12 个开源量化工具,从拉数据到绩效分析一条链配齐

做量化最容易劝退新人的,不是策略想不出来,是动手前的一堆脏活:数据从哪拉、拉回来怎么清、回测框架自己搭还是用现成的、跑完一堆净值怎么算夏普和最大回撤、想做组合优化还得翻出均值方差的公式。每一步都有轮子,可轮子散落在几十个 GitHub 仓库里,光是挑和装就够耗掉一个周末。

站里"量化交易"这一类下现在有 12 个开源项目,凑一起差不多能把从拉数据、回测、选股到绩效分析的整条链路配齐。下面按这条链路捋一遍,你缺哪一环就挑哪一个,不用全都装。

一、先解决数据

策略再好,没有干净的行情喂进去也是空谈。这一环有两个绕不开的。

AKShare——国内量化几乎人手一个的财经数据接口库。股票、期货、期权、基金、宏观、另类数据一把接口全覆盖,一行 ak.stock_zh_a_hist() 就把 A 股历史行情拉下来,返回的直接是 pandas DataFrame,接着就能算。纯 Python、开源免费,省掉了到处找数据源、逐个对接的功夫。

easy-tdx——如果你要的是实时行情和 Level-2 这类更贴近盘口的数据,这个免费的量化行情 SDK 直连通达信数据,分时、K 线、财务、龙虎榜都能取,做实盘信号时比纯历史数据更够用。

二、回测与交易框架

数据到手,接下来是把策略跑起来。自己从零搭一套事件驱动引擎不现实,这三个是成熟选择。

Backtrader——Python 回测框架里的老牌标杆。指标、策略、经纪商、仓位管理都封装好了,写策略只用关心信号逻辑,内置几十种技术指标,还能无缝切到实盘。文档详尽、社区活跃,新手入门量化回测的第一站基本都是它。

VeighNa(原 vn.py)——国内最成熟的开源量化交易系统,注意是"系统"不是"库":它带完整的图形界面,对接了国内几乎所有主流期货、股票、数字货币的交易接口,CTA、价差、算法交易、组合管理一整套模块齐活,是很多人从回测走向实盘的那道桥。下面这张就是它跑完一个策略后出的回测报告——收益、Alpha、换手率分面画好:

FinRL——想用强化学习做交易的看这个。它把金融市场包装成 Gym 风格的环境,提供从训练、回测到交易的完整流水线,还分出了 FinRL-Meta 环境库、ElegantRL 算法层等一整个生态,是深度强化学习入金融这条路上绕不开的框架。

三、选股与扫描

框架解决"怎么跑",选股解决"跑什么"。把全市场几千只股票按条件筛一遍,靠人翻是不可能的。

stock-screener——一个做得相当漂亮的开源股票扫描平台。市场快照、板块强弱、扫描候选、回测一屏铺开,每只股票配 30 天价格和相对强弱的迷你走势图,敲个条件就把符合的标的筛出来,盘前扫一眼就知道今天该盯哪几只:

InStock——针对 A 股的量化选股加回测系统。它把毛利率、净利润增长率、营收复合增速这些基本面指标做成可排序可筛选的综合选股表,配合技术面一起打分,适合做基本面选股的人:

Sequoia-X——A 股选股加自动化交易工具,把选股、下单串成一条自动化流程,适合已经有明确策略、想减少手工操作的人。

四、AI 投研 Agent

这一年冒出来最快的一类:让多个大模型 Agent 分工做投研,一个看基本面、一个看技术面、一个看舆情,最后汇总。

TradingAgents-astock——基于 65K Star 的 TradingAgents 做的 A 股深度特化 fork,多个 Agent 各司其职地对一只票做分析辩论。全 Apache 2.0 开源、pip install 即跑、零外部服务依赖。

Vibe-Trading 和 OpenAlice——两个把 AI 接进交易流程的项目,前者偏"用自然语言驱动量化",后者是 AI 自动化交易框架,想探索大模型怎么参与决策的可以拿来拆。

五、绩效分析与组合优化

策略跑完,最后一步是评估。别再手写夏普和最大回撤了。

ffn——把这套金融函数封装好、测好的 Python 库。calc_stats() 一次调用吐出总收益、年化、夏普、索提诺、最大回撤、卡玛、胜率几十项绩效;calc_mean_var_weights() 一行算出马科维茨最优权重,组合配比直接配好。回撤水下曲线、净值 rebase 对比、相关性矩阵这些图也都能直接出:

怎么搭这条链

真要从零起步,一条最短路径是:AKShare 拉数据 → Backtrader 或 VeighNa 跑回测 → ffn 出绩效。选股需求上 stock-screener 或 InStock,想玩 AI 投研再叠 TradingAgents-astock。全都免费开源,点开上面任意一个名字就是详细介绍和项目地址。

最后提一句:这些都是学习、研究和回测用的工具,项目本身多数也写明了不构成投资建议。真金白银入市前,策略在历史数据上跑得好看,不等于未来能赚钱——这一点比任何一个工具都重要。