GitHub 13.6k Star，这款开源AI量化神器火了！

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑，欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料： 

• 《项目实战（视频）》：从书中学，往事中“练”
• 《互联网高频面试题》：面朝简历学习，春暖花开
• 《架构 x 系统设计》：摧枯拉朽，掌控面试高频场景题
• 《精进 Java 学习指南》：系统学习，互联网主流技术栈
• 《必读 Java 源码专栏》：知其然，知其所以然

01

一个 Docker Compose 栈里跑完 AI 研究、策略编写、回测、模拟盘、实盘执行和监控。代码、数据、密钥都在你自己的服务器上。

涵盖的市场不算少。加密货币走 CCXT，Binance、OKX、Bybit 这些基本都在；美股和 ETF 接 IBKR 和 Alpaca；外汇接 MT5。行情源可以接 Yahoo Finance 和 Finnhub，经济日历默认用 AkShare 和华尔街见闻的免费源。

你手上只要有其中一类账户，就能跑起来。没有 IBKR 也能先用加密货币练手，回测引擎是共用的。

数据从交易所和经纪商进来，经过指标层、信号层、策略层，再到回测或实盘执行。整条链路在本地跑，不依赖外部 SaaS。

这一点对做量化的人其实是硬需求。策略逻辑本身就是资产，把逻辑和密钥交出去，等于把资产托管给别人。

ruoyi-vue-pro

基于 Spring Boot + MyBatis Plus + Vue & Element & Ant Design 实现的后台管理系统 + 用户小程序，RBAC权限、数据权限、SaaS多租户、商城、支付、审批工作流、大屏报表、ERP、CRM、WMS、MES、HRM、EAM、OA、FMS、PMS、AI大模型、AI工作流、AI Agent、IoT物联网、IM实时聊天等功能

项目地址：https://github.com/YunaiV/ruoyi-vue-pro

视频教程：https://doc.iocoder.cn/video/

02

它内置多 LLM 集成，OpenAI、OpenRouter、AtlasCloud 这些都能配。

配上密钥之后，可以在界面里直接让 AI 干活。有个功能叫机会雷达，扫市场找可做的标的；还有个自然语言转代码，你说「当 RSI 低于 30 且成交量放大时买入」，它试着生成对应的 Python 指标代码。

生成完能直接在同界面回测。改一版参数到看到资金曲线，中间不用切窗口。

官方自己也写明了，这不是百分之百能跑通的东西。模型给的是草稿，语法和逻辑都得你自己过一遍。

我觉得这个定位是诚实的。AI 在量化里最合适的角色是把手写的部分提速，不是替你做判断。真拿它生成的代码直接上实盘，属于自己给自己挖坑。

举个例子。它可能把「成交量放大」写成跟前一根 K 线比，也可能写成跟二十日均量比，两种写法在回测里差别很大，而模型不会告诉你它选了哪个。这种地方必须自己盯。

多 LLM 这件事还有个隐含好处。研究阶段可以先用便宜的小模型快速试十几个想法，选出一两个有苗头的，再换强模型把代码和参数磨细。钱花在刀刃上。

yudao-cloud

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element & Ant Design 实现的后台管理系统 + 用户小程序，RBAC权限、数据权限、SaaS多租户、商城、支付、审批工作流、大屏报表、ERP、CRM、WMS、MES、HRM、EAM、OA、FMS、PMS、AI大模型、AI工作流、AI Agent、IoT物联网、IM聊天等功能

项目地址：https://github.com/YunaiV/yudao-cloud

视频教程：https://doc.iocoder.cn/video/

03

它支持两种写法，差别在抽象层级。

IndicatorStrategy 是基于数据框的向量化信号。你写一个 Python 函数，输入是 OHLC 数据，输出买卖信号和图上叠加。适合快速验证想法，写完立刻能看曲线。

ScriptStrategy 是事件驱动的，有 on_init 和 on_bar 回调，可以用 ctx.buy() 和 ctx.sell() 直接控订单。更接近实盘那套状态管理。

两种模式共用同一个回测引擎和实盘执行层。所以典型路径是先在 IndicatorStrategy 里把想法验证出来，再迁到 ScriptStrategy 打磨细节。

这段迁移不是重写。信号逻辑可以照搬，只把向量化那部分换成逐根 bar 的判断，改动量比想象中小。

我更喜欢第二种，因为它能表达「先挂单再撤单」这类时序动作，向量化那套表达不了。

回测在服务端跑，不是前端糊弄人的动画。出来的是资金曲线、最大回撤、交易日志这些指标，跑完可以直接把策略部署成实盘机器人。

回测这块值得多说一句。它会算最大回撤和交易日志，这两个指标比收益曲线诚实。曲线好看但回撤深的策略，实盘很难拿住；交易日志能看出策略是不是靠几笔极端行情撑起来的。看这两个再决定要不要上模拟盘。

04

这部分我看了两遍。

它提供了一个 Agent Gateway 接口，还发了 PyPI 包 quantdinger-mcp。你在界面里生成一个 Agent Token，配进 MCP，Cursor 或者 Claude Code 这类助手就能读行情、管策略、跑回测、下模拟单。

所有调用都有审计日志，谁在什么时候干了什么，事后能查。

实际用法我想到两个。一是让它每天早上扫一遍持仓，把异常的挑出来；二是让它帮忙调参，你说「把止损从百分之二改到百分之一点五，跑一遍三年回测」，它自己调、自己跑、把结果拿回来。后者省的是重复劳动，不是判断。

安全设计上有个细节值得说。Agent Token 默认只能下模拟单，想开实盘还需要 Token 有交易权限、paper_only 设成 false、服务器显式设置 AGENT_LIVE_TRADING_ENABLED=true，以及操作员配置限额和允许列表。

这比那些一上来就要你把 API 密钥填进去的平台谨慎得多。默认模拟、显式开实盘，能降低误下实盘单的风险，但不能把误操作成本保证为零。

05

两种装法。想快速体验，一条命令。

Windows 用 PowerShell。

脚本会问你要管理员账号密码，然后拉镜像、起整个栈，默认 8888 端口，浏览器打开就能登录。第一次拉镜像要等一会儿，几个 G 的量。

生产环境建议手动来，自己控制配置。

国内拉镜像慢的话，在环境变量里加一个镜像前缀就能解决。

手动 Docker 部署应在首次启动前配置 ADMIN_USER 和 ADMIN_PASSWORD。兼容默认值是 quantdinger / 123456，不能直接用于对外服务；一键脚本会要求设置管理员凭据，不接受这个弱密码。已有数据库不会因为修改环境变量而覆盖已修改过的账号密码。

还有一处值得提前知道。容器起来的头几分钟，后端会初始化数据库和示例数据，界面能开但某些页面会转圈，等一会儿就好。如果你看到白屏就去重启容器，反而容易把初始化打断。

只想试 AI 研究功能的话，可以先不配交易所密钥，用自带示例策略和模拟数据跑回测，把链路走通再上真数据。

装好之后第一件事不是建策略，是把密钥和通知配好。交易所密钥在账户页面填，Telegram 和邮件通知在设置里开，策略开平仓的时候能收到提醒，跑模拟盘那几天尤其有用。

06

前端是 Vue 写的，图表用 KLineCharts 和 ECharts，指标开发、图表绘制、回测、快速交易、机会雷达、机器人工作区、实时监控都在这套界面里。全英文，没做国际化。

有两点得说清楚。

第一，后端与前端许可不同 。后端是 Apache 2.0，Web 前端源码发布在 QuantDinger-Vue，采用独立的 source-available 许可。能看源码不等于能按 Apache 2.0 使用，二次开发、分发和商业用途要分别核对各仓库条款。

第二，它不是开箱即用的产品 。你得懂点 Docker、Python 和量化交易的基本概念，想接国内券商还得自己写适配。作者文档写得细，但细不等于门槛低。

最后一句实话。这是套工具，不是收益承诺。量化交易的盈亏取决于策略本身，跟框架没关系；回测好看、实盘拉胯，是这行的常态。拿它练手、搭自己的研究环境都合适，别指望装完就能赚钱，更别把回测曲线当成预期收益。

还有一个容易被忽略的成本：行情数据要自己保证连续性。断线重连期间的缺口不会自动补，回测结果就会偏。想认真用的话，建议先跑一段时间的实时行情落库，确认数据没洞再谈策略。

仓库在 https://github.com/OpenByteInc/QuantDinger ，后端 Apache 2.0，前端采用独立许可。