开源量化平台汇总

network

有件事我一直觉得挺别扭的。

美债收益率冲上5.3%，30年期破了5.6%，都是20年新高，而且高位上行已经持续了三个月。债市在大规模抛售，但美股大盘在高位扛着，甚至屡创新高。很多人说这是流动性崩盘的前兆，债市比股市聪明，股市迟早要补跌。

但我觉得，杀估值这件事，其实已经完成了。

标普500有80%的市值来自10年以后的远期现金流，所以10年期美债收益率每上行100个基点，标普的前瞻市盈率理论上会下降约7%。过去一年，10年期从4.2%涨到5.3%，涨了超过100个基点，标普前瞻市盈率从23倍被压到19倍，压缩了18%。这个压缩幅度，跟1994到1995年那轮加息周期几乎一模一样。

非科技板块已经在跌了。 公共事业跌13%，房地产跌8.7%，工业、原材料、消费普跌5%到8%。大盘表面没跌，是因为少数科技巨头在撑盘。风险已经反映在非科技板块的股价里了，这不是泡沫。

真正决定生死的是企业盈利，而这一轮盈利异常坚挺。

FactSet预测标普500第三季度盈利增速29.1%，全年32%，创历史新高。过去5年同期盈利预期平均被下调2.2%，这次三季度反而在季内被上调了1.9%。五大科技巨头今年资本开支约8000亿，但它们自身的年经营净现金流也是8000亿，赚多少花多少，发债只是备用流动性。AI投资的年化回报率在30%以上，亚马逊的数据中心3年回本，谷歌测算回报率32%。面对30%以上的内生回报率，借款成本涨1%到2%，动摇不了加码AI的决心。

最核心的对照是1994到1995年。

1994年，10年期美债从5.19%飙升到8.05%，涨了近300个基点，标普市盈率压缩18%，大盘全年横盘。但企业盈利增长了18%，抵消了估值压缩。1995年，通胀回落，美联储转向降息，收益率跳水，美股开启了全年暴涨37.6%的超级大牛市。

现在的情况甚至比1994年更好。利率上升幅度更小，只有100个基点，而企业盈利增速更高，32%对18%。下行风险比当年更低。

所以我的策略很明确。

过去一个季度，美债收益率飙升，市场误判高利率会遏制科技巨头的资本开支，导致半导体板块估值被过度错杀，部分龙头甚至腰斩。但半导体的实际盈利增速异常坚挺，存储、光通信、算力芯片的订单能见度排到2028年，长协锁到2031年。

一旦长端利率拐头向下，这类估值被错杀、盈利高增长的半导体核心标的，会获得最强的弹性。 如果回调，不是系统性危机，是建仓窗口。

network

华尔街花约 300 万美元训练一个金融大模型，现在开源方案把一次金融微调的成本压到了 300 美元以内。

FinGPT，21.4K Stars，MIT 开源，AI4Finance Foundation 做的一套开源金融大模型框架。

以前做金融 LLM，最大的门槛不是 Prompt，而是金融数据、持续训练和模型更新——市场每天都在变，模型几个月不更新就可能开始“过时”。

FinGPT 不一样，它没有想着从头再造一个 BloombergGPT，而是用开源基座模型 + 金融数据流水线 + LoRA，把金融模型做成可以持续低成本更新的体系。

核心能力：

1️⃣ 金融数据流水线：市场新闻、金融文本和结构化数据可以持续收集、清洗再进入模型

2️⃣ LoRA 轻量微调：不用每次重新训练大模型，新金融数据可以快速继续 Fine-tune

3️⃣ FinGPT-Forecaster：读取公司近期新闻 + 基本面，自动拆利好、风险，再生成未来走势分析

4️⃣ FinGPT-RAG：专门为金融情绪分析做检索增强，让模型先找外部证据再判断

5️⃣ FinGPT-Benchmark：金融情绪、多任务、Zero-shot 等任务可以统一评估不同开源 LLM

6️⃣ 本地 + 云端都能跑：模型发布在 Hugging Face，也可以接云端 LLM 或自己本地部署

我觉得 FinGPT 最有意思的地方，是它想解决的不是：

“怎么让 AI 猜股票更准？”

而是：

怎么让一个金融 AI 持续吃到最新市场数据，又不用每次花几百万美元重新训练。

华尔街不会轻易把自己的金融大模型和数据接口开源，但 FinGPT 至少把这条路拆出来给普通开发者看了。

做 AI 投研、金融 LLM、情绪分析，或者想研究大模型怎么真正接进金融系统的，这个很值得收藏。

https://github.com/AI4Finance-Foundation/FinGPT

network

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
https://github.com/openbq-org/OpenBB

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
https://github.com/microsoft/RD-Agent

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
https://github.com/polakowo/vectorbt

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
https://github.com/PyPortfolio/PyPortfolioOpt

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
https://github.com/ranaroussi/quantstats

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
https://github.com/QuantConnect/Lean

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。

network

爸妈没教过你，但你一定要懂的人性冷知识：

1、熟人眼里，不允许有牛人出现。身边的亲戚、老同学、老邻居，大多希望你过得好，但不希望你过得比他们好。

2、一个人越是缺什么，越喜欢炫耀什么。越是内心自卑，越急于展示财富、面子，用外在装点掩盖心底的底气不足。

3、大多数人同情弱者，却嫉妒身边的强者。落魄时有人怜悯，一旦你翻身变强，非议与疏远反而随之而来。

4、不要轻易亮出你的底牌。心事、存款、规划，不必逢人就说。人性多变，你的真心话，很容易变成别人拿捏你的把柄。

5、能改变关系的从来不是真心，而是价值。你有用时，朋友最多；你价值减弱，人情自然变淡。人脉本质是互相成全。

6、嘴上越客气的人，心里可能越疏远。真正亲近的人不必客套，过度礼貌，往往是在和你划清边界。

7、喜欢劝你大度的人，大多没有受过你的苦。未经他人苦，莫劝他人善，别人的道理，不必硬扛到自己身上。

8、人性大多慕强，很少怜弱。一味示弱求同情，只会引来轻视；站稳自身实力，才能换来尊重。

9、秘密只适合烂在肚子里。只要告诉了第二个人，就不再是秘密，迟早会传遍圈子，惹来是非。

读懂人性不是变得冷漠，而是学会保护自己。待人依旧善良，但心中要有分寸，嘴上懂得守拙，眼里分得清人心。

network

radingView 的 Pine Script，居然可以搬到 Python 本地运行了！

更狠的是，作者拿 1000 个真实脚本和 TradingView 对照，1.32 亿条数据里有 99.771% 做到了按位一致。

项目叫 PyneCore，200 Stars，Apache-2.0 开源协议。

它不是普通的指标库，而是一套兼容 Pine Script 运行逻辑的 Python 框架，让技术指标、交易策略能够脱离 TradingView，在本地运行和回测。

以前想把 TradingView 策略迁移到 Python，最麻烦的不是重写指标公式，而是处理逐根 K 线计算、历史数据引用、变量状态和订单执行逻辑。

PyneCore 就是专门解决这些问题的。

核心亮点：

1️⃣ Pine Script 兼容：在 Python 中复现逐根 K 线执行机制，支持 Series 历史引用、Persistent 持久变量和 NA 缺失值处理。

2️⃣ AST 自动转换：通过 Python AST 转换，让普通 Python 代码具备 Pine Script 的运行语义，不用自己实现整套执行机制。

3️⃣ 完整技术指标库：支持 Pine Script v6 的 ta.* 技术分析函数，方便开发均线、RSI、MACD 等量化指标。

4️⃣ 本地策略回测：支持 Pine Script 风格的策略执行和历史回测，还能结合 Python 数据分析、机器学习工具进行研究。

5️⃣ 真实脚本验证：官方使用 1000 个 TradingView 脚本测试，1353 组可对照输出全部匹配，35 万多笔交易的执行时点也完成了对照验证。

我觉得这个项目真正有意思的，是把 TradingView 的策略逻辑和 Python 量化生态连接起来了。

比如你在 TradingView 写好一套均线突破策略，可以通过转换工具迁移到 Python，再结合 Pandas、机器学习和本地回测系统继续研究。

相当于不用完全推倒重写，就能把 Pine Script 策略带进自己的量化研究环境。

经常使用 TradingView、Python，或者想把 Pine Script 策略迁移到本地量化系统的，这个项目值得研究。

https://github.com/PyneSys/pynecore

network

TradingView 选股器居然被人做成了 Python 库了

不用打开网页，直接用代码筛选美股、Crypto、外汇，还能接入 Claude 做 AI 量化选股。

项目叫 tvscreener，GitHub 约 1.6K Stars。

支持 13,000+ 数据字段，涵盖技术指标、基本面、估值和成交量，查询结果直接返回 Pandas DataFrame，可以无缝接入 Python 量化策略。

以前用 TradingView 选股，得打开网页、设置筛选条件、导出数据，再自己处理。

现在几行 Python 代码就能完成，还支持 MCP，让 AI Agent 直接调用选股功能。

几个比较实用的能力：

1️⃣ 无需登录：可直接获取公开的 TradingView 筛选数据，减少手动操作。

2️⃣ 13,000+ 数据字段：覆盖 RSI、MACD、市值、PE、成交量及大量财务指标。

3️⃣ Python 量化选股：支持多条件组合、链式筛选，结果直接返回 Pandas DataFrame。

4️⃣ 多市场覆盖：支持股票、Crypto、外汇、期货、债券等资产。

5️⃣ 多周期分析：支持分钟、小时、日线等周期，方便组合不同时间框架的技术信号。

6️⃣ AI Agent + MCP：接入 Claude Code，让 AI 查询行情、执行选股条件、分析市场数据。

我觉得真正有意思的是最后这个 MCP。

比如直接告诉 Claude：筛选标普 500 中 RSI 低于 30、成交量放大、市值超过 100 亿美元的股票。

AI 就能通过工具执行筛选，再把结果交给 Python 做进一步分析。

相当于把 TradingView 选股器变成了自己量化研究系统的数据接口。

做股票量化、Python 选股或者 AI Agent 金融研究的，这个项目很值得研究。

仓库：https://github.com/deepentropy/tvscreener

network

为什么有些美股明明没有重大新闻，期权市场却突然出现几百万甚至上千万美元的成交？

尤其是$NVDA、$MU、$SNDK、$TSLA这些热门股票，经常出现大量Call、Put交易，有时还伴随着剧烈的股价波动。

如果你炒美股还不知道怎么看期权异动，下面6个网站建议直接收藏！

① Unusual Whales
网站：http://unusualwhales.com
美股期权交易者非常值得研究的平台！

可以查看Options Flow、异常成交、Call与Put交易、Gamma Exposure以及部分暗池数据。

重点观察大额成交的时间、行权价、到期日、权利金和成交方向，判断市场正在交易什么预期。

② Barchart
网站：http://barchart.com

我认为新手学习期权异动很实用！
进入Options下面的Unusual Activity，可以查看哪些期权合约出现异常成交。

例如某个Call此前未平仓量只有500张，当天成交量突然达到5000张，Volume/OI达到10倍，这就值得进一步研究。

但高成交量不等于一定有人在建立新的看多仓位。

③ Cheddar Flow
网站：http://cheddarflow.com

这个平台主要研究期权订单流，尤其是Sweep Orders和大额交易。

Sweep通常涉及订单快速扫过多个交易场所，可以帮助观察市场是否出现较为急迫的成交需求。
它还提供异常交易筛选、历史订单流和部分暗池相关分析，主要功能需要付费。

④ FlowAlgo
网站：http://flowalgo.com

专门追踪期权大单、Sweep、Block Trade以及股票暗池成交。

例如你想研究$NVDA突然放量上涨时，期权市场是否同时出现大量交易，可以结合它的订单流进行观察。

但暗池成交不能直接理解成机构正在偷偷买入，因为每一笔成交都有买卖双方。
⑤ Market Chameleon
网站：http://marketchameleon.com

这个网站特别适合财报季！

可以研究异常期权成交量、隐含波动率IV，以及市场围绕财报等重大事件的预期波动。

为什么有时候股票财报后上涨，Call却反而亏钱？一个重要原因就是财报公布后IV可能快速下降。

⑥ OptionStrat
网站：http://optionstrat.com
如果你已经发现了大额期权交易，我非常建议再用这个网站研究实际盈亏。

它可以模拟买入Call、Put以及各种价差组合，查看到期盈亏平衡价、最大亏损和时间价值衰减等。

很多人只看到别人买了100万美元Call，却从不计算这笔交易需要股价涨多少才能盈利！

我认为研究期权最重要的，不是看见一笔大额Call就立刻追涨，而是把成交量、未平仓量、到期时间、IV以及正股走势放在一起分析。

尤其要记住，买入Call可以看多，卖出Call也可能只是备兑策略；买入Put可能看空，也可能是给已有持仓买保险。
真正有价值的不是盲目跟随所谓聪明钱，而是通过期权市场理解资金正在交易哪些价格、哪些期限，以及多大的波动预期。

这6个网站建议收藏，特别适合喜欢研究短线行情、财报波动和高弹性科技股的投资者！

network

想研究量化交易，可以看看这个开源项目：阿布量化（ABU）。

一套系统覆盖 A 股、美股、港股、期货、期权和比特币，适合想探索不同市场量化策略的人。

几个亮点：

① 多市场支持：股票、期货到加密资产均有涉及
② 策略分析：结合缠论、波浪理论、形态识别等方法
③ 机器学习：引入算法辅助策略优化
④ 配套学习资料：还有《量化交易之路》可供入门研究
想自己动手学习量化交易，不妨把它加入收藏。
🔗 GitHub：https://github.com/bbfamily/abu