我是自己写策略、自己跑回测、自己接实盘的量化玩家。中间换过框架，推翻过架构，数据源也迁移过几次。钱没少花，服务器也烧过不少。策略起起伏伏的，有阶段性顺风，也有连续回撤。 分享一些工具，都是我自己用过，或者现在还在用的 GitHub 项目，优缺点都会说。

一、数据获取

很多人一上来就研究策略，其实数据层才是地基。我早期就踩过坑：数据源不稳定，回测和实盘对不上。

1️⃣ AkShare

GitHub：
https://github.com/akfamily/akshare

优点：

• 数据覆盖广
• 社区活跃
• 上手简单

缺点：

• 有些接口偶尔抽风
• 部分数据要自己做校验

我主要用来做：

• 行业轮动
• 宏观指标辅助
• A 股基础行情补充

不完美，但够用。

2️⃣ TuShare

GitHub：
https://github.com/waditu/tushare

优点：

• 财务数据体系完整
• Pro 数据质量还可以

缺点：

• 免费额度有限
• 部分字段更新延迟

做多因子基本绕不开。

3️⃣ yfinance

GitHub：
https://github.com/ranaroussi/yfinance

优点：

• 简单直接
• 美股、ETF 足够用

缺点：

• 精度有限
• 偶尔接口变动

低频策略完全够用。

4️⃣ AllTick

GitHub：
https://github.com/alltick/alltick-realtime-forex-crypto-stock-tick-finance-websocket-api

优点：

• 股票、期货、外汇、加密都支持
• 实时 + 历史统一接口
• 多语言 SDK

缺点：

• 商业接口，要算成本
• 不适合纯练手阶段

如果是做多资产统一架构，这种标准化行情源会省很多事。

二、回测框架

1️⃣ Backtrader

GitHub：
https://github.com/mementum/backtrader

优点：

• 事件驱动
• 多资产支持
• 文档齐全

缺点：

• 速度一般
• 代码风格偏老

现在看可能有点老了，但不影响使用。
中低频策略、CTA 都没问题。

2️⃣ VectorBT

GitHub：
https://github.com/polakowo/vectorbt

优点：

• 向量化
• 批量参数扫描极快

缺点：

• 不适合复杂撮合逻辑
• 更偏研究用途

策略其实很简单，均线、动量、突破这些古老又朴素的方法，用它跑参数很舒服。

3️⃣ vn.py

GitHub：
https://github.com/vnpy/vnpy

优点：

• 国内实盘稳定
• CTP 成熟

缺点：

• 学习曲线不低
• 工程结构偏重

长期是能稳定跑的，但短期一定会被接口细节折腾。

4️⃣ QuantConnect Lean

GitHub：
https://github.com/QuantConnect/Lean

优点：

• 工程级架构
• 多资产支持完整

缺点：

• 偏重
• 个人部署成本高

适合团队或者长期做机构化方向。

三、因子研究与绩效分析

Alphalens

GitHub：
https://github.com/quantopian/alphalens

功能：

• IC 分析
• 分层收益
• 因子衰减

第一次用会觉得复杂，但做多因子很有帮助。

Empyrical

GitHub：
https://github.com/quantopian/empyrical

功能：

• Sharpe
• 最大回撤
• Sortino
• Calmar

我直接把它封成绩效模块。

四、组合优化

PyPortfolioOpt

GitHub：
https://github.com/robertmartin8/PyPortfolioOpt

支持：

• 均值方差
• Black-Litterman
• 风险平价

长期可以优化风险结构。
短期市场风格一切换，参数假设可能直接失效。我也经历过刚调好权重就集体回撤。

工具本身不会帮你赚钱，它只是把你的逻辑放大。 这些开源项目也并非完美，有些结构不够优雅，有些要自己补坑。但当成一套工程工具箱，挺不错的。

如果只是想试试量化，这套足够从 0 跑到实盘。
如果打算长期做，打磨数据层和执行层，比频繁换框架重要得多。