MEPPP 热点收录
@meppp_hot
收录
原帖正文
离谱！港大实验室把一支迷你量化对冲基金，直接开源 了Vibe-Trading，34K+ Stars，MIT 开源，一套能自己找数据、挖因子、跑回测、组 Agent 团队的金融研究平台。以前做一个量化策略，要自己找数据、写因子、选回测引擎、调参数、看结果，整个流程全靠人一点点拼。Vibe-Trading 不一样，你只需要用自然语言说想研究什么，剩下的数据、因子、回测、Agent 分工，它自己往下跑。核心能力：1️⃣ 90 个 Finance Skills：行情、期权、因子、回测、研究工具都能直接让 Agent 调用2️⃣ 462 个现成 Alpha：Qlib158、Alpha101、GTJA191、学术因子、基本面因子都已经整理好3️⃣ 10+ 回测引擎：A 股、全球股票、Crypto、期货、外汇、期权等多个市场都能直接测4️⃣ 30 个 Swarm Teams：投资委员会、Quant Desk、Risk Review、Macro、Crypto 等团队可以直接拉起来协作5️⃣ Persistent Memory：过去研究、Session、Skills 和上下文可以继续保留，不用每次从零开始6️⃣ Shadow Account：上传自己的 Broker Journal，AI 可以反推你的交易模式，再做反事实回测和审计我觉得它最有意思的地方，是 AI 终于不只是“回答金融问题”。而是开始真正执行一条研究链：你提问题，它自己找数据、做分析、跑回测、拉 Agent 开会，最后把研究结果交回来。以前要一桌量化研究员干的活，现在开始变成一句话启动。做 AI 量化、股票研究、Crypto、因子挖掘，或者想把 Agent 真正接进投研流程的，这个很值得收藏。https://github.com/HKUDS/Vibe-Trading
引用自 X
原帖地址：https://x.com/i/status/2106624535449530834
原帖：
本站媒体副本
我去！做股票量化机器学习，最浪费时间的往往不是训练模型，而是每天手搓一堆因子。tsfresh，9.4K Stars，MIT 开源，一套专门把“时间序列特征工程”自动化的 Python 工具。以前做因子研究，要自己想波动率、峰值、趋势、偏度、频域、相关性，再一个个写代码验证。tsfresh 不一样，它先从 K 线、成交量、因子序列里批量挖出大量统计特征，再自动筛掉和目标没关系的噪音。核心能力：1️⃣ 自动特征提取：统计、趋势、峰值、频域、非线性等数百到上千个特征一次生成2️⃣ 自动筛因子：内置统计显著性检验，不只是疯狂造特征，还会把无效特征砍掉3️⃣ 直接接 Pandas / NumPy / scikit-learn，提完特征就能继续训练 LightGBM、XGBoost 等模型4️⃣ 股票 K 线、成交量、Crypto、传感器等时间序列都能用，不绑某一种数据5️⃣ 支持并行和 Dask，大规模时间序列也能继续往多核 / 集群扩6️⃣ 自定义特征也能塞进去，现成因子不够，就把自己的量化逻辑一起接进来我觉得它最有意思的地方，是把因子研究的顺序反过来了。以前是：先凭经验想因子 → 写代码 → 再验证。现在可以先让 tsfresh 大规模挖一遍，再让统计筛选和模型告诉你，哪些东西真的有信息量。它不是交易框架，也不会替你预测涨跌。但如果你做机器学习选股、因子挖掘、时间序列预测或者 Crypto 量化，这种“自动造因子 + 自动筛因子”的工具非常省时间。仓库：https://github.com/blue-yonder/tsfresh
0 条评论
登录后可以参与讨论。
成员登录还没有评论。第一条认真回应会很重要。