开源量化平台汇总

network

有人把 48 套 TradingView 量化交易策略直接开源了！

趋势跟踪、动量交易、均值回归，连多品种自动预警和策略回测都安排好了。

这个开源项目叫 pinescript-strategies。

作者整理了 74 个 Pine Script 文件，包含 48 套交易策略、19 个技术指标和 7 套多品种预警系统，支持 Pine Script v4/v5。

以前想研究 TradingView 量化策略，得自己找指标、写交易规则、调试代码。现在不少现成策略都能直接打开源码研究。

核心亮点：

1️⃣ 趋势跟踪：包含 Double Supertrend、EMA 交叉等策略，研究趋势判断和进出场信号。

2️⃣ 动量交易：结合 MACD、RSI、布林带等指标，研究动量变化和交易机会。

3️⃣ 均值回归：提供 BB + Aroon、布林带背离等策略，研究价格反转和回归逻辑。

4️⃣ 技术指标库：19 个指标源码，涵盖 MACD 背离、DMI、SuperTrend 和波动率分析。

5️⃣ 多品种自动预警：7 套警报脚本，部分支持同时监控 40 个交易品种。

6️⃣ 自动化回测：通过 PineTS 测试部分 v5 策略，分析胜率、Sharpe 和最大回撤等指标。

我觉得最有价值的，不是单纯收集了 48 套策略，而是把交易逻辑、技术指标、预警和回测工具放到了一起。

比如用 SuperTrend 判断趋势，RSI 过滤信号，再结合 MACD 研究入场条件，就能尝试搭建自己的量化策略。

而且源码都能直接研究，不用每个交易条件都从零开发。

经常用 TradingView、学习 Pine Script，或者想开发股票量化策略的，这套源码值得收藏。

https://github.com/Alorse/pinescript-strategies

network

量化圈最近是不是被某个东西刷屏了？

NautilusTrader，GitHub 上星标突破 26000 的开源交易引擎，我翻完之后脑子里就剩一句话：这玩意儿是真能扛活。

它到底猛在哪？给你扒一扒👇

1️⃣ 核心拿 Rust 撸出来的，性能直接拉满，还不容易挂，内存安全也让人踏实

2️⃣ 策略层交给 Python 来写，手感顺，底层那些硬骨头压根不用碰

3️⃣ 最炸的一点：回测那套代码一行都不动，转头就能上实盘。架构是同一套，时间模型也是同一套，研究跟生产完全是一回事

那种回测看着像天堂、实盘亏到想退圈的老戏码，这东西就是专门来终结它的。

加密货币、外汇、股票、期货、期权，全都能对接；多交易所同时跑，纳秒级回测，连训练 AI 交易 agent 都顶得住。

搞量化的、玩高频繁的、写策略的，别划走，先存起来。

🔗 https://github.com/nautechsystems/nautilus_trader

network

这个开源量化平台有点离谱：别人给 AI 写交易规则，它直接让 AI 自己把策略训练出来。

均线、因子、选股，库都有，支持 A 股、美股、ETF、加密等市场

这个 GitHub 开源项目就是：FinRL

它把历史行情变成训练环境，让 Agent 在里面反复模拟交易，学买卖和仓位，再拿历史数据回测。

✅ 内置 A2C、DDPG、PPO、SAC、TD3，不用自己从零搭算法

✅ 股票交易和组合配置都有现成示例

✅ 训练、测试、回测一条流水线，结果可以和指数对比

✅ 教程直接拉道指成分股，加 MACD、RSI 再训练

仓库地址：https://github.com/AI4Finance-Foundation/FinRL

感兴趣的可以看看哦～非投资建议，dyor

network

TradingView 上专抓假突破的量化策略，居然有人把源码直接开源了！

价格刚突破就掉头？连这种行情的反向交易逻辑，都有人写成了 Pine Script。

这个开源项目叫 TradingView_Indicators。

作者 Heavy91 开源了 3 个技术指标和 1 套交易策略，涵盖假突破、多周期 RSI、成交量供需区和均线交叉信号。

几个挺硬核的能力：

1️⃣ Failure Swing：专门研究假突破，价格突破关键位置后又收回，寻找反向交易机会。

2️⃣ 动态止盈止损：结合 EMA 和波动率，设计交易退出条件。

3️⃣ 多周期 RSI：同时观察周线、日线和 4 小时 RSI，识别超买超卖共振。

4️⃣ 成交量供需区：通过 3 档成交量阈值识别关键区域，支持跨周期显示。

5️⃣ 多周期均线：支持 EMA、SMA、WMA、VWMA 等均线，监控趋势和交叉信号。

我比较感兴趣的是 Failure Swing。

很多人做量化只研究突破成功后的行情，而它专门研究突破失败后，如何利用价格重新回到区间的机会。

再结合多周期 RSI 和成交量供需区，就能进一步研究一套有明确进出场规则的量化策略。

最关键的是，指标和策略源码都能直接拆解、修改，不用从零开发。

经常使用 TradingView、研究价格行为，或者开发股票量化策略的，这套源码值得收藏。

https://github.com/Heavy91/TradingView_Indicators

network

美国国会议员买卖了什么股票，居然能直接标在 K 线图上了！

有人用 Rust 做了一套彭博风格的免费金融终端，连 TradingView 式图表、期权链和券商账户都整合进来了。

这个开源项目叫 terminal-rs，GitHub 250 Stars、59 Forks。

它是一套 Rust 开发的桌面金融终端，支持股票、ETF、期权、外汇、Crypto、美债和期货，还能追踪美国国会议员公开披露的股票交易。

核心亮点：

1️⃣ GPU 高性能 K 线：支持百万根 K 线平滑缩放，内置 RSI、MACD、VWAP、布林带等指标。

2️⃣ 国会议员交易追踪：自动获取参众两院交易披露，在 K 线上标记买卖记录，还能设置提醒。

3️⃣ 多资产与期权分析：覆盖股票、外汇、Crypto、美债和期货，支持完整期权链及希腊值分析。

4️⃣ 自由分屏工作台：行情、新闻、期权、订单簿自由组合，支持多窗口联动和布局保存。

5️⃣ 券商账户管理：通过 SnapTrade 同步持仓和盈亏，内置 10 万美元模拟账户，实盘交易需主动开启。

6️⃣ 命令式看盘：输入 AAPL GO 查看行情，NVDA OMON 查询期权，不用反复点菜单。

我觉得最有意思的，是它把专业行情终端和美国国会议员交易披露放到了一起。

比如研究 NVDA，不仅能查看 K 线和技术指标，还能看到哪些国会议员披露过相关买卖，以及交易日期和披露延迟。

原本分散在多个网站的行情、期权和交易披露，现在可以集中到一个桌面终端里。

而且软件免费，官网已经提供 macOS 版本。

做股票量化、美股研究，或者想搭建自己金融终端的，这个项目值得关注。

https://github.com/michaelshimeles/terminal-rs

network

单纯会开发 Agent，真的不算什么竞争力了。

现在 AI 圈有个特别割裂的现象。

一边是大家天天讨论最新的 Agent 框架、MCP、Skills、多智能体协作，恨不得让 AI 一个人干完一家公司的活。

另一边是你真正走进企业，发现很多项目连最基本的稳定性、权限管理、异常处理都没有解决。

卧槽，这种差距真的太明显了。

最近我自己也一直在折腾企业知识库、GEO 自动化、视频生产工作流，包括一些企业内部的软件系统。

做得越多，我反而越觉得：让 Agent 跑起来越来越容易了，让 Agent 真正跑进企业的业务流程里，才是最难的。

以前觉得接几个 API、调用几个工具、配置一套 Workflow，能把任务自动执行完，就算做出来一个挺不错的 AI 应用了。

但实际接触企业需求之后才发现，根本不是这么回事。

客户不关心你用了多少个 Agent，也不关心你调用的是 LangGraph、Dify 还是 Coze。

他只关心几个问题：原来三个人做的事情，现在能不能一个人完成？原来一天才能处理完的工作，现在能不能缩短到半小时？系统出错了怎么办？客户数据会不会泄露？后面谁来维护？

你技术架构画得再牛逼，业务价值交付不出来，在客户眼里可能就是一个高级玩具。

而且我发现，Agent 开发正在越来越接近传统的软件工程。

尤其是 RAG，很多人以为做知识库就是上传几个 PDF，调用 Embedding，往向量数据库里一存，再接个大模型就完事了。

真正做起来才知道，麻烦的东西全在后面。

文档更新了怎么办？不同版本的内容发生冲突怎么办？员工能不能查到自己没有权限看的文件？检索出来的证据不准确怎么办？模型开始胡说八道怎么办？

这些问题你不解决，模型再聪明也没用。

当然，不是所有 Agent 都需要 RAG，但只要涉及大量企业内部知识和数据，检索质量、权限控制和证据溯源就可能直接决定整个系统能不能用。

还有一点，我觉得现在特别多人忽略了。

AI 能帮你把代码写出来，不代表你就不需要懂软件工程了。

恰恰相反，以前你可能要花很多时间去写 Python、Java、SQL，现在 Codex 能帮你生成大量代码。

但系统怎么部署、接口怎么设计、任务失败怎么重试、数据怎么存储、并发怎么处理、日志怎么记录、线上怎么监控，这些工程责任不会因为 AI 会写代码就消失。

甚至因为代码生成速度太快了，系统质量的控制反而变得更加重要。

还有 Evals，我越来越觉得，做 AI 应用最忌讳的一件事，就是靠感觉验收。

今天改了几句 Prompt，问了五个问题，发现回答不错，就觉得自己优化成功了。

但真正到企业里，几百个员工、几千次调用、几十种业务场景，模型只要在关键任务上出现一次严重错误，就可能影响整个业务。

所以你必须知道任务成功率是多少、检索命中率怎么样、Tool 调用失败了多少次、每次任务花多少钱、哪些场景必须人工接管。

没有这些东西，所谓的优化，很多时候就是自己感动自己。

我现在甚至觉得，未来 AI 应用工程师之间最大的差距，可能不是谁会用更多的框架，而是谁能真正理解一个企业的业务，把需求拆解清楚，再用合适的技术把它稳定地实现出来。

这也是我为什么越来越关注 FDE 这个方向。

它不是让你坐在电脑前天天研究最新的模型，而是让你真正走进企业，弄清楚客户到底有什么问题，判断哪些值得用 AI 解决，再把系统交付出去。

当然，我自己也还在补这些工程能力，离真正成熟的企业级交付还有距离。

但至少方向越来越清晰了，AI 时代，会调用模型的人会越来越多，会开发 Agent 的人也会越来越多。

真正稀缺的，不是能够把 Demo 做得多么炫酷的人，而是能够对结果负责、对业务负责、对交付负责的人。

说到底，企业买的从来不是 Agent，企业买的是效率，是成本下降，是业务增长，是确定性。

谁能把这些东西真正交付出来，谁才有资格拿到下一阶段 AI 应用市场的钱。

会搭 Agent，只是入场券。能把 Agent 做成真正可用、可维护、可规模化的业务系统，才是竞争力。

network

最近看到有人给三个 AI Agent 打分：
Claude Code：10 分。
Codex：5 分。
WorkBuddy：0.5 分。

我第一反应是，卧槽真能差这么多吗？不都是调用大模型 API 的 Agent 吗？Claude Code 能用大模型，Codex 也能用大模型，WorkBuddy 甚至还能切换不同的模型，为什么最后的使用体验会被一些人评价得天差地别？

后来研究了一下，我才意识到，自己以前对 Agent 的理解确实有点浅了。

很多人以为 Agent 就是给大模型套个壳，接上 API，再给它几个工具和 Skill，它就能自动干活了。但真正决定一个 Agent 好不好用的，远远不止底层模型。这里面还有一个特别重要的概念，叫 Agent Harness，也就是智能体的执行框架。

大模型负责理解、推理和决策，但一个真正能干活的 Agent，还需要知道怎么获取上下文、怎么调用工具、怎么操作文件、怎么执行代码、怎么管理任务状态、怎么处理报错、怎么恢复执行，以及最后怎么验证任务到底有没有完成。

这些东西连在一起，才构成了一个真正的 Agent 系统。

举个例子，同样让三个 Agent 去修复一个复杂项目的 Bug。有的 Agent 看了半天代码，给你写了一大堆分析，最后告诉你已经修复完成了，实际上连测试都没跑。有的 Agent 会自己读取仓库、定位问题、修改代码、执行测试、查看报错，发现没修好就继续调整，直到拿到真实的测试结果。

表面上看，它们都在调用大模型，甚至底层可能是同一个模型，但最终交付出来的东西完全不是一回事。

这也是为什么很多开发者喜欢 Claude Code。它从一开始就是围绕真实软件工程任务设计的，终端、Git、项目上下文、claude.md、Skills、Hooks、Subagents，包括整个任务执行和验证循环，都是为了让模型能在一个真实项目里持续工作。开发者看重的不是它会不会生成代码，而是它能不能理解现有项目、连续执行任务、发现错误再修复，尽量减少人工反复接管。

Codex 其实也有相当完整的 Agent Harness，也支持终端执行、项目规则、工具调用、代码测试、多 Agent 等工程能力。所以有人把 Claude Code 打 10 分、Codex 打 5 分，我觉得更应该把它理解为特定人的使用体验，而不是已经被证明的技术排名。不同模型、推理强度、任务类型和执行环境，都可能改变最后的结果。

至于 WorkBuddy，问题又不太一样。腾讯对 WorkBuddy 的定位本身就更偏向通用办公、业务自动化和桌面工作台，而专门面向智能编码的产品还有 CodeBuddy。WorkBuddy 并不是不能编程，它同样支持终端、Skill、MCP 和一些开发工作流，但一个覆盖办公、文件、连接器、业务协作的通用 Agent，和一个长期围绕软件工程打磨的专业 Coding Agent，默认体验本来就不一定相同。

更关键的是，Agent 的整个执行链路只要有一个地方不稳定，体验就可能直接崩掉。

上下文压缩出了问题，它可能忘记之前的要求；工具调用失败，它可能根本没有执行操作；沙箱卡住，它可能一直停在思考中；代码没有经过测试，它可能把半成品当成交付结果。WorkBuddy 自己的更新日志中，也确实出现过修复会话异常、沙箱卡顿和连接器问题的记录。当然，修复记录不代表现在依然存在相同问题，但足以说明 Agent 的工程稳定性有多重要。

所以我现在越来越觉得，很多开发者口中的 Agent 好不好用，本质上比较的不是哪个聊天窗口更聪明，而是谁能够把一件复杂任务真正推进到最后。

一个 Agent 需要你每隔几分钟就去纠正、重新解释需求、检查执行进度，另一个 Agent 能够连续处理问题、自己调试并给出真实结果，对开发者来说，这两者创造的价值确实可能相差非常大。

以前大家比的是谁家的模型参数更多、推理更强、Benchmark 分数更高。现在模型能力依然重要，但当模型真正进入工程环境，竞争就不再只有模型这一层了。

模型决定它能不能想明白，Harness 决定它能不能持续做下去，工具和执行环境决定它能做什么，测试与反馈机制决定你能不能相信它的结果。

这也解释了为什么接入一个很强的大模型 API，并不意味着你就能做出一个很强的 Agent。

当然，我也不认为 Claude Code 永远比 Codex 强，更不能说 WorkBuddy 在所有任务里都只有 0.5 分。办公协作、业务连接和复杂代码开发本来就不是同一个赛道。真正公平的比较，应该把相同的任务、仓库、模型条件、成本和验收标准摆出来，看最终谁能完成交付。

但有一点我现在越来越确定：未来 Agent 的竞争，绝对不只是 API 的竞争，更是 Harness、工程系统、工具生态和任务完成能力的竞争。

一个会回答问题的 AI，和一个能持续完成任务的 AI，中间隔着的可能是一整套软件工程体系。

真正值钱的，不是让 AI 告诉你它会干什么，而是让 AI 把事情干完，并且拿出证据证明它真的干完了。

network

AI 时代最可怕的事情，不是某个职业会被取代，而是你过去花了几年建立起来的专业门槛，正在被 AI 一点点抹平。

以前很多人觉得，AI 会写代码，所以软件工程师危险，但硬件工程师不一样，毕竟涉及电路、芯片、PCB、嵌入式设备，总不能让 AI 隔着屏幕焊电路板吧？

但现在这个逻辑已经开始站不住脚了。

Codex、Claude Code 这些 Agent，只要接入对应的工具链，已经可以编写嵌入式程序、编译、烧录 ESP32、读取日志、自动调试，甚至开始参与 PCB 设计和硬件验证。

当然，距离完全替代工程师还差得很远。

但真正可怕的是什么？

AI 正在从辅助你工作，变成直接替你完成工作。

以前你花几个月掌握的某些技能，现在别人可能通过自然语言就能让 AI 完成其中相当一部分。

而且我觉得，不管是软件工程师、硬件工程师，还是现在特别火的 AI 工程师，都面临同一个问题：当你的专业技能越来越容易被 AI 复制，你的核心竞争力到底还剩下什么？

我最近做企业 AI 落地，越来越发现，真正困难的往往不是写代码，而是理解客户需求、设计系统、解决实际问题，以及最后能不能稳定交付。

AI 能写代码，不代表它能独立承担一个复杂项目的全部责任；AI 能设计电路，也不代表产品就一定能可靠量产。

但这也意味着，未来只会写代码、只会调用工具、只会完成标准化任务的人，竞争压力可能越来越大。

还有一个更现实的问题：如果基础开发任务都被 AI 接管，未来的初级工程师又该通过什么方式积累经验？

我觉得这才是最值得思考的。

AI 正在让实现一个功能变得越来越便宜，但理解问题、做出判断、验证结果、完成交付的价值，反而可能越来越重要。

未来真正危险的，或许不是某一种工程师，而是那些一直把过去的技能门槛，当成未来护城河的人。
Coloso_ZH
@Coloso_ZH

network

量化圈这两天，是不是被同一个名字反复刷屏？

NautilusTrader——GitHub 星标已经突破 26000 的开源交易引擎。我翻完一圈，脑子里只剩一个念头：这玩意儿是真能扛活。

它到底猛在哪儿？给你扒一扒👇

1️⃣ 核心用 Rust 撸出来，性能拉满，还不爱挂，内存安全也让人心里踏实

2️⃣ 策略层交给 Python 写，手感顺滑，底层那些硬骨头压根不用碰

3️⃣ 最炸的一点：回测那套代码一行不动，转头就能上实盘。架构是同一套，时间模型也是同一套，研究跟生产完全是一回事

那种回测像天堂、实盘亏到想退圈的老戏码，这东西就是专门来终结它的。

加密货币、外汇、股票、期货、期权，全都能对接；多交易所同时跑，纳秒级回测，连训练 AI 交易 agent 都顶得住。

搞量化的、玩高频繁的、写策略的，别划走，先存起来。

🔗 https://github.com/nautechsystems/nautilus_trader