开源量化平台汇总

network

高盛给每个量化研究员开约 70 万美元年薪，靠的就是这个仓库！

它叫 gs-quant，由高盛自己的量化团队开发和维护，已经 12.9k 星。

先搞懂它是怎么运作的：

1. 高盛的量化研究员自己写了这套技能：8 个文件、1847 行，教 Claude 用他们的工具包：定价、风险、投资组合、行情数据、回测、互换、互换期权、外汇期权、Delta 对冲、交易成本，全在里面。
它甚至列出了你会遇到的报错，以及怎么修。

2. Claude 每次写 gs-quant 代码都会自动调用它，风险数学直接在你笔记本上跑：波动率、回撤、z 分数、beta、RSI。

下面是你自己免费跑起来的步骤：

1. 打开 Claude Code，装高盛的库：pip install gs-quant，或者直接拉这个仓库——https://github.com/goldmansachs/gs-quant

2. 添加技能：python -m gs_quant.skills install --global

3. 让 Claude 用 finance 拉任意股票和 SPY 的 5 年日线价格

4. 在上面跑高盛的风险数学：波动率、最大回撤、z 分数、布林带、RSI

5. 看 60 天 beta 和相对 SPY 的相关性。到底是这只股票在动，还是整个市场在动？

6. 标出 z 分数跌破 -2 的每一天。那意味着价格比正常水平低了 2 个标准差

7. 回测一条规则：-2 以下买入，回到 0 卖出，算上手续费。Claude 写代码，在你笔记本上跑

8. 拿它跟一直持有对比。如果扣掉手续费还跑不赢买入持有，那就不是优势

network

本周金融 + AI 领域增长最快的 GitHub 仓库：

1. Kronos (+2,653 ★)

开源K线图基础模型，基于45+交易所的数据训练。你输入价格历史，它预测接下来的K线。自四月以来代码未变，人们只是刚刚发现它。

http://github.com/shiyu-coder/Kronos

2. TradingAgents (+1,944 ★)

多代理LLM交易框架：分析师、研究员、交易员和风控团队在每笔交易前争论。再次登顶#2，现在有113K星。

http://github.com/TauricResearch/TradingAgents

3. day-trader-skill (+972 ★)

11个用于日内交易的Claude技能。图表扫描器、新闻追踪器、入场和止损规划器，以及一个“时间机器”，在你交易前将交易时段回放10,000次。默认纸上交易。4天前发布。

http://github.com/Jakeschincariol/day-trader-skill

4. Vibe-Trading (+821 ★)

来自HKUDS的个人交易代理。用纯英文进行研究、策略草稿、回测，MCP支持。

http://github.com/HKUDS/Vibe-Trading

5. last30days-skill (+730 ★)

代理技能，可跨Reddit、X、YouTube、HN和Polymarket研究任何话题，并根据点赞、赞和真金白银排名结果。

http://github.com/mvanhorn/last30days-skill

6. daily_stock_analysis (+487 ★)

针对美国、中国、香港等的LLM股票分析。每天通过Telegram、Discord或邮件发送决策仪表板。

http://github.com/ZhuLinsen/daily_stock_analysis

7. FinceptTerminal (+412 ★)

开源Bloomberg风格终端。市场数据、研究和AI代理集成在一个桌面应用中。

http://github.com/Fincept-Corporation/FinceptTerminal

8. freqtrade (+360 ★)

经典开源加密货币交易机器人，带有机器学习模块（FreqAI）。回测、Telegram控制，支持Hyperliquid。

http://github.com/freqtrade/freqtrade

9. tick-stock-panel (+346 ★)

自托管的中国A股量化工作台。LLM构建你的策略，然后回测和监控。65个API端点 + 一个MCP服务器。

http://github.com/shy3130/tick-stock-panel

10. OpenBB (+294 ★)

面向分析师、量化分析师和AI代理的开源数据平台。股票、期权、加密货币、宏观经济。带有MCP服务器。

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

收藏这个，今天就开始吧。

network

radingView 上别人写的量化策略，现在居然能让 AI 直接把源码挖出来！

一次收集 100 套交易策略，再筛出使用 ATR 止损、SuperTrend 的代码，连自己的策略库都能建！

项目叫 tradingview-indicator-search-mcp-server。

它是一套专门为 AI Agent 开发的 TradingView MCP 工具，内置 7 个功能，无需 TradingView 账号或 API Key。

核心能力：

1️⃣ AI 指标搜索：通过自然语言寻找趋势、突破、均值回归等公开策略。

2️⃣ Pine Script 源码：输入指标链接，直接获取公开源码，研究买卖信号。

3️⃣ 作者与精选脚本：查询指定作者的指标，浏览 TradingView 编辑精选。

4️⃣ 批量策略采集：自动收集指标和源码，存入本地 SQLite 数据库。

5️⃣ 本地代码检索：按 ta.supertrend、strategy.entry 等代码筛选策略。

6️⃣ AI Agent + MCP：支持 Claude Code、Cursor，Codex 也可通过标准 MCP 协议接入。

我觉得最厉害的，是它让 AI 不只是帮你写 Pine Script，还能直接研究别人已经公开的量化策略。

比如先收集 100 套趋势策略，再筛选使用 ATR 止损的代码，让 AI 分析这些策略的进出场逻辑。

指标搜索 → 源码采集 → 本地检索 → AI 量化研究。

原本需要在 TradingView 上反复翻找的工作，现在可以交给 AI 辅助完成。

经常使用 TradingView、Codex、Claude Code，或者想用 AI 研究 Pine Script 股票量化策略的，这个项目值得收藏。

https://github.com/daviddme/trad ... r-search-mcp-server

network

直接从顶级公司免费学习 AI。

1 - Anthropic:  
http://anthropic.skilljar.com

2 - Google:  
http://grow.google/ai

3 - Meta:  
http://ai.meta.com/resources/

4 - NVIDIA:  
http://developer.nvidia.com/cuda

5 - Microsoft:  
http://learn.microsoft.com/en-us/training/

6 - OpenAI:  
http://academy.openai.com

7 - IBM:  
http://skillsbuild.org

8 - AWS:  
http://skillbuilder.aws

9 - http://DeepLearning.AI:  
http://deeplearning.ai

10 - Hugging Face:  
http://huggingface.co/learn

如果觉得有用，请评论“Learning”。

转发让其他人也能受益。

务必收藏以备将来参考。

network

TradingView 连跌了分批买、反弹再卖的网格交易策略，都有人直接开源了！

10 档价格网格、自动买卖信号、止盈止损，连历史回测都能直接跑，做量化的可以看看！

这个开源项目叫 Grid Spot Trading Algorithm V2。

它基于 Pine Script v6，把现货网格交易的买卖规则写成了一套完整策略，复制源码就能在 TradingView 研究和回测。

核心能力：

1️⃣ 10 档价格网格：自定义价格上下限，自动划分买入和卖出区域。

2️⃣ 自动分批买入：最多设置 5 笔限价单，每笔约使用 20% 的策略资金。

3️⃣ 五档止盈选择：自由调整卖出目标，价格反弹到指定位置后平仓。

4️⃣ 动态止损保护：自定义止损价，触发后关闭全部持仓。

5️⃣ TradingView 回测：直接测试历史行情，分析交易次数、收益和策略表现。

我觉得最有意思的，是它把原本需要手动挂单的网格交易，变成了可以直接验证的量化策略。

比如研究 AAPL、TSLA 等美股，可以先设置 10 档价格网格，股价回落时分批买入，反弹到目标价位再逐步卖出，通过历史回测研究策略表现。

网格设置 → 分批买入 → 反弹止盈 → 策略回测。

而且源码完全公开，可以直接修改参数，研究哪种网格设置更适合不同的震荡行情。

经常使用 TradingView、研究网格交易，或者想开发自己的量化策略的，这套源码值得收藏。

https://github.com/Al0010/grid-spot-algorithm-trading

network

很多人看到$NVDA、$MU、$SNDK突然出现大额成交，就说机构正在偷偷吸筹。但实际上，公开市场之外还有大量交易，而所谓的暗池成交，并不能直接证明机构正在买入。

分享两个查询美股场外交易数据的网站。

第一个是FINRA OTC Transparency。

这是美国金融业监管局提供的官方数据平台，可以查询股票在另类交易系统（ATS）以及非ATS场外交易渠道中的成交情况。

进入网站后，选择ATS Issue Data，输入$NVDA、$MU或者其他股票代码，就能查看特定统计周内不同暗池的成交股数和交易笔数。

例如，一只股票在交易所公开成交之外，还可能有大量股份通过ATS完成交易。只看交易所订单簿，很难了解完整的成交分布。

这里需要区分ATS和Non-ATS。

ATS通常包含大家熟悉的暗池交易系统，而Non-ATS还包括批发做市商等场外执行渠道。不是所有场外成交都属于暗池。

第二个是Tapeboard。

这个网站把FINRA披露的暗池数据整理成更容易阅读的形式。

进入Dark Pool Tracker，可以直接搜索股票代码，查看不同暗池的成交量、历史趋势，以及ATS和非ATS场外成交之间的差异。

相比FINRA原始数据，适合不想自己下载文件整理的投资者。

不过，这两个网站都有一个重要限制：FINRA的公开周度数据存在延迟。大型股票通常延迟约两周，其他部分股票约四周。

而且成交量本身并没有告诉你哪一方在主动买入、哪一方在主动卖出。

暗池出现大量成交，并不能直接证明机构正在建仓。同样，暗池成交量减少，也不代表机构一定在撤离。

对于$MU、$NVDA这类机构交易活跃的股票，可以把场外成交数据与股价、成交量和机构持仓变化结合起来研究。

暗池数据的价值，是帮助投资者了解交易发生在哪里，而不是提供一个能够提前预测股价的买卖信号。

网站地址：

FINRA：
https://otctransparency.finra.org/otctransparency/
Tapeboard：
https://tapeboard.com/dark-pool-tracker

network

GitHub 上这个开源 AI 交易系统已经 1.3 万星了

https://github.com/OpenByteInc/QuantDinger

研究、写 Python 策略、回测、模拟盘、实盘，一整套全开源

我的态度很简单：回测和模拟盘可以随便玩，实盘先别急着接

我自己的交易员 bot 也是这么设计的
只负责回测和写 TradingView 指标，一单都不替我下

原因就一个
AI 写策略很快，可是行情一变，它不会自己害怕

准备先拉下来，拿几个我常用的币圈策略跑一遍模拟盘，看看跟我的回测结果差多少

network

在 GitHub 上挖到一个开源金融 Agent：LangAlpha，把数据接口全聚合好了

估计不少人都试过自己用 Codex / Claude 手搓投研 Agent，最大的痛点其实是：行情 API 碎片化、SEC 财报清洗困难、图表渲染各种报错……但其实开源社区已经有人把高精度的行情接口、财报解析和可视化管道全部封装调教好了，美股 / Crypto / 全球市场等等都支持，完全可以直接拿来当底层基础设施用

我自己实测选了个 SK海力士：给一句话指令，AI 就自动识别关键价格区间并把支撑阻力线精准画在 K 线上；接着让它跑财报，它在后台直接拉取原版财报底稿硬算业务拆解，几秒钟就生成了一份排版极其工整、带收入瀑布图（Revenue Bridge）的深度研报

看了一下 LangAlpha
@ginlixai
的逻辑是：它内置了一个完整的确定性 Python 计算沙箱，抓到底稿后是用 pandas 硬算 DRAM/NAND 各项业务占比和财务变动；配合预集成的多市场金融数据源和 TradingView 画布直通能力，直接把金融数据的获取、验算与图形呈现打通成了一个开箱即用的完整闭环，从底层杜绝了大模型去搜索引擎抓二手新闻然后胡说八道的问题

他们有线上商业 SaaS 平台（免配环境开箱即用，新用户注册送 1000 Credit，无邀请码）： https://langalpha.ai

也可以用 GitHub 开源仓库（Docker 本地部署，自带 Key 随便跑，数据完全私有化且免费）： https://github.com/ginlix-ai/LangAlpha

network

FMZ 把积累多年的量化交易策略直接放上 GitHub，6K Stars、1.9K Forks！

整个仓库超过 5800 个文件条目，趋势、网格、套利、资金费率、高频、期货、Crypto，连 TradingView 策略都能找到。

我以前写量化策略，光交易所 API、订单精度、手续费、滑点这些问题就能折腾好几天。

FMZ 直接公开大量现成策略的源码和交易逻辑，拿来研究、修改，再配合平台回测，省下不少重复开发的时间。

核心能力：

1️⃣ 策略资源丰富：趋势跟踪、网格、套利、马丁、均值回归等大量案例

2️⃣ TradingView 策略：Pine Script 源码，涵盖 EMA、RSI、MACD、Supertrend 等指标

3️⃣ 套利与对冲：跨交易所价差、三角套利、网格交易等实战思路

4️⃣ 多语言支持：JavaScript、Python、C++、Pine Script、麦语言等

5️⃣ 回测与实盘：结合 FMZ 平台测试收益、回撤、成交记录，还能模拟和实盘运行

6️⃣ AI + MCP：FMZ 平台支持 AI 辅助写策略、查询市场数据和调用回测工具

更实用的是，不少案例连下单、平仓、止盈止损的代码都给出来了。

想研究一个交易策略，直接看看别人怎么实现，再改参数、重新回测，比自己从零折腾效率高得多。

不过部分历史策略可能已经失效，实盘前需要验证。

做 Crypto 量化、TradingView 策略研究或者自动交易机器人的，这个值得收藏。

GitHub：
https://github.com/fmzquant/strategies

network

摩根大通、Jane Street 等 6 家顶级金融机构，居然把自己的量化研究和底层技术工具开源到了 GitHub！

找到 6 个很硬核的项目，分别覆盖金融数据、量化分析、风险管理、低延迟优化和高性能基础设施。

以前想研究华尔街的量化技术，很多只能看论文、读技术文章，真正能拿来运行和修改的代码并不好找。

现在有意思了，这些机构直接把部分技术成果公开，普通开发者也能研究他们是怎么解决实际问题的。

分享 6 个值得研究的项目：

1️⃣高盛 GS Quant｜量化金融与风险分析
https://github.com/goldmansachs/gs-quant

高盛开发的 Python 量化工具，覆盖衍生品定价、风险管理、时间序列分析和交易策略研究。

2️⃣摩根大通 python-training｜金融 Python
https://github.com/jpmorganchase/python-training

摩根大通为分析师和交易员准备的 Python 培训材料，包含金融数据、数值计算和期权分析等案例。

3️⃣Jane Street magic-trace｜高性能程序分析
https://github.com/janestreet/magic-trace

约 40 纳秒级时间分辨率，追踪程序函数调用，快速定位交易系统的性能瓶颈。

4️⃣摩根士丹利 Xpedite｜低延迟优化
https://github.com/morganstanley/Xpedite

专门分析 C++ 程序性能，检查 CPU 周期、缓存未命中和关键代码执行速度。

5️⃣Jump Crypto Firedancer｜高性能区块链
https://github.com/firedancer-io/firedancer

Jump Crypto 用 C 语言开发的 Solana 验证器，将低延迟系统的性能优化经验用于区块链底层。

6️⃣Man Group ArcticDB｜金融时间序列数据库
https://github.com/man-group/ArcticDB

专门处理海量金融数据，支持 Pandas、历史版本管理和快速查询，适合量化研究和行情存储。

这 6 个项目分开看是工具，结合起来看，能学到不少大型金融机构的技术思路。

比如用 ArcticDB 管理历史行情，GS Quant 做金融分析，再用 magic-trace 和 Xpedite 检查交易程序的性能。

当然，它们并不是下载到一起就能直接跑的交易系统，部分功能还需要授权或额外集成。

但能直接研究这些机构公开的代码、架构和实现方式，本身就很有价值。

做股票量化、金融 AI、高频交易或者 Crypto 基础设施的，这 6 个项目值得一起收藏。