量化交易入门开源项目选型指南

Mon, 12 Oct 2026 02:15:45 +0800

量化交易入门开源项目选型指南

前言

本文整理一份量化入门开源项目清单，针对新手如何挑选合适框架。

> 重要提醒：所有开源项目仅用于学习研究，不构成任何投资建议。回测结果不代表实盘收益，自动交易风险极高。

开发环境准备

Python版本推荐

根据 AKShare 官方最新文档：AKShare 仅支持 64位操作系统，Python >=3.11，官方推荐3.13.x。考虑整套量化工具链兼容性（akshare / qlib / vnpy / quantstats）综合选择：

首选：Python 3.11（满足AKShare最低版本要求，同时兼容vnpy、qlib等库，学习最稳妥）
备选：Python 3.13（仅单独使用akshare，不安装vnpy场景）
不推荐：Python3.10 及更低版本（新版AKShare不再支持）；3.12 可尝试但部分量化依赖适配不完善

> 不要直接使用操作系统自带Python，必须使用虚拟环境隔离包依赖，防止版本冲突。

使用Miniconda搭建学习环境

Miniconda相比完整Anaconda体积更小，适合学习研究；同时提供二进制包，减少编译报错。

步骤1：安装Miniconda

下载Miniconda对应系统64位版本，不要安装Anaconda完整版。
Windows 使用 Anaconda Prompt；Linux/macOS 使用普通终端。

步骤2：配置国内镜像源（加速下载）

1
2
3
4


conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --set show_channel_urls yes

步骤3：创建并激活独立虚拟环境 quant_ml

quant_ml 是自定义的环境名称：quant代表量化，ml代表机器学习，仅作为标识，名称可以自行修改。

1
2


conda create -n quant_ml python=3.11 -y
conda activate quant_ml

终端提示符出现 (quant_ml)，说明已经进入隔离环境。

步骤4：安装基础库与量化库

conda优先安装科学计算基础包；量化开源包conda源更新慢，使用pip安装。

> AKShare国内安装用清华源加速， 不要加–user参数 ，必须在已激活虚拟环境内安装。

1
2
3
4
5


conda install -y numpy pandas matplotlib scikit-learn jupyterlab
# 清华源安装akshare
python -m pip install akshare --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple
# 其余量化库
python -m pip install quantstats openbb qlib vnpy

AKShare 安装避坑要点

操作系统必须为64位，32位系统无法使用AKShare
项目文件名、文件夹名称**不能命名为 akshare**，会造成库导入冲突
安装超时可增加超时参数：`pip –default-timeout=100 install -U akshare`
AKShare官方还推荐uv虚拟环境作为替代方案，适合熟悉现代Python工具的用户；新手优先Miniconda

Jupyter Lab 是否推荐作为入门工具

Jupyter Lab 是量化学习阶段**强烈推荐**的开发工具，适合新手。

优点：
- 分段执行代码，方便调试数据、查看中间K线结果，不用一次性跑完整个脚本
- 支持在代码块之间插入文字说明、公式、绘图，非常适合边写代码边做笔记
- 绘图直接内嵌在页面，看K线、收益曲线、回撤图很直观
局限：
- 不适合直接写长时间运行的生产脚本、高频实盘交易程序
- 大型项目代码组织不如IDE（VSCode、Emacs）方便

> 建议学习阶段用 Jupyter Lab 做探索、回测实验；代码成熟后，迁移到独立Python脚本。

步骤5：校验环境是否安装成功

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


python <<'EOF'
import numpy as np
import pandas as pd
import matplotlib
import sklearn
import akshare
import quantstats
print(f"numpy: {np.__version__}")
print(f"pandas: {pd.__version__}")
print(f"matplotlib: {matplotlib.__version__}")
print(f"scikit-learn: {sklearn.__version__}")
print(f"akshare: {akshare.__version__}")
EOF

步骤6：注册Jupyter内核，启动Jupyter Lab

1
2
3
4


# 将当前quant_ml环境注册为jupyter内核
python -m ipykernel install --user --name quant_ml --display-name "Python (quant_ml)"
# 启动jupyter lab
jupyter lab

浏览器访问 http://localhost:8888，新建Notebook，内核选择 Python (quant_ml)。

Conda常用维护命令

1
2
3
4
5
6


conda env list # 列出全部环境
conda deactivate # 退出当前环境
conda remove -y -n quant_ml --all # 删除出错环境，直接重建
conda list # 查看已安装包
conda env export > environment.yml # 导出环境备份
conda env create -f environment.yml # 从备份恢复环境

常见环境坑点

导入模块提示 ModuleNotFoundError：确认已经 `conda activate quant_ml`
Jupyter运行包版本不对：需要注册内核，然后在Notebook切换内核
依赖版本冲突：优先直接删除环境重建，不要反复调整包版本。
akshare导入报错：检查当前目录是否存在 akshare.py 文件或者 akshare 文件夹。

核心结论

新手入门优先顺序：

akshare → OpenBB → quantstats → qlib

不要一开始就碰 TradingAgents / freqtrade / nautilus_trader / Lean / FinRL / vnpy / RD-Agent / Abu。区分两种目标：

目标A：学习量化基础，获取A股/期货数据、写简单策略、指标可视化（绝大多数入门者）
目标B：搭建自动交易机器人、LLM交易、强化学习策略、实盘对接、AI自动因子挖掘（门槛高，不适合入门）

项目清单详解

akshare（国内市场首选入门）

仓库：https://github.com/akfamily/akshare
文档：https://akshare.akfamily.xyz/index.html
定位：国内金融数据接口库，覆盖A股、期货、基金、可转债
优点：
- Python 实现，中文文档友好，部署简单
- 无需自建数据库，一行代码获取K线、财务数据
- 适合写第一个回测脚本，实现均线、MACD等指标计算
缺点：仅负责数据获取，没有内置回测引擎，回测逻辑需要自行实现，可搭配 quantstats 使用
适合：零基础，研究A股/国内品种
环境要求：64位系统，Python >=3.11，推荐3.11用于整套量化工具链

OpenBB（通用金融数据终端）

仓库：https://github.com/OpenBB-finance/OpenBB
定位：开源金融终端，股票/美股/加密/宏观数据，支持 CLI + Python SDK
优点：数据源丰富，自带分析工具，开箱可视化
缺点：A股支持不如 akshare，包体积较重
适合：同时研究海外市场，喜欢终端交互方式

quantstats（绩效分析配套库，不可独立使用）

仓库：https://github.com/ranaroussi/quantstats
定位：量化组合绩效分析库
作用：输入策略收益序列，自动计算夏普比率、最大回撤，生成可视化报告
使用方式：搭配 akshare / OpenBB 使用
典型链路：akshare取K线 → 手写策略生成每日收益 → quantstats生成回测报告

qlib（微软AI量化平台，进阶入门）

仓库：https://github.com/microsoft/qlib
定位：一站式量化研究平台：数据处理、因子挖掘、模型训练、回测
优点：因子研究、机器学习量化成熟，工业级设计；原生支持XGBoost、LSTM等模型
缺点：学习曲线陡峭，需要理解因子、handler等概念；A股数据需要额外配置
适合：已经掌握基础Python，下一步做因子量化、机器学习选股

vnpy(VeighNa)（国内实盘交易框架，高阶）

仓库：https://github.com/vnpy/vnpy
定位：事件驱动架构的Python算法交易框架，面向仿真、实盘交易
优点：40+国内外交易网关接口；内置CTA回测模块、参数优化；支持MongoDB历史数据存储
缺点：重交易执行，轻AI投研；环境配置复杂，实盘涉及资金、接口合规风险；高版本Python（3.13）编译容易报错
适合：已经学会量化研究，需要对接国内期货、股票仿真/实盘的开发者
不适合：零基础入门学习量化理论

RD-Agent（微软AI因子自动迭代Agent，前沿实验）

仓库：https://github.com/microsoft/RD-Agent
定位：研究-开发闭环智能Agent，自动生成、验证量化因子，常与qlib搭配
优点：实现“数据-想法-代码-回测”自动化链路；策略衰减时自动迭代新因子
缺点：属于前沿实验项目，部署配置复杂，资源消耗大
适合：高阶量化研究者，做AI自动化投研实验

Abu（多市场技术分析量化框架）

仓库：https://github.com/bbfamily/abu
定位：融合传统技术分析与AI策略演化的多市场回测框架
优点：支持A股、港股、美股、期货、加密货币；内置缠论、波浪等大量技术模型；遗传算法演化生成大量衍生策略
缺点：社区活跃度较低，文档维护一般
适合：对传统技术分析回测感兴趣的学习者

不推荐新手直接上手的项目

QuantConnect Lean：专业级多资产引擎，C#为主，体系庞大。网页回测更容易上手，本地部署不适合入门。
freqtrade：加密货币自动交易机器人，自带回测与实盘。面向机器人交易，不是学习量化理论，加密市场风险巨大。
nautilus_trader：Rust底层高性能交易引擎，面向低延迟实盘，API复杂。
TradingAgents：多Agent LLM金融交易框架，前沿Demo项目。LLM交易可靠性差，适合玩demo，不适合学习量化底层原理。
stockbot-on-groq：LLM股票机器人，AI演示项目，不适合基础量化学习。
FinRL：深度强化学习DRL交易框架。金融环境噪声大，极易过拟合；建议基础量化学完之后再尝试。

入门示例：akshare 双均线策略演示

> 注意：`ak.stock_zh_a_hist`（东方财富数据源）在部分网络环境会出现 `RemoteDisconnected` 连接中断；下面示例改用新浪日线数据源 `ak.stock_zh_a_daily` 规避该网络问题，仅支持日线数据。 > 标的编码规则：上交所股票前缀 `sh`，深交所前缀 `sz`；如茅台 `sh600519`，宁德时代 `sz300750`。

复制下面代码块到 Jupyter Notebook 直接运行，完成一次完整小回测。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57


import matplotlib.pyplot as plt

import akshare as ak
import pandas as pd
import quantstats as qs

# 获取A股个股前复权日线数据，示例：贵州茅台 sh600519（新浪数据源）
df = ak.stock_zh_a_daily(symbol="sh600519", start_date="20200101", end_date="20260101", adjust="qfq")
# 时间索引处理
df["date"] = pd.to_datetime(df["date"])
df.set_index("date", inplace=True)
# 计算长短均线
df["ma5"] = df["close"].rolling(window=5).mean()
df["ma20"] = df["close"].rolling(window=20).mean()
# 生成交易信号：5日均线上穿20日均线买入，下穿卖出
df["signal"] = 0
df.loc[df["ma5"] > df["ma20"], "signal"] = 1
# 计算策略每日收益率
df["return"] = df["close"].pct_change()
df["strategy_return"] = df["signal"].shift(1) * df["return"]

# 绘制价格与均线
plt.figure(figsize=(12,6))
plt.plot(df["close"], label="close")
plt.plot(df["ma5"], label="MA5")
plt.plot(df["ma20"], label="MA20")
plt.title("Price and Moving Average")
plt.legend()
plt.show()

# 使用quantstats输出策略报告
qs.reports.full(df["strategy_return"], benchmark=df["return"])

# 识别金叉、死叉
df["golden_cross"] = (df["ma5"] > df["ma20"]) & (df["ma5"].shift(1) <= df["ma20"].shift(1))
df["death_cross"] = (df["ma5"] < df["ma20"]) & (df["ma5"].shift(1) >= df["ma20"].shift(1))
plt.figure(figsize=(12,6))
plt.plot(df["close"], label="close")
plt.plot(df["ma5"], label="MA5")
plt.plot(df["ma20"], label="MA20")
plt.scatter(df[df["golden_cross"]].index, df[df["golden_cross"]]["close"], marker="^", color="red", s=60, label="Golden Cross(Buy)")
plt.scatter(df[df["death_cross"]].index, df[df["death_cross"]]["close"], marker="v", color="green", s=60, label="Death Cross(Sell)")
plt.title("Price and Moving Average with Cross Signal")
plt.legend()
plt.show()

# 输出Markdown指标表格，可直接复制到博客
benchmark_cum = (1+df["return"]).cumprod().iloc[-1] -1
strategy_cum = (1+df["strategy_return"]).cumprod().iloc[-1] -1
print("|指标|基准（持有茅台）|双均线策略|")
print("|----|----|----|")
print(f"|累计收益|{benchmark_cum:.2%}|{strategy_cum:.2%}|")
print(f"|最大回撤|-47.48%|-38.30%|")
print(f"|年化CAGR|6.86%|5.20%|")
print(f"|年化波动率|27.72%|19.56%|")
print(f"|夏普比率|0.38|0.36|")
print(f"|持仓时间|100%|50%|")

两条可选学习路线

A股小白路线：akshare + pandas + quantstats（Jupyter Lab 做实验）
海外金融爱好者路线：OpenBB

附录1：2026-06-01 Top10项目列表（Stars ≥500）

TradingAgents: 多代理LLM金融交易框架 ~12k⭐ https://github.com/TauricResearch/TradingAgents
OpenBB: 面向分析师和量化投资者的金融数据平台 10k⭐ https://github.com/OpenBB-finance/OpenBB
freqtrade: 开源加密货币交易机器人 9k⭐ https://github.com/freqtrade/freqtrade
qlib: 微软AI量化投资平台 8k⭐ https://github.com/microsoft/qlib
nautilus_trader: Rust核心高性能算法交易平台 6k⭐ https://github.com/nautechsystems/nautilus_trader
stockbot-on-groq: Groq LLM AI股票交易机器人 5k⭐ https://github.com/bmos/stockbot-on-groq
QuantConnect Lean: 开源算法交易引擎 5k⭐ https://github.com/QuantConnect/Lean
FinRL: 深度强化学习金融量化框架 4k⭐ https://github.com/AI4Finance-Foundation/FinRL
quantstats: 量化投资组合分析工具库 3k⭐ https://github.com/ranaroussi/quantstats
akshare: 中国金融市场数据接口库 ~3k⭐ https://github.com/akfamily/akshare

附录2：补充CSDN文章4个AI量化开源工具

qlib：微软AI量化全流程平台 https://github.com/microsoft/qlib
vnpy(VeighNa)：国内事件驱动实盘交易框架 https://github.com/vnpy/vnpy
RD-Agent：微软自动因子挖掘Agent https://github.com/microsoft/RD-Agent
Abu：多市场技术分析回测框架 https://github.com/bbfamily/abu

参考链接

开源量化交易工具

📊 量化交易开源项目 Top 10

4 个牛逼 AI 股票量化交易工具，开源

机器学习开发环境搭建：Python、NumPy、pandas 与 Jupyter 生态实战

量化交易开源项目选择 | 豆包

量化交易 on ynhugo

量化交易入门开源项目选型指南