普通人也能做专业量化！香港大学免费开源 Vibe-Trading用自然语言来写策略

翻看Vibe-Trading的文档，我觉得它并不是给现有交易框架套一层AI壳，而是从零设计了一个AI代理作为中枢、市场数据和回测引擎作为四肢的研究系统。你给代理一句自然语言指令，它自己决定用哪些数据源、生成什么策略、跑什么回测、最后吐出报告给使用者。

项目来自香港大学数据科学实验室（HKUDS），今年4月1号才提交第一行代码。到现在不到三个月，Star已经超过14,000。迭代节奏极其密集——README里的News板块几乎每天都有更新，从最初的单一agent模式一路加到了现在的79个finance skill、36个MCP工具、18个数据源和452个预置Alpha因子。

它本质上是一个"工具编排器"，不是一个策略库。Vibe-Trading不卖策略，不卖信号，它卖的是让AI代理帮你跑研究流程的能力。你问"帮我回测一个BTC-USDT金叉死叉策略，2024全年，输出收益和回撤"，代理会自己选OKX数据源，生成策略代码，调用backtest引擎，验证结果，最后给你一份报告。

这个设计很像AI编程工具（Claude Code、Codex）的思路——代理替你做工具选择、环境准备和结果验证，你只需要提出问题和审阅输出。只不过Vibe-Trading针对的是金融量化这个垂直领域。

数据源方面。18个数据源覆盖A股（腾讯行情、通达信mootdx、东方财富、baostock、akshare、tushare）、美股（yahoo、stooq、sina、yfinance、finnhub、alphavantage、tiingo、fmp）、港股（eastmoney、futu、yfinance、akshare）、加密货币（okx、ccxt）和期货/宏观数据。每个市场有完整的自动降级链——被IP封了自动切下一个，不需要手动运维。你还可以把自己的CSV/Parquet/DuckDB文件注册为数据源。

不过：这些依赖都是体验级的。README里WARNING随处可见，broker连接器标注着"experimental / use at your own risk"，Robinhood Agentic Trading需要在settings里配置mandate（交易标的白名单、仓位上限、每日交易次数上限），还有一个文件系统级别的紧急刹车——在指定目录touch一个kill-switch文件就能立刻中止所有自动交易。

安装很简单：

pip install vibe-trading-ai

之后用vibe-trading run -p "你的研究问题"就能启动交互。项目也支持Docker部署，且最近的更新解决了容器重建导致用户数据丢失的问题（持久化内存、session索引、自定义skill、broker配置现在都通过命名volume保存）。

跟同类项目比，有三个维度值得展开说一下。

第一个维度：和传统回测框架（vnpy、backtrader、zipline）的区别。传统框架的入口是写代码——你定义策略类、配置数据源、设置参数、跑回测。Vibe-Trading的入口是自然语言。它内部当然也会生成代码、调用回测引擎，但你不需要手动写。这对不擅长编程的交易员是个降门槛的设计。但代价也很明显：AI生成的策略代码质量不稳定——项目甚至专门写了一个pre-flight验证器，在import之前先做AST扫描，检查策略代码是否有循环自引用、缺失generate方法、错误的返回类型等。

第二个维度：和AI Agent平台（LangChain Agent、AutoGPT）的区别。这类通用Agent能搜网页、读文件、写代码，但它们不懂什么是OHLCV格式、什么是前复权、为什么回测数据要point-in-time。Vibe-Trading在这些细节上做了领域深度的积累——比如tushare的财务数据加载是按公告披露日期对齐的，不会出现用未来数据作弊的情况；又比如Shadow Account功能会自动从你的真实交易记录中提取买入卖出规律，然后回测"如果你严格按自己的规则来，能多赚多少"。

第三个维度：和商业量化平台（聚宽、米筐、QuantConnect）的区别。商业平台提供统一的托管环境和数据，但策略代码通常被锁定在平台上。Vibe-Trading完全本地化运行，数据源也是开放集成的，策略代码本质上就是本地生成的Python文件。它的Wiki上已经有由社区贡献的实测报告（比如"GTJA的191个Alpha因子到2026年哪些还活着"），读起来有点像量化圈内部的作业复盘。

说说坑。

项目的迭代节奏太快了。从README的News板块能看到，6月11号swarm worker才接上market data loader，6月18号Research Autopilot才闭环，6月19号刚发v0.1.10加18个数据源。很多功能像是"刚跑通demo就上线了"，比如6月25号还在修backtest验证输出的JSON里包含NaN/Infinity导致严格解析器报错的问题。如果你是生产环境用户，这个成熟度显然不够。

其次，LLM依赖带来了不可控的成本和稳定性问题。每次agent run都会产生token消耗，虽然项目在6月14号加了per-run token用量追踪，但没有内置的价格估算。DeepSeek/Kimi/Gemini等不同provider的兼容性问题也被频繁提及——项目在6月12号专门做了一个Provider Reliability Overhaul来解决这些问题。

权限方面也有需要注意的地方。如果启用了shell工具（需要设置环境变量VIBE_TRADING_ENABLE_SHELL_TOOLS=1），AI代理就能在本地执行命令。虽说有文件沙箱隔离，但如果你在Docker外裸跑，还是建议先读一遍项目的安全文档。

什么样的读者适合用，什么样的不适合。

如果你是一个对量化有兴趣、但不太想从零学vnpy或backtrader的开发者，Vibe-Trading的"自然语言驱动"模式能让你快速验证想法。从一句prompt到一份回测报告，整个过程可能只需要几分钟。项目的Web UI也做得比较清爽，research goal、run detail、correlation heatmap等功能都是能看的。

如果你已经有一套成熟的量化策略和严格的回测框架，把它当纯粹的AI辅助研究工具用（仅用它的数据加载、Alpha Zoo因子库和报告生成，不走agent托管交易），是个合理的用法。它生成的Pine Script、通达信公式和MQL5导出也可以直接拿去别处用。

但如果你需要一个生产级、低延迟的交易执行系统，这个项目目前不对路。broker连接器的paper/live隔离机制虽然设计得认真（通过账户ID格式、host分离、demo flag等结构性guard来区隔），但整个agent loop的稳定性和延迟特性不适合高频场景。README自己也一再强调"experimental"。

最后说一个细节：Alpha Zoo里的452个因子，每个都带有中英文docstring（来自社区贡献者的批量翻译），而且项目有一个CI gate专门检查因子代码的AST——只允许import pandas/numpy/scipy等白名单库，禁止os/sys/socket等——防止用户提交的社区因子偷偷联网或读写文件。这个细节说明团队在开放性和安全性之间有比较清醒的判断。

项目地址：https://github.com/HKUDS/Vibe-Trading 竞品参考： - vnpy（https://github.com/vnpy/vnpy）——成熟的中国市场量化交易框架，支持CTP等数十个交易接口，Vibe-Trading的AI代理驱动模式与传统vnpy的策略代码编写模式是互补关系而非直接替代 - backtrader（https://github.com/mementum/backtrader，最后更新2023-04）——经典的Python事件驱动回测框架，已停止活跃维护，在灵活性和成熟度上超过Vibe-Trading，但不具备AI代理和自然语言驱动能力 - OpenBB（https://github.com/OpenBB-finance/OpenBB）——AI增强的投资研究平台，侧重数据探索与可视化，提供了类似的自然语言查询能力但缺少交易代理执行层