正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

量化交易核心难题：如何应对 Market Regime Change？之前遇到一位做高频交易的朋友，他问了我一个问题：为什么很多量化策略回测表现完美，但一到实盘遇到市场风格切换就失效？我直接推荐了前HFT顶级量化交易员的《How to handle Regime Changes》的硬核视频。它直击量化交易中最常见的问题——为什么策略在历史数据里有效，但遇到市场状态变化（Regime Change）后会大幅失效？视频系统讲解了 4 种工业级解决方案，核心内容包括：什么是体制切换：均值、方差、偏度、峰度随时间剧烈变化 1️⃣ 方案一：滑窗重训练（作者坦言不推荐） 2️⃣ 方案二：特征工程 + 隐状态/相对记忆编码，让简单线性模型自适应切换动量与均值回归 3️⃣ 方案三：在线流式学习（Passive-Aggressive），根据误差实时调整权重 4️⃣ 方案四：强化学习 + 香农熵正则化，防止策略陷入局部最优最终结论很明确：金融数据不是静态的，真正有效的方法是让模型具备感知误差并动态更新权重的能力，而不是依赖全量静态训练。对正在做量化策略的朋友，这是非常深度的生产环境避坑指南。建议收藏。

爱吃折耳根的Ace

6,009 subscribers

18,197 次观看 • 1 个月前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

2 条评论

Massimo Ruggero 的头像

Massimo Ruggero1 个月前

You are stealing other peoples work!

crypto code🐶 的头像

crypto code🐶1 个月前

ai时代诞生了很多实际上啥几把都不会瞎几把生产水文的人

相关视频

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 次观看 • 2 个月前

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。

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

159,881 次观看 • 1 个月前

量化交易必懂：MDP 如何让 AI 学会动态决策？昨天粉丝问我：有没有把马尔可夫决策过程（MDP）讲得既清晰又扎实的课程？最好是从确定性搜索过渡到不确定环境的完整推导。我去找了斯坦福 Percy Liang 教授主讲的《Markov Decision Processes》。他清晰地拆解了 MDP 的完整逻辑：从引入随机性与马尔可夫假设，到策略（Policy）、折扣因子、Q 值、策略评估，再到价值迭代求解最优策略。核心内容包括： 1️⃣ 从 Search 到 MDP：动作结果从确定变为概率分布，经典 Flaky Tram 示例 2️⃣ 策略与折扣因子 γ：为什么解不再是一串固定动作路径 3️⃣ Q 值与 Bellman 方程：精确计算策略价值 4️⃣ 价值迭代（Value Iteration）：通过迭代求解最优策略 π* 最终结论很明确：MDP 是所有强化学习算法（Q-Learning、PPO、DQN）的数学基础，也是理解市场交易、动态资产配置和期权行权等随机决策问题的核心框架。对正在学强化学习或量化交易的朋友，这是非常扎实的理论基石。建议收藏。

量化交易必懂：MDP 如何让 AI 学会动态决策？昨天粉丝问我：有没有把马尔可夫决策过程（MDP）讲得既清晰又扎实的课程？最好是从确定性搜索过渡到不确定环境的完整推导。我去找了斯坦福 Percy Liang 教授主讲的《Markov Decision Processes》。他清晰地拆解了 MDP 的完整逻辑：从引入随机性与马尔可夫假设，到策略（Policy）、折扣因子、Q 值、策略评估，再到价值迭代求解最优策略。核心内容包括： 1️⃣ 从 Search 到 MDP：动作结果从确定变为概率分布，经典 Flaky Tram 示例 2️⃣ 策略与折扣因子 γ：为什么解不再是一串固定动作路径 3️⃣ Q 值与 Bellman 方程：精确计算策略价值 4️⃣ 价值迭代（Value Iteration）：通过迭代求解最优策略 π* 最终结论很明确：MDP 是所有强化学习算法（Q-Learning、PPO、DQN）的数学基础，也是理解市场交易、动态资产配置和期权行权等随机决策问题的核心框架。对正在学强化学习或量化交易的朋友，这是非常扎实的理论基石。建议收藏。

爱吃折耳根的Ace

20,741 次观看 • 1 个月前

量化策略为什么总上实盘就亏？置换检验揭开过拟合真相昨天粉丝问我：为什么很多策略在历史数据上画出完美的 45 度上升曲线，一上实盘就稳定亏损？有没有更严谨的方法验证策略到底有没有真 Alpha？我直接去找了这支高阶视频给他《我如何研发交易策略：置换检验与 Python 量化开发》。为什么我说这个一定值得去看？视频专门解决量化交易里最大的敌人——过拟合与数据挖掘偏误，并给出一套极其严谨的 4 步验证框架，灵感来自 Timothy Masters 的经典著作。核心内容包括： 1️⃣ 为什么传统「样本内 / 样本外」测试会失效（选择偏误会把样本外变成验证集） 2️⃣ 第一重防线：样本内蒙特卡洛置换检验（把收益率随机洗牌，看真实策略是否真的优于随机） 3️⃣ 推进分析：滚动向前测试（Walk Forward），应对市场体制切换 4️⃣ 终极防线：滚动向前蒙特卡洛置换检验（验证样本外盈利是否只是运气）最终结论很明确：在上实盘或投入真金白银之前，必须用置换检验反复拷问策略——如果市场完全随机，我的优化器是不是也能挖出同样漂亮的收益？如果答案是 Yes，这个策略就该直接废弃。这是量化策略从业余走向专业的分水岭。建议收藏，认真看完。

量化策略为什么总上实盘就亏？置换检验揭开过拟合真相昨天粉丝问我：为什么很多策略在历史数据上画出完美的 45 度上升曲线，一上实盘就稳定亏损？有没有更严谨的方法验证策略到底有没有真 Alpha？我直接去找了这支高阶视频给他《我如何研发交易策略：置换检验与 Python 量化开发》。为什么我说这个一定值得去看？视频专门解决量化交易里最大的敌人——过拟合与数据挖掘偏误，并给出一套极其严谨的 4 步验证框架，灵感来自 Timothy Masters 的经典著作。核心内容包括： 1️⃣ 为什么传统「样本内 / 样本外」测试会失效（选择偏误会把样本外变成验证集） 2️⃣ 第一重防线：样本内蒙特卡洛置换检验（把收益率随机洗牌，看真实策略是否真的优于随机） 3️⃣ 推进分析：滚动向前测试（Walk Forward），应对市场体制切换 4️⃣ 终极防线：滚动向前蒙特卡洛置换检验（验证样本外盈利是否只是运气）最终结论很明确：在上实盘或投入真金白银之前，必须用置换检验反复拷问策略——如果市场完全随机，我的优化器是不是也能挖出同样漂亮的收益？如果答案是 Yes，这个策略就该直接废弃。这是量化策略从业余走向专业的分水岭。建议收藏，认真看完。

爱吃折耳根的Ace

14,580 次观看 • 1 个月前

🚨 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

59,768 次观看 • 3 个月前

🧐 真正的 Vibe Trading ？来 Minara 把你喜欢的交易大神，蒸馏成量化代码吧！我觉得 Minara Minara AI 是 AI Trading 赛道，目前完成度最高的产品之一新上线的「Strategy Studio / 策略工作室」非常有意思，完全打通了从 “自然语言” 到 “程序化策略” 之间的壁垒 1️⃣ 用「自然语言」，完成策略设计、回测、参数优化，到最终实盘目前支持通过自然语言，甚至上传表格、代码、视频（比如交易员的直播切片）等方式，生成可以执行的量化策略代码期间，还可与 AI 协同，一键优化策略，再通过「K线历史数据」回测策略成绩，像调试代码一样调试策略泵泵这几天用 Minara 自带的「AI自适应超趋势」模板，优化了一版，跑了几天 $BTC 量化策略效果还不错，这几天波动很大，但竟然没有亏，还小赚，比我自己做的自动交易系统要稳健 🥹 2️⃣ 自然语言做量化，确实切中了一个真实痛点传统量化交易门槛高，需要编程能力和金融工程知识，Strategy Studio 试图把这个门槛大幅降低而且这套可玩性很高，每个人都可以 DIY 与众不同的交易系统，自己调试，自己部署运行 💡 想到一个有意思的应用场景：可以直接上传 #币安广场上，哪些 “顶级交易员” 们的直播切片让 Minara 把 “带单老师” 们的思路，蒸馏成具体的量化代码，为你 “全天候” 自动交易看看哪位老师的 “蒸馏体”，实盘比较厉害 🤣 ----------- 一直觉得交易是反人性的，你需要对抗人的动物属性，对抗身体的疲劳值盯盘，还要有严格风控的执行力，才能在高波动的加密市场里存活优秀的交易员，无一不是像机器一样严格执行地交易体系，那么为什么不直接交给更聪明的 “机器” 来做呢？ Minara 的技能池还挺深的，还有不少功能没有体验，后续泵泵再给大家更新！ ➤ 眼镜娘传送门：

🧐 真正的 Vibe Trading ？来 Minara 把你喜欢的交易大神，蒸馏成量化代码吧！我觉得 Minara Minara AI 是 AI Trading 赛道，目前完成度最高的产品之一新上线的「Strategy Studio / 策略工作室」非常有意思，完全打通了从 “自然语言” 到 “程序化策略” 之间的壁垒 1️⃣ 用「自然语言」，完成策略设计、回测、参数优化，到最终实盘目前支持通过自然语言，甚至上传表格、代码、视频（比如交易员的直播切片）等方式，生成可以执行的量化策略代码期间，还可与 AI 协同，一键优化策略，再通过「K线历史数据」回测策略成绩，像调试代码一样调试策略泵泵这几天用 Minara 自带的「AI自适应超趋势」模板，优化了一版，跑了几天 $BTC 量化策略效果还不错，这几天波动很大，但竟然没有亏，还小赚，比我自己做的自动交易系统要稳健 🥹 2️⃣ 自然语言做量化，确实切中了一个真实痛点传统量化交易门槛高，需要编程能力和金融工程知识，Strategy Studio 试图把这个门槛大幅降低而且这套可玩性很高，每个人都可以 DIY 与众不同的交易系统，自己调试，自己部署运行 💡 想到一个有意思的应用场景：可以直接上传 #币安广场上，哪些 “顶级交易员” 们的直播切片让 Minara 把 “带单老师” 们的思路，蒸馏成具体的量化代码，为你 “全天候” 自动交易看看哪位老师的 “蒸馏体”，实盘比较厉害 🤣 ----------- 一直觉得交易是反人性的，你需要对抗人的动物属性，对抗身体的疲劳值盯盘，还要有严格风控的执行力，才能在高波动的加密市场里存活优秀的交易员，无一不是像机器一样严格执行地交易体系，那么为什么不直接交给更聪明的 “机器” 来做呢？ Minara 的技能池还挺深的，还有不少功能没有体验，后续泵泵再给大家更新！ ➤ 眼镜娘传送门：

泵泵超人 | Pumpman 🔶

75,500 次观看 • 5 个月前

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。

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

27,444 次观看 • 1 个月前

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。

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

20,825 次观看 • 2 个月前

别再手动画线了：量化模型如何自动找到支撑、阻力和拐点？我之前遇到一位把图表形态自动化讲得特别清楚的老师。我问他，人类交易员一眼就能看出的高低点、头肩顶、双底，计算机该如何用精确的数学代码去识别？他庭后录制了这支约 10 分半的经典视频，系统讲解了 3 种工业级算法，专门解决局部极值点（Local Extremes）的自动化识别问题。核心内容包括： 1️⃣ 滚动窗口法（Rolling Window / Order-K）：时间邻域驱动，固定延迟，极简实用 2️⃣ 方向变动/锯齿法（Directional Change / ZigZag）：价格回撤驱动，严格交替顶底，可动态适应波动 3️⃣ 重要感知点（PIPs）：几何距离驱动，适合数据压缩与复杂形态匹配（头肩顶、双顶等）最终结论很明确：这三种算法覆盖了从简单支撑阻力到复杂形态识别的完整工具箱，是图表形态自动化交易的基础。建议收藏，配合代码一起看。交易员靠经验找拐点，量化用数据寻找规律。下一步，就是把这些方法写进你的策略里。

别再手动画线了：量化模型如何自动找到支撑、阻力和拐点？我之前遇到一位把图表形态自动化讲得特别清楚的老师。我问他，人类交易员一眼就能看出的高低点、头肩顶、双底，计算机该如何用精确的数学代码去识别？他庭后录制了这支约 10 分半的经典视频，系统讲解了 3 种工业级算法，专门解决局部极值点（Local Extremes）的自动化识别问题。核心内容包括： 1️⃣ 滚动窗口法（Rolling Window / Order-K）：时间邻域驱动，固定延迟，极简实用 2️⃣ 方向变动/锯齿法（Directional Change / ZigZag）：价格回撤驱动，严格交替顶底，可动态适应波动 3️⃣ 重要感知点（PIPs）：几何距离驱动，适合数据压缩与复杂形态匹配（头肩顶、双顶等）最终结论很明确：这三种算法覆盖了从简单支撑阻力到复杂形态识别的完整工具箱，是图表形态自动化交易的基础。建议收藏，配合代码一起看。交易员靠经验找拐点，量化用数据寻找规律。下一步，就是把这些方法写进你的策略里。

爱吃折耳根的Ace

19,696 次观看 • 1 个月前

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

22,668 次观看 • 15 天前

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 次观看 • 2 个月前

🚨 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 次观看 • 3 个月前

量化必看：深度学习不是唯一答案，简单线性模型依然能赢昨天粉丝私信我说：现在人人都在追深度学习，简单甚至线性的模型还有价值吗？我去找了 Vincent Warmerdam 的经典演讲《Winning with Simple, even Linear, Models》。他用大量 Python 实操案例给出了非常清醒的答案：在很多真实工业场景里，依靠创造性的特征工程 + 简单线性模型，效果往往不输复杂黑盒模型，而且在可解释性、部署稳定性、调试难度和凸优化保证上具有压倒性优势。核心干货包括： 1️⃣ 用一行特征交叉（x3 = x1 × x2）就能让逻辑回归轻松解决 XOR 问题 2️⃣ 用径向基函数（RBF）做时间序列周期性特征，比 One-Hot 更平滑精准 3️⃣ 生产环境用 Passive-Aggressive 算法做流式学习，天然应对概念漂移 4️⃣ 推荐系统里一个简单概率公式就能消除热门项偏见，几行 SQL 就能上线 5️⃣ 贝叶斯更新与层次模型的可解释优势最终结论很明确：在真正工业落地时，良好的特征工程 + 易维护的线性/规则系统，往往比追求复杂模型更有价值。如果你在量化交易、推荐系统或数据科学项目中正面临「模型太重、上线困难、可解释性差」的问题，这个演讲会带来很大启发。建议收藏。

量化必看：深度学习不是唯一答案，简单线性模型依然能赢昨天粉丝私信我说：现在人人都在追深度学习，简单甚至线性的模型还有价值吗？我去找了 Vincent Warmerdam 的经典演讲《Winning with Simple, even Linear, Models》。他用大量 Python 实操案例给出了非常清醒的答案：在很多真实工业场景里，依靠创造性的特征工程 + 简单线性模型，效果往往不输复杂黑盒模型，而且在可解释性、部署稳定性、调试难度和凸优化保证上具有压倒性优势。核心干货包括： 1️⃣ 用一行特征交叉（x3 = x1 × x2）就能让逻辑回归轻松解决 XOR 问题 2️⃣ 用径向基函数（RBF）做时间序列周期性特征，比 One-Hot 更平滑精准 3️⃣ 生产环境用 Passive-Aggressive 算法做流式学习，天然应对概念漂移 4️⃣ 推荐系统里一个简单概率公式就能消除热门项偏见，几行 SQL 就能上线 5️⃣ 贝叶斯更新与层次模型的可解释优势最终结论很明确：在真正工业落地时，良好的特征工程 + 易维护的线性/规则系统，往往比追求复杂模型更有价值。如果你在量化交易、推荐系统或数据科学项目中正面临「模型太重、上线困难、可解释性差」的问题，这个演讲会带来很大启发。建议收藏。

爱吃折耳根的Ace

11,606 次观看 • 2 个月前

遇到一场由顶级量化基金 Two Sigma 举办的高阶研讨会，主题是《金融数据的机器学习模型》。主讲人 Justin Sirignano 同时来自 Two Sigma 和牛津大学，讲的不是普通技术指标，而是直接深入高频交易和限价订单簿。我问他，顶级对冲基金现在到底在用机器学习研究什么？视频给出了三个前沿方向： > 用 RNN / LSTM 分析高维订单流，预测下一次价格变化 > 用数百只股票训练通用模型，效果优于单只股票独立建模 > 用强化学习优化订单执行，降低滑点和市场冲击最有意思的是，通用模型在较长时间的样本外测试中，依然保持不错的准确率。不过这不是零基础教程。整场几乎没有代码演示，默认观众已经理解订单簿、RNN / LSTM 和强化学习。更适合有一定量化基础，或准备申请 Two Sigma、Citadel、Jane Street 等 Quant 岗位的人观看。虽然你可能是量化小白，但是在以后的时候绝对会用到的

遇到一场由顶级量化基金 Two Sigma 举办的高阶研讨会，主题是《金融数据的机器学习模型》。主讲人 Justin Sirignano 同时来自 Two Sigma 和牛津大学，讲的不是普通技术指标，而是直接深入高频交易和限价订单簿。我问他，顶级对冲基金现在到底在用机器学习研究什么？视频给出了三个前沿方向： > 用 RNN / LSTM 分析高维订单流，预测下一次价格变化 > 用数百只股票训练通用模型，效果优于单只股票独立建模 > 用强化学习优化订单执行，降低滑点和市场冲击最有意思的是，通用模型在较长时间的样本外测试中，依然保持不错的准确率。不过这不是零基础教程。整场几乎没有代码演示，默认观众已经理解订单簿、RNN / LSTM 和强化学习。更适合有一定量化基础，或准备申请 Two Sigma、Citadel、Jane Street 等 Quant 岗位的人观看。虽然你可能是量化小白，但是在以后的时候绝对会用到的

爱吃折耳根的Ace

15,460 次观看 • 2 个月前

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 次观看 • 2 个月前

发现个量化交易神器！QuantDinger 直接把量化交易的门槛砸碎了！ QuantDinger（量化丁格），你的私人 AI 量化操作系统，几天时间就在 GitHub 拿下 4.2k stars！这不是普通的交易工具，而是个具备自我进化能力的 AI 交易员： 🤖 AI 智能分析引擎国内外股市、期货、加密货币、外汇全支持 24 小时监控全球交易机会实时推送到手机，不错过任何机会 📊 全自动工作流 AI 自动分析市场 → 生成策略代码 → 自动回测根据历史收益、风险数据自动优化参数大模型帮你调参，让策略更稳定 💻 部署超简单 Docker 一键私有化本地部署两分钟就能跑起来不懂代码的小白也能快速上手 🔒 完全私有在你自己的服务器和自己的密钥上运行数据、策略全掌控支持实盘数据、多市场同时监控、智能风控... 搞量化交易的兄弟，这个必须试试！项目地址放评论区了👇

发现个量化交易神器！QuantDinger 直接把量化交易的门槛砸碎了！ QuantDinger（量化丁格），你的私人 AI 量化操作系统，几天时间就在 GitHub 拿下 4.2k stars！这不是普通的交易工具，而是个具备自我进化能力的 AI 交易员： 🤖 AI 智能分析引擎国内外股市、期货、加密货币、外汇全支持 24 小时监控全球交易机会实时推送到手机，不错过任何机会 📊 全自动工作流 AI 自动分析市场 → 生成策略代码 → 自动回测根据历史收益、风险数据自动优化参数大模型帮你调参，让策略更稳定 💻 部署超简单 Docker 一键私有化本地部署两分钟就能跑起来不懂代码的小白也能快速上手 🔒 完全私有在你自己的服务器和自己的密钥上运行数据、策略全掌控支持实盘数据、多市场同时监控、智能风控... 搞量化交易的兄弟，这个必须试试！项目地址放评论区了👇

Vincent

30,236 次观看 • 4 个月前

🚨 卧槽！华尔街花500万训练的金融AI，普通人现在0成本就能白嫖！量化基金几百万年薪养的那帮量化研究员，手里最核心的武器，强化学习交易框架，被人直接开源了！ FinRL，15.4K+ stars，哥伦比亚大学团队发起，全球首个金融强化学习开源框架。把交易建模成马尔可夫决策过程，让 AI 像下围棋一样学交易——不是预测涨跌，是在市场中学会何时买、何时卖、何时不动。 FinRL 核心亮点： > 五大 DRL 算法内置：PPO、DDPG、SAC、TD3、A2C，选股+调仓+择时三合一 > OpenAI Gym 标准接口：换策略像换游戏手柄，插上就跑 > 并行训练 2048 个环境，GPU 加速 1650× > FinRL-X 2026 新版：数据 → 策略 → 回测 → 实盘，四层模块化架构，不是胶水代码 > LLM + RL 融合：FinRL-DeepSeek 接入大模型情绪信号，市场情绪强时放大动作、弱时收敛 > 实盘对接 Alpaca，纸盘先跑再切真钱 > 学术血统：NeurIPS + ACM ICAIF + PAKDD 论文背书，不是野路子以前做量化：写因子 → 写策略 → 写回测 → 调参 → 过拟合 → 实盘亏钱 → 推倒重来。现在 FinRL 让 AI 自己在市场里试错学习，几百万次迭代找到最优策略。强化学习交易这件事，终于从顶会论文变成 pip install 了

🚨 卧槽！华尔街花500万训练的金融AI，普通人现在0成本就能白嫖！量化基金几百万年薪养的那帮量化研究员，手里最核心的武器，强化学习交易框架，被人直接开源了！ FinRL，15.4K+ stars，哥伦比亚大学团队发起，全球首个金融强化学习开源框架。把交易建模成马尔可夫决策过程，让 AI 像下围棋一样学交易——不是预测涨跌，是在市场中学会何时买、何时卖、何时不动。 FinRL 核心亮点： > 五大 DRL 算法内置：PPO、DDPG、SAC、TD3、A2C，选股+调仓+择时三合一 > OpenAI Gym 标准接口：换策略像换游戏手柄，插上就跑 > 并行训练 2048 个环境，GPU 加速 1650× > FinRL-X 2026 新版：数据 → 策略 → 回测 → 实盘，四层模块化架构，不是胶水代码 > LLM + RL 融合：FinRL-DeepSeek 接入大模型情绪信号，市场情绪强时放大动作、弱时收敛 > 实盘对接 Alpaca，纸盘先跑再切真钱 > 学术血统：NeurIPS + ACM ICAIF + PAKDD 论文背书，不是野路子以前做量化：写因子 → 写策略 → 写回测 → 调参 → 过拟合 → 实盘亏钱 → 推倒重来。现在 FinRL 让 AI 自己在市场里试错学习，几百万次迭代找到最优策略。强化学习交易这件事，终于从顶会论文变成 pip install 了

爱吃折耳根的Ace

28,529 次观看 • 2 个月前

做量化不一定非要有一整支团队。把几个开源项目组合起来，已经能搭出一套比较完整的 AI 量化工作流：从市场研究 → 策略生成 → 回测验证 → 交易执行。我目前重点看的几个： QuantDinger 10.3k star AI 量化操作系统。支持市场研究、自然语言生成策略、回测和交易执行，覆盖面比较广。 Freqtrade 53k star 加密货币自动化交易机器人。连接多交易所，策略执行和优化都比较成熟。 vnpy 44.3k star 中文量化里很核心的一个框架，适合股票、期货等市场的策略开发和实盘。 StockSharp 10.5k star 跨市场交易平台，支持股票、外汇、加密等，带策略开发和回测能力。 AI Trader 21.2k star 多 Agent 协作模式，不同角色分工研究、辩论和风控，模拟小型投研团队。 TradeMaster / FinRL 16k star 偏强化学习和策略训练，适合想让模型自己学习和进化的方向。这些项目组合后，大致能覆盖：研究分析 → 策略生成 → 回测验证 → 模拟/实盘执行它们并不能完全替代专业团队，但已经能让个人交易者拥有一套可运行的 AI 量化工作流。对想系统尝试 AI 量化的人来说，值得自己去搭建和验证。

做量化不一定非要有一整支团队。把几个开源项目组合起来，已经能搭出一套比较完整的 AI 量化工作流：从市场研究 → 策略生成 → 回测验证 → 交易执行。我目前重点看的几个： QuantDinger 10.3k star AI 量化操作系统。支持市场研究、自然语言生成策略、回测和交易执行，覆盖面比较广。 Freqtrade 53k star 加密货币自动化交易机器人。连接多交易所，策略执行和优化都比较成熟。 vnpy 44.3k star 中文量化里很核心的一个框架，适合股票、期货等市场的策略开发和实盘。 StockSharp 10.5k star 跨市场交易平台，支持股票、外汇、加密等，带策略开发和回测能力。 AI Trader 21.2k star 多 Agent 协作模式，不同角色分工研究、辩论和风控，模拟小型投研团队。 TradeMaster / FinRL 16k star 偏强化学习和策略训练，适合想让模型自己学习和进化的方向。这些项目组合后，大致能覆盖：研究分析 → 策略生成 → 回测验证 → 模拟/实盘执行它们并不能完全替代专业团队，但已经能让个人交易者拥有一套可运行的 AI 量化工作流。对想系统尝试 AI 量化的人来说，值得自己去搭建和验证。

爱吃折耳根的Ace

36,409 次观看 • 1 个月前

强烈建议大家去看一下 Jev 创始人 Diogo Almeida 的这个演讲，关于 Jev 的一切，他在这个视频中早就预言。 Jev 一开始就是盯着自动化去的，Diogo Almeida 认为现在的 LLM 陷入了一个史诗级大弯路，就是 RLHF。 RLHF 在人机交互也就是取悦人类方面，很出色，但在自动化方面很糟糕。它不能实现完全的自动化，人类必须在环。不止 ChatGPT ，Claude Code 的原罪也在于 RLHF。所以他认为 ChatGPT 和 Claude Code 本质上属于一个范式，Claude Code 并不是下一个时代，真正的自动化才是下一个时代。简单来说，RLHF 就是收集人类便好，并根据人类便好优化。它的优化目标也不是自动化。他也否定了 RLVR 是答案：RLHF 优化人类偏好，RLVR 优化纯正确性，而他们在做的第三条路优化的是校准过的决策能力。 Diogo Almeida 认为，数据比算力重要，做对的任务比数据重要得多。预训练模型本身已经足够聪明，问题只在于我们用偏好优化把它挖歪了。 PS：视频翻译是用宝玉的 BaoCut 做的，属于是我的梦中情译软件了，太好用了。视频原链接：

强烈建议大家去看一下 Jev 创始人 Diogo Almeida 的这个演讲，关于 Jev 的一切，他在这个视频中早就预言。 Jev 一开始就是盯着自动化去的，Diogo Almeida 认为现在的 LLM 陷入了一个史诗级大弯路，就是 RLHF。 RLHF 在人机交互也就是取悦人类方面，很出色，但在自动化方面很糟糕。它不能实现完全的自动化，人类必须在环。不止 ChatGPT ，Claude Code 的原罪也在于 RLHF。所以他认为 ChatGPT 和 Claude Code 本质上属于一个范式，Claude Code 并不是下一个时代，真正的自动化才是下一个时代。简单来说，RLHF 就是收集人类便好，并根据人类便好优化。它的优化目标也不是自动化。他也否定了 RLVR 是答案：RLHF 优化人类偏好，RLVR 优化纯正确性，而他们在做的第三条路优化的是校准过的决策能力。 Diogo Almeida 认为，数据比算力重要，做对的任务比数据重要得多。预训练模型本身已经足够聪明，问题只在于我们用偏好优化把它挖歪了。 PS：视频翻译是用宝玉的 BaoCut 做的，属于是我的梦中情译软件了，太好用了。视频原链接：

陆三金

75,006 次观看 • 9 天前

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 次观看 • 16 天前