home

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。

_zheergen's profile picture

爱吃折耳根的Ace

8,103 subscribers

35,055 views • 3 months ago •via X (Twitter)

Science & TechnologyEducationFinance
LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

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

27,187 views • 3 months ago

终于有人把华尔街 20 年真实交易经验，拆成 13 章 Python 量化实战配方，连代码都一起开源了。 Python for Algorithmic Trading Cookbook，1.2K Stars，MIT 开源，Packt 官方配套代码仓库。 作者 Jason Strimpel 干过芝加哥对冲基金交易、摩根大通风险管理，还做过 APAC CIO，这套内容明显不是拿几个 Demo 拼出来的。 以前学量化，经常是数据一套教程、因子一套、回测一套，真正到 Broker 实盘又得重新找资料。 它不一样，直接按完整交易链路往下教：拿数据、做因子、回测、评估风险，最后接 Interactive Brokers 真正部署。 核心能力： 1️⃣ 市场数据：OpenBB、免费行情、期权等数据获取和清洗直接实战 2️⃣ 因子研究：从金融数据里构建 Alpha Factors，再把因子变成交易信号 3️⃣ VectorBT 回测：批量测试参数，还专门讲 Walk-forward Optimization 4️⃣ Zipline Reloaded：用事件驱动框架做更接近真实交易的策略回测 5️⃣ Alphalens + Pyfolio：因子表现、收益、Sharpe、回撤、风险全部继续拆 6️⃣ Interactive Brokers：从 API 配置、账户订单一路做到策略部署和真实交易环境 我觉得这套最有价值的，不是哪一个策略。 而是它把“一个 Python 量化策略到底怎么从想法走到市场”完整走了一遍。 数据 → 因子 → 回测 → 风险 → Broker → Live。 如果你正在学 Python 量化，又不想东拼西凑几十篇教程，这个仓库很适合从头啃一遍。 仓库：
1:03

终于有人把华尔街 20 年真实交易经验，拆成 13 章 Python 量化实战配方，连代码都一起开源了。 Python for Algorithmic Trading Cookbook，1.2K Stars，MIT 开源，Packt 官方配套代码仓库。 作者 Jason Strimpel 干过芝加哥对冲基金交易、摩根大通风险管理，还做过 APAC CIO，这套内容明显不是拿几个 Demo 拼出来的。 以前学量化，经常是数据一套教程、因子一套、回测一套，真正到 Broker 实盘又得重新找资料。 它不一样，直接按完整交易链路往下教：拿数据、做因子、回测、评估风险，最后接 Interactive Brokers 真正部署。 核心能力： 1️⃣ 市场数据：OpenBB、免费行情、期权等数据获取和清洗直接实战 2️⃣ 因子研究：从金融数据里构建 Alpha Factors，再把因子变成交易信号 3️⃣ VectorBT 回测：批量测试参数，还专门讲 Walk-forward Optimization 4️⃣ Zipline Reloaded：用事件驱动框架做更接近真实交易的策略回测 5️⃣ Alphalens + Pyfolio：因子表现、收益、Sharpe、回撤、风险全部继续拆 6️⃣ Interactive Brokers：从 API 配置、账户订单一路做到策略部署和真实交易环境 我觉得这套最有价值的，不是哪一个策略。 而是它把“一个 Python 量化策略到底怎么从想法走到市场”完整走了一遍。 数据 → 因子 → 回测 → 风险 → Broker → Live。 如果你正在学 Python 量化，又不想东拼西凑几十篇教程，这个仓库很适合从头啃一遍。 仓库：

爱吃折耳根的Ace

30,164 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

161,888 views • 3 months ago

做股票量化，真没必要什么都从零开发 挖到 6 个很硬核的开源项目，分别负责数据、AI 研究、策略回测、组合优化、绩效分析和实盘交易。 以前想搭一套完整的量化系统，光数据接口、回测引擎、风控和交易执行就够折腾了。 现在不一样了，很多基础模块已经有成熟的开源实现。 分享 6 个值得研究的项目： 1. OpenBB｜金融数据底座 把股票、宏观、期权等金融数据统一接入，Python 和 AI Agent 都能调用。 2. Microsoft RD-Agent｜AI 自动研究 微软开源的 AI 研发 Agent，可以自动探索因子、设计模型并迭代研究方案。 3. vectorbt｜策略回测 基于 NumPy、pandas 和 Numba 的高速回测框架，适合批量测试策略和参数。 4. PyPortfolioOpt｜组合优化 把资产配置、风险平价、Black-Litterman 等组合优化方法封装好了。 5. QuantStats｜绩效分析 策略跑完直接分析收益、Sharpe、最大回撤等指标，还能生成绩效报告。 6. QuantConnect LEAN｜交易执行 支持股票、期货、期权、外汇和 Crypto，多资产回测和实盘可以使用同一套引擎。 这 6 个项目分开看是工具，按流程组合起来，就有了一套量化研究与交易系统的基础： 金融数据 → AI 因子研究 → 策略回测 → 组合优化 → 风险评估 → 交易执行 当然，不是下载安装到一起就能直接跑，数据和交易接口仍然需要适配。 但对个人量化开发者来说，最费时间的基础模块已经有现成的开源实现。 做股票量化、AI Trading、策略研究或者自动交易的，这 6 个值得一起收藏。
1:15

做股票量化，真没必要什么都从零开发 挖到 6 个很硬核的开源项目，分别负责数据、AI 研究、策略回测、组合优化、绩效分析和实盘交易。 以前想搭一套完整的量化系统，光数据接口、回测引擎、风控和交易执行就够折腾了。 现在不一样了，很多基础模块已经有成熟的开源实现。 分享 6 个值得研究的项目： 1. OpenBB｜金融数据底座 把股票、宏观、期权等金融数据统一接入，Python 和 AI Agent 都能调用。 2. Microsoft RD-Agent｜AI 自动研究 微软开源的 AI 研发 Agent，可以自动探索因子、设计模型并迭代研究方案。 3. vectorbt｜策略回测 基于 NumPy、pandas 和 Numba 的高速回测框架，适合批量测试策略和参数。 4. PyPortfolioOpt｜组合优化 把资产配置、风险平价、Black-Litterman 等组合优化方法封装好了。 5. QuantStats｜绩效分析 策略跑完直接分析收益、Sharpe、最大回撤等指标，还能生成绩效报告。 6. QuantConnect LEAN｜交易执行 支持股票、期货、期权、外汇和 Crypto，多资产回测和实盘可以使用同一套引擎。 这 6 个项目分开看是工具，按流程组合起来，就有了一套量化研究与交易系统的基础： 金融数据 → AI 因子研究 → 策略回测 → 组合优化 → 风险评估 → 交易执行 当然，不是下载安装到一起就能直接跑，数据和交易接口仍然需要适配。 但对个人量化开发者来说，最费时间的基础模块已经有现成的开源实现。 做股票量化、AI Trading、策略研究或者自动交易的，这 6 个值得一起收藏。

爱吃折耳根的Ace

25,872 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

60,101 views • 4 months ago

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

21,007 views • 2 months ago

兄弟们，今天给大家带来一套从0开始部署量化回测教程，小白也能学会。 很多人听到“量化交易”几个字，第一反应就是： 是不是要会写代码？ 是不是要懂高等数学？ 是不是要买很贵的软件？ 其实没那么复杂。 这一期直接带你从环境搭建开始： 安装工具 → 配置环境 → 导入策略 → 运行回测 → 查看收益数据。 哪怕你以前完全没接触过量化，看完也能知道整个流程到底怎么玩。 你少刷17分钟短视频，真不夸张，可能就多一个能长期研究的搞钱手艺。 最离谱的是，还不卖课。 纯白给。 这哪是教程，兄弟们，这是量化界的活菩萨。
16:28

兄弟们，今天给大家带来一套从0开始部署量化回测教程，小白也能学会。 很多人听到“量化交易”几个字，第一反应就是： 是不是要会写代码？ 是不是要懂高等数学？ 是不是要买很贵的软件？ 其实没那么复杂。 这一期直接带你从环境搭建开始： 安装工具 → 配置环境 → 导入策略 → 运行回测 → 查看收益数据。 哪怕你以前完全没接触过量化，看完也能知道整个流程到底怎么玩。 你少刷17分钟短视频，真不夸张，可能就多一个能长期研究的搞钱手艺。 最离谱的是，还不卖课。 纯白给。 这哪是教程，兄弟们，这是量化界的活菩萨。

火山哥🕊️

27,610 views • 3 months ago

卧槽！A 股量化最费时间的，可能根本不是写策略，而是把 7000+ 股票的分钟数据真正变成“能回测的数据”。 free-stockdb，2.6K Stars，MIT 开源，一套专门给 A 股量化做的本地数据引擎。 以前做全市场回测，光数据就能耗死你：7000+ 股票分钟线拉数据 3-5 天、清洗 1-2 天、复权 1-2 天、建库 1-3 天、算指标 2-3 天，一套下来 10-15 个工作日才能跑通第一个策略。 free-stockdb 不一样，数据同步 / 清洗 / 复权 / 组织全在同步层完成，策略只读本地数据，C++ 时序引擎加 Rust 计算核心，开箱即用。 核心能力： 1️⃣ 全市场本地数据：日 / 周 / 月线、1/5/15/30 分钟 K，ETF 和 Tick 数据也能继续接 2️⃣ 复权直接做好：前复权、后复权、不复权、原始复权因子统一查询 3️⃣ 增量更新：第一次同步完，后面只处理变化数据，断网也能继续研究和回测 4️⃣ 本地计算：内置 39 种指标 + 5 类指数，批量股票可以直接一起算 5️⃣ C++ 时序引擎 + Zstd 压缩，不用自己再折腾 MySQL、表结构和查询优化 6️⃣ Python、HTTP、Excel/WPS、网页、MCP 五种方式都能调用，Claude / Codex 也能直接接 我觉得它真正有意思的地方，是把 A 股量化最脏、最费时间的数据工程先处理掉了。 以前是： 每跑一个策略 → 请求 API → 等数据 → 清洗 → 复权 → 再回测。 现在更像是先把整个市场搬到自己电脑里，后面选股、因子、回测、AI Agent 全部围着本地数据跑。 核心服务甚至只有约 2.2MB。 做 A 股量化、全市场回测、因子研究，或者想给自己的 AI 股票 Agent 搭本地数据底座的，这个很值得收藏。 仓库：
1:01

卧槽！A 股量化最费时间的，可能根本不是写策略，而是把 7000+ 股票的分钟数据真正变成“能回测的数据”。 free-stockdb，2.6K Stars，MIT 开源，一套专门给 A 股量化做的本地数据引擎。 以前做全市场回测，光数据就能耗死你：7000+ 股票分钟线拉数据 3-5 天、清洗 1-2 天、复权 1-2 天、建库 1-3 天、算指标 2-3 天，一套下来 10-15 个工作日才能跑通第一个策略。 free-stockdb 不一样，数据同步 / 清洗 / 复权 / 组织全在同步层完成，策略只读本地数据，C++ 时序引擎加 Rust 计算核心，开箱即用。 核心能力： 1️⃣ 全市场本地数据：日 / 周 / 月线、1/5/15/30 分钟 K，ETF 和 Tick 数据也能继续接 2️⃣ 复权直接做好：前复权、后复权、不复权、原始复权因子统一查询 3️⃣ 增量更新：第一次同步完，后面只处理变化数据，断网也能继续研究和回测 4️⃣ 本地计算：内置 39 种指标 + 5 类指数，批量股票可以直接一起算 5️⃣ C++ 时序引擎 + Zstd 压缩，不用自己再折腾 MySQL、表结构和查询优化 6️⃣ Python、HTTP、Excel/WPS、网页、MCP 五种方式都能调用，Claude / Codex 也能直接接 我觉得它真正有意思的地方，是把 A 股量化最脏、最费时间的数据工程先处理掉了。 以前是： 每跑一个策略 → 请求 API → 等数据 → 清洗 → 复权 → 再回测。 现在更像是先把整个市场搬到自己电脑里，后面选股、因子、回测、AI Agent 全部围着本地数据跑。 核心服务甚至只有约 2.2MB。 做 A 股量化、全市场回测、因子研究，或者想给自己的 AI 股票 Agent 搭本地数据底座的，这个很值得收藏。 仓库：

爱吃折耳根的Ace

20,687 views • 1 month ago

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。
31:56

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。

爱吃折耳根的Ace

20,936 views • 3 months ago

我去！有人把量化策略、回测、参数优化、模拟盘和实盘交易整合成了一套 Python 框架，连 AI Agent 都能参与策略分析！ Investing Algorithm Framework，2.2K Stars，覆盖股票和 Crypto 量化研究。 以前写量化策略，回测一套代码，实盘又要重新接 API、处理订单和风控。 这套框架直接把策略开发、回测、优化和交易执行串起来，同一份策略逻辑就能反复使用，省去大量重复开发。 核心能力： 1️⃣ 双引擎回测：Polars 高速筛选，再逐根 K 线模拟订单、手续费和滑点 2️⃣ 策略代码复用：同一套交易逻辑，贯穿回测、模拟盘和实盘 3️⃣ 批量参数优化：测试数千组参数，支持滚动验证和样本外测试 4️⃣ 80+ 风险指标：Sharpe、Sortino、最大回撤、蒙特卡洛测试等 5️⃣ 自动交易与风控：支持 CCXT 交易所接口、仓位管理、止盈止损 6️⃣ AI + MCP：让 AI 查询回测数据、比较策略，配合图表分析收益曲线 比较实用的是，写一套 BTC 均线策略，可以先批量测试参数，再验证交易成本，最后沿用策略逻辑进入模拟盘。 资金曲线、交易记录和风险指标也能保存，方便复盘。 目前 v9 仍处于 Alpha 阶段，股票实盘可能需要额外适配券商接口。 做股票量化、Crypto 策略或自动交易系统的，这套值得收藏。
1:02

我去！有人把量化策略、回测、参数优化、模拟盘和实盘交易整合成了一套 Python 框架，连 AI Agent 都能参与策略分析！ Investing Algorithm Framework，2.2K Stars，覆盖股票和 Crypto 量化研究。 以前写量化策略，回测一套代码，实盘又要重新接 API、处理订单和风控。 这套框架直接把策略开发、回测、优化和交易执行串起来，同一份策略逻辑就能反复使用，省去大量重复开发。 核心能力： 1️⃣ 双引擎回测：Polars 高速筛选，再逐根 K 线模拟订单、手续费和滑点 2️⃣ 策略代码复用：同一套交易逻辑，贯穿回测、模拟盘和实盘 3️⃣ 批量参数优化：测试数千组参数，支持滚动验证和样本外测试 4️⃣ 80+ 风险指标：Sharpe、Sortino、最大回撤、蒙特卡洛测试等 5️⃣ 自动交易与风控：支持 CCXT 交易所接口、仓位管理、止盈止损 6️⃣ AI + MCP：让 AI 查询回测数据、比较策略，配合图表分析收益曲线 比较实用的是，写一套 BTC 均线策略，可以先批量测试参数，再验证交易成本，最后沿用策略逻辑进入模拟盘。 资金曲线、交易记录和风险指标也能保存，方便复盘。 目前 v9 仍处于 Alpha 阶段，股票实盘可能需要额外适配券商接口。 做股票量化、Crypto 策略或自动交易系统的，这套值得收藏。

爱吃折耳根的Ace

15,481 views • 10 days ago

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

38,653 views • 1 month ago

他做了 10 年夜班保安，每小时 $16，守着一栋栋空楼。 某个睡不着的夜班，他把 $900 做到了 $187,000。 而且他自己没有写一行代码。 他没有雇工程师。 他只是“租”了 300 个 agent 跑了一晚，让 Claude Opus 4.8 像总指挥一样调度整个流程。 Proof： 事情大概是这样。 夜班刚开始，他给 Opus 输入了两个 prompt。 Opus 没有直接写 bot，而是先画出了完整蓝图：数据、信号、回测、风控、执行，按正确顺序拆成一棵任务树。 然后这张蓝图被分发给 300 个 agent。 有人拉 Binance 数据和 Polymarket 盘口。 有人写代码。 有人回测 5 年数据。 有人检查风险。 有人处理执行逻辑。 14 个小时里，它们不是一步一步慢慢做，而是并行跑了 4,000 个步骤。 最后 Opus 再把结果全部读回来，把跑偏的模块砍掉，只留下能用的部分。 整个过程很反直觉。 大脑没有亲自写代码。 手也没有自己做判断。 但到天亮的时候，他已经拿到了一套普通 6 人量化工程团队可能要一个季度才能交付的东西： 一个可以跑的 Polymarket BTC bot。 已经回测过。 有风险限制。 可以 24 小时运行。 十年来，他一直在看守没人待的楼。 现在，300 个 agent 在他睡觉的时候替他看市场。 如果你不想自己从零搭，直接用Kreo复制他的交易 真正的变化不是“AI 帮你写代码”。 而是一个普通人，开始有能力把一支临时工程团队调度起来。
0:55

他做了 10 年夜班保安，每小时 $16，守着一栋栋空楼。 某个睡不着的夜班，他把 $900 做到了 $187,000。 而且他自己没有写一行代码。 他没有雇工程师。 他只是“租”了 300 个 agent 跑了一晚，让 Claude Opus 4.8 像总指挥一样调度整个流程。 Proof： 事情大概是这样。 夜班刚开始，他给 Opus 输入了两个 prompt。 Opus 没有直接写 bot，而是先画出了完整蓝图：数据、信号、回测、风控、执行，按正确顺序拆成一棵任务树。 然后这张蓝图被分发给 300 个 agent。 有人拉 Binance 数据和 Polymarket 盘口。 有人写代码。 有人回测 5 年数据。 有人检查风险。 有人处理执行逻辑。 14 个小时里，它们不是一步一步慢慢做，而是并行跑了 4,000 个步骤。 最后 Opus 再把结果全部读回来，把跑偏的模块砍掉，只留下能用的部分。 整个过程很反直觉。 大脑没有亲自写代码。 手也没有自己做判断。 但到天亮的时候，他已经拿到了一套普通 6 人量化工程团队可能要一个季度才能交付的东西： 一个可以跑的 Polymarket BTC bot。 已经回测过。 有风险限制。 可以 24 小时运行。 十年来，他一直在看守没人待的楼。 现在，300 个 agent 在他睡觉的时候替他看市场。 如果你不想自己从零搭，直接用Kreo复制他的交易 真正的变化不是“AI 帮你写代码”。 而是一个普通人，开始有能力把一支临时工程团队调度起来。

断浪 WaveKing

176,453 views • 5 months ago

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

25,899 views • 2 months ago

🚨 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！
0:53

🚨 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 views • 4 months ago

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。
1:08

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

24,832 views • 1 month ago

我去！A股开箱即用的量化交易系统——KHunter，15 种选股策略 + 5 种择时 + 五维评分 + 回测 + PTrade 自动交易，Web 界面点一点就选股！ 以前做 A股量化，数据、选股、择时、风控、回测、交易得自己一个个拼，没点代码基础根本玩不动。 KHunter 不一样，从数据到交易的全流程都给你做好了，还有 Web 界面，双击 start.bat 就能跑。 核心能力： 1️⃣ 15 种选股策略：底部反转、涨停回马枪、W 底、趋势突破、多金叉共振等都已经内置 2️⃣ 5 种择时策略：布林带、RSI、支撑位、海龟、MACD + 布林带趋势跟随 3️⃣ 五维股票评分：技术面、资金面、基本面、板块强度、事件驱动一起打分 4️⃣ 完整回测：可以看收益率、胜率、最大回撤、交易记录和资金曲线 5️⃣ 风险控制：支持 VaR、市场温度监控，还会自动过滤 ST、退市、市值过低和短期涨幅过高的股票 6️⃣ 支持 PTrade：可以把选股信号继续接到自动交易流程里 核心很直接：先初始化本地库，收盘后增量更新，再跑策略进「狩猎场」。五维打分：技术、资金各 35%，基本面、板块、事件各 10%。回测看收益和回撤。PTrade 模块可选，不是默认实盘。 想从头跑一套 A股量化、又不想从零写代码，这个开箱即用的系统值得一试。 仓库地址：
0:57

我去！A股开箱即用的量化交易系统——KHunter，15 种选股策略 + 5 种择时 + 五维评分 + 回测 + PTrade 自动交易，Web 界面点一点就选股！ 以前做 A股量化，数据、选股、择时、风控、回测、交易得自己一个个拼，没点代码基础根本玩不动。 KHunter 不一样，从数据到交易的全流程都给你做好了，还有 Web 界面，双击 start.bat 就能跑。 核心能力： 1️⃣ 15 种选股策略：底部反转、涨停回马枪、W 底、趋势突破、多金叉共振等都已经内置 2️⃣ 5 种择时策略：布林带、RSI、支撑位、海龟、MACD + 布林带趋势跟随 3️⃣ 五维股票评分：技术面、资金面、基本面、板块强度、事件驱动一起打分 4️⃣ 完整回测：可以看收益率、胜率、最大回撤、交易记录和资金曲线 5️⃣ 风险控制：支持 VaR、市场温度监控，还会自动过滤 ST、退市、市值过低和短期涨幅过高的股票 6️⃣ 支持 PTrade：可以把选股信号继续接到自动交易流程里 核心很直接：先初始化本地库，收盘后增量更新，再跑策略进「狩猎场」。五维打分：技术、资金各 35%，基本面、板块、事件各 10%。回测看收益和回撤。PTrade 模块可选，不是默认实盘。 想从头跑一套 A股量化、又不想从零写代码，这个开箱即用的系统值得一试。 仓库地址：

爱吃折耳根的Ace

27,722 views • 1 month 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

27,269 views • 1 month ago

真没想到！很多今天看起来很新的量化玩法，阿布量化十年前就已经在做了 缠论 / 波浪 / 谐波 / K 线形态 / 均线指标，全给你量化成买卖信号 abu，18.2K Stars，GPL-3.0 开源，一套老牌 Python 量化交易系统。 以前做量化，选股、择时、仓位、回测、参数优化、机器学习，往往得自己东拼西凑一堆脚本。 abu 不一样，它直接把这些东西塞进同一套框架，从找股票到跑策略、控风险、做参数优化，一路都给你搭好了。 核心能力： 1️⃣ 选股 + 择时：选什么股票、什么时候买卖，都能拆成独立因子自由组合 2️⃣ 完整回测：手续费、滑点、多股票、仓位管理、收益度量这些基础设施直接用 3️⃣ 参数优化：自带 Grid Search 和评分体系，可以批量找更合理的策略参数 4️⃣ 技术分析：MACD、KDJ、BOLL、RSI、ATR、ADX、缺口、背离等信号都有现成模块 5️⃣ AI / 机器学习：内置多套量化评分模型，还把形态、心理、趋势等特征做进机器学习流程 6️⃣ 多市场支持：A 股、港股、美股、期货、期权、Bitcoin 等都能拿来研究和回测 我觉得 abu 最有意思的地方，是它不是只给你一个“回测器”。 而是把量化交易真正拆成了一整套流程： 先选股，再择时； 再做仓位和风控； 最后拿历史数据验证、调参数。 现在看它的代码风格可能不算最新潮，但如果你想系统搞懂一套量化框架到底应该有哪些模块，这个项目依然很值得拆。 仓库：
0:47

真没想到！很多今天看起来很新的量化玩法，阿布量化十年前就已经在做了 缠论 / 波浪 / 谐波 / K 线形态 / 均线指标，全给你量化成买卖信号 abu，18.2K Stars，GPL-3.0 开源，一套老牌 Python 量化交易系统。 以前做量化，选股、择时、仓位、回测、参数优化、机器学习，往往得自己东拼西凑一堆脚本。 abu 不一样，它直接把这些东西塞进同一套框架，从找股票到跑策略、控风险、做参数优化，一路都给你搭好了。 核心能力： 1️⃣ 选股 + 择时：选什么股票、什么时候买卖，都能拆成独立因子自由组合 2️⃣ 完整回测：手续费、滑点、多股票、仓位管理、收益度量这些基础设施直接用 3️⃣ 参数优化：自带 Grid Search 和评分体系，可以批量找更合理的策略参数 4️⃣ 技术分析：MACD、KDJ、BOLL、RSI、ATR、ADX、缺口、背离等信号都有现成模块 5️⃣ AI / 机器学习：内置多套量化评分模型，还把形态、心理、趋势等特征做进机器学习流程 6️⃣ 多市场支持：A 股、港股、美股、期货、期权、Bitcoin 等都能拿来研究和回测 我觉得 abu 最有意思的地方，是它不是只给你一个“回测器”。 而是把量化交易真正拆成了一整套流程： 先选股，再择时； 再做仓位和风控； 最后拿历史数据验证、调参数。 现在看它的代码风格可能不算最新潮，但如果你想系统搞懂一套量化框架到底应该有哪些模块，这个项目依然很值得拆。 仓库：

爱吃折耳根的Ace

26,953 views • 1 month ago

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

54,062 views • 1 month ago

一个被全球赌场集体封杀的顶级量化，最后用AI在Polymarket上完成了史诗级逆袭 他在菲律宾博彩集团做定价量化时，因为模型太准，被直接限注到每单只能下2美元。赌场一边偷偷用他的模型赚钱，一边把他所有账号全部封死。 他没有废话，直接往Polymarket里存了4000美元，把自己用Claude开发的量化代理系统怼了上去。 84天后，账户变成了337,217美元。 全程24,497笔交易，他本人连一笔都没手动下过。 整个过程离谱得像科幻小说： 他只输入了一句话： 当市场对BTC小时级下跌定价不足时，做空它。 90秒后，一个完整的实盘交易机器人就自动上线了。 这句话在后台经历了什么？ 自然语言 → 策略中间表示（IR） → 自动编译代码 → 拉取5年历史数据回测 → 参数自动优化 → 风控规则生成。 这是一名年薪65万美元的初级量化研究员，不吃不喝也要花7周才能完成的工作量。 更恐怖的是上线前的“死亡淘汰机制”——AlphaGPT三轮循环： 生成器提出100个策略变种 → 码农智能体全部写成代码 → 挑战者智能体疯狂挑刺（过拟合？前视偏差？幸存者偏差？多重测试？） 99%的策略会在这一步被直接处死。 活下来的，还要跑10,000条蒙特卡洛路径进行极端情景模拟。 最终报告：最差P5情况收益+3.8%，最大回撤-8.8%，p值<0.01，夏普比率2.3 → 自动批准上线。 很多人说这个策略本身很普通。 没错，它确实不神秘。 但普通人一辈子能测试多少个策略？ 100个？1000个？ 而这个系统一天就能测试10万个，然后把99.99%的垃圾全部淘汰掉。 真正的优势，从来不是你能想出多么天才的策略，而是你的淘汰率有多高。 你觉得未来3年，手动交易员还有多少生存空间？ 这个从被赌场集体封杀，到84天干出33.7万美元的菲律宾量化，用实际行动给出了最残酷的答案。
0:54

一个被全球赌场集体封杀的顶级量化，最后用AI在Polymarket上完成了史诗级逆袭 他在菲律宾博彩集团做定价量化时，因为模型太准，被直接限注到每单只能下2美元。赌场一边偷偷用他的模型赚钱，一边把他所有账号全部封死。 他没有废话，直接往Polymarket里存了4000美元，把自己用Claude开发的量化代理系统怼了上去。 84天后，账户变成了337,217美元。 全程24,497笔交易，他本人连一笔都没手动下过。 整个过程离谱得像科幻小说： 他只输入了一句话： 当市场对BTC小时级下跌定价不足时，做空它。 90秒后，一个完整的实盘交易机器人就自动上线了。 这句话在后台经历了什么？ 自然语言 → 策略中间表示（IR） → 自动编译代码 → 拉取5年历史数据回测 → 参数自动优化 → 风控规则生成。 这是一名年薪65万美元的初级量化研究员，不吃不喝也要花7周才能完成的工作量。 更恐怖的是上线前的“死亡淘汰机制”——AlphaGPT三轮循环： 生成器提出100个策略变种 → 码农智能体全部写成代码 → 挑战者智能体疯狂挑刺（过拟合？前视偏差？幸存者偏差？多重测试？） 99%的策略会在这一步被直接处死。 活下来的，还要跑10,000条蒙特卡洛路径进行极端情景模拟。 最终报告：最差P5情况收益+3.8%，最大回撤-8.8%，p值<0.01，夏普比率2.3 → 自动批准上线。 很多人说这个策略本身很普通。 没错，它确实不神秘。 但普通人一辈子能测试多少个策略？ 100个？1000个？ 而这个系统一天就能测试10万个，然后把99.99%的垃圾全部淘汰掉。 真正的优势，从来不是你能想出多么天才的策略，而是你的淘汰率有多高。 你觉得未来3年，手动交易员还有多少生存空间？ 这个从被赌场集体封杀，到84天干出33.7万美元的菲律宾量化，用实际行动给出了最残酷的答案。

0XDegen

12,731 views • 5 months ago