每日一个开源项目（第159篇）：Vibe-Trading - 用自然语言做量化研究，AI 驱动的个人交易 Agent

引言

"把自然语言的金融研究问题，转化为可运行的分析、回测和交易工作流。"

这是"每日一个开源项目"系列的第159篇文章 。今天的主角是 Vibe-Trading------HKUDS（香港大学数据科学实验室）开源的 AI 驱动量化交易研究框架。

量化研究的传统门槛很高：你需要知道用哪个数据 API、怎么处理缺失数据、选哪个回测框架、怎么写策略代码、怎么做统计验证。每一步都可能卡住。

Vibe-Trading 的出发点是：用自然语言描述你想研究什么，让 AI Agent 把后面的技术细节处理掉。"回测 BTC-USDT 的 20/50 均线策略"------一句话，Agent 自动选数据源、拉数据、写策略、跑回测、输出报告。

当然，这不是说它能帮你赚钱。它是一个研究工具，且它自己的安全设计也清楚地说明了这一点：系统默认只读，不托管资金，所有的实盘操作都通过经纪商接口中继。

你将学到什么

自然语言 → 可执行策略的工作流：Plan/Ground/Execute/Validate/Deliver 五阶段
19 个免费数据源和智能 fallback 链的设计
461 个预置 alpha 因子库（Alpha Zoo）
影子账户功能：用你的历史交易数据分析你自己的交易偏误
多 Agent 投资委员会模式
安全设计：AST 沙箱、资金不托管原则

前置知识

了解量化交易的基本概念（策略、回测、alpha 因子）
Python 基础
有 A 股、美股或加密货币交易经验更容易理解适用场景

项目背景

项目简介

Vibe-Trading 是一个开源量化研究工作台，通过 AI Agent 把自然语言的研究意图转化为实际可运行的分析代码和回测流程。

它的定位不是"AI 帮你炒股"，而是"降低量化研究的技术门槛"------让更多人能用上专业量化工具，而不需要先成为软件工程师。

作者/团队介绍

团队: HKUDS（香港大学数据科学实验室）
License: MIT
语言: Python 3.11+

项目数据

⭐ GitHub Stars: 21,800+
🍴 Forks: 3,800+
🛠 Agent 工具: 68 个
📊 Alpha 因子: 461 个
📡 数据源: 19 个免费 + 63+ 付费
📄 License: MIT

五阶段工作流

Plan（规划）

Agent 解析自然语言问题，决定：

调用哪些 Skill
用哪些工具
连接哪些数据源
是否启用多 Agent 协作

Ground（接地）

通过 fallback 链拉取市场数据：

A 股数据链（按 IP 封禁风险从低到高排序）：

复制代码

tencent → mootdx → eastmoney → baostock → akshare → tushare

美股数据链：

复制代码

yahoo → stooq → sina → yfinance → finnhub → alphavantage

加密数据链：

复制代码

okx → ccxt → yfinance

"一个 get_market_data 调用"------上层代码不需要知道底层用哪个源，数据层自动处理 fallback。

Execute（执行）

Agent 生成策略代码，在 AST 沙箱里执行回测。支持的回测引擎：

市场	引擎
A 股	China A-Share Engine
美股	US Equity Engine
港股	HK Equity Engine
印度股市	India NSE/BSE Engine
加密货币	Crypto Engine
中国期货	China Futures Engine
全球期货	Global Futures Engine
外汇	Forex Engine
期权	Options Engine
混合组合	CompositeEngine

Validate（验证）

统计验证方法：

Monte Carlo 模拟
Bootstrap 置信区间
Walk-Forward 测试
策略运行卡（Performance Card）

Deliver（交付）

输出格式支持：

HTML / PDF 报告
Pine Script（TradingView）
TDX（通达信）
MetaTrader 5 MQL5

核心功能详解

自改进 Agent

Agent 的记忆和 Skill 系统：

跨会话持久记忆：之前研究过的策略、发现的规律、做出的假设都被保存下来
87 个 Skill，9 个类别：量化研究、因子分析、风险管理、组合优化等
5 层上下文压缩：处理长时间研究会话的上下文膨胀问题
Skill 自动演化：在研究过程中总结新的 Skill，扩展能力库

Alpha Zoo（因子库）

461 个预置量化因子，一行命令可以批量评测：

bash 复制代码

# 评测 GTJA 191 因子库中前 20 个因子，CSI300 股票池，2018-2025 年
vibe-trading alpha bench \
  --zoo gtja191 \
  --universe csi300 \
  --period 2018-2025 \
  --top 20

输出：每个因子的 IC 均值、IC 标准差、IR、IC 正比率。

支持的因子库：

Qlib158：微软开源量化库的经典因子集
Kakushadze101：学术文献中经典的 101 个 alpha 因子
GTJA191：国泰君安 191 个量化因子
PIT-safe 基本面因子：避免 Point-in-Time 偏差的基本面数据因子

影子账户（Shadow Account）

这是 Vibe-Trading 最有意思的功能之一：上传你的历史交易记录，AI 给你做行为诊断。

bash 复制代码

# 上传券商导出的交易记录
vibe-trading --upload trades_export.csv

# 分析交易行为
vibe-trading run -p "分析我的交易记录，识别交易偏误，提取我的实际交易策略"

诊断的偏误类型：

处置效应（Disposition Effect）：过早卖出盈利仓位，持有亏损仓位太久
过度交易（Overtrading）：频繁操作拉高费用却没有对应的超额收益
追势交易（Momentum Chasing）：涨了追买、跌了割肉的追涨杀跌行为
锚定偏误（Anchoring）：过度依赖某个价格参考点做决策

输出：

量化的偏误程度报告
提炼出的"影子策略"（你的实际行为模式）
和回测基准的对比分析
HTML/PDF 格式的详细审计报告

多 Agent 投资委员会

对于复杂研究任务，可以启动多 Agent 并行：

模式	角色构成
投资委员会	研究员、风险官、组合经理等角色并行分析
量化团队	因子研究、策略开发、回测验证分工协作
加密团队	链上数据分析、DEX 流动性、宏观对冲
风险委员会	多维风险评估和压力测试

各 Agent 并行工作，进度实时流式输出，结果汇总后生成综合报告。

快速开始

安装：

bash 复制代码

pip install vibe-trading-ai

# 包含所有 IM 适配器（Telegram、Slack、Discord、微信、飞书等）
pip install "vibe-trading-ai[channels]"

# 只要 Telegram
pip install "vibe-trading-ai[telegram]"

基础使用：

bash 复制代码

# 策略研究和回测
vibe-trading run -p "回测 BTC-USDT 的 20/50 均线策略，时间范围 2024 年"

# 宏观分析
vibe-trading run -p "分析当前美股科技股的估值水平，和 2000 年互联网泡沫对比"

# 因子研究
vibe-trading run -p "在 A 股中测试动量因子的有效性，2015-2025 年"

# 影子账户分析
vibe-trading --upload broker_export.csv
vibe-trading run -p "识别我最近 2 年的交易行为偏误"

Python API：

python 复制代码

from vibe_trading import Agent

agent = Agent(provider="anthropic", model="claude-opus-4-6")

result = await agent.run(
    "分析 CSI300 的月度动量效应，回测 2015-2025 年，"
    "输出年化收益、夏普比率和最大回撤"
)

Docker 部署：

bash 复制代码

docker compose up -d
# WebUI: http://localhost:3000

经纪商连接

如果需要连接实盘或模拟盘，支持 10 个经纪商接口：

市场	经纪商
美股	Robinhood、Alpaca、IBKR
A股/港股	富途（Futu）、长桥（Longbridge）、老虎（Tiger）
加密	OKX、Binance
印度	Dhan、Shoonya

重要安全设计：

系统不托管资金，只中继交易指令
没有结构性纸/实盘隔离的经纪商默认只读
文件系统级别的紧急停止开关（kill switch）
完整的操作审计日志

安全设计

Vibe-Trading 在安全上做了相当多的工作，对于一个会执行代码的 AI 系统来说这很必要：

AST 沙箱：回测代码在硬化的 AST 沙箱里执行：

bash 复制代码

禁止的操作（编译时拦截）：
  × network calls（不能访问网络）
  × subprocess（不能启动子进程）
  × eval/exec（不能动态执行代码）
  × os.environ（不能读取环境变量）
  × file writes outside designated dirs（不能写入指定目录外的文件）

这意味着 AI 生成的策略代码，即使包含恶意内容，也无法做出上述危险操作。

其他安全措施：

CSRF 防护 + SSRF 防御
速率限制
Docker 多阶段构建，镜像使用 digest 固定版本
SSE 认证使用短期一次性票据

项目地址与资源

🌟 GitHub : HKUDS/Vibe-Trading
📦 PyPI : vibe-trading-ai

总结

Vibe-Trading 代表了一个方向：把量化研究的技术门槛从"需要掌握多个专业工具"降到"能描述你想研究什么"。

461 个预置因子、19 个免费数据源、10 个市场的回测引擎------这些技术深度不是为了炫耀，而是把现实中做量化研究需要踩的坑都预先踩掉，让用户可以专注在研究本身而不是工具集成。

影子账户功能是一个少见但很实用的设计：很多散户投资者有一大堆交易记录，却从来没有系统地分析过自己的行为模式。这个功能可以帮你把"我觉得我是怎么交易的"和"我实际上是怎么交易的"这两个版本对比一下。

安全设计（AST 沙箱、资金不托管、只读默认）说明团队清楚地知道这类系统的风险在哪里，并且把防护做在了正确的位置。

21.8k Stars 来自 HKUDS 这样的学术背景团队，说明它在学术上是可信的，在工程上也经过了认真打磨。

免责声明：本文介绍的是一个开源技术工具，不构成任何投资建议。量化策略的历史回测表现不代表未来收益。

探索 PrimeSkills ------ 精选 AI Agent 与技能的市场，每一个都经过真实企业工作流验证，去掉浮夸，留下真正有用的。

欢迎访问我的个人主页，发现更多有价值的见解和有趣的产品。