1.4 万 Star 的 Vibe-Trading，用自然语言指挥一个量化研究团队

先说一个金融圈正在悄悄发生的变化。

过去做量化研究，你得会 Python、得懂策略框架、得搭数据源、得写回测引擎，门槛高得把绝大多数人挡在门外。现在这个门槛正在被 LLM Agent 拆掉。

你只要能说出「帮我回测一个 BTC 的 20 日 50 日均线策略，2024 年全年，算一下收益和回撤」，剩下的代码生成、数据拉取、回测执行、报告输出，Agent 全包了。

HKUDS/Vibe-Trading 就是这个浪潮里跑得最快的一个。截止 2026 年 6 月 28 日，1.4 万 Star，2605 Fork。出自港大的数据科学实验室 HKUDS，MIT 协议完全开源。

最夸张的是它的迭代速度。这个项目 2026 年 4 月 1 日才创建，到现在不到三个月，已经迭代到 v0.1.10，7 个 release。它的 News 区我数了一下，光是 6 月份就有将近 30 条更新，几乎每天一个 PR。这种节奏，说明团队是真在 all in。

一句话定位，它是「量化研究的工作台」

很多人第一反应是，这不就是个自动炒股机器人吗。不是。

Vibe-Trading 把自己定位成「研究工作台」（research workspace）。它的核心是把自然语言问题，接上市场数据加载、策略生成、回测引擎、报告导出、持久化研究记忆这一整条链路。

它明确说了，默认是研究和回测，不是实盘交易。实盘是可选的，需要你自己授权一个券商，而且它不碰资金、不在你设的限额外交易，随时能一键叫停。

这个定位很关键。它把「研究」和「实盘」的边界划得清清楚楚，而不是像很多项目那样含糊其辞地暗示能帮你赚钱。

多 Agent 投研团队，是它最亮的设计

这是整个项目我最欣赏的部分。

它不是单打独斗一个 Agent，而是能组「团队」。README 里列了好几个预设团队，投资团队、量化团队、加密货币团队、风险团队。每个团队由多个专业化的 Agent 组成，并行工作，各自分工，最后汇总。

这个设计叫 Swarm。它有一个 DAG 调度，上游任务失败会阻塞下游，避免错误传播。Worker 之间可以共享发现，可以协作。进度通过 SSE 实时流式推送到聊天界面，你能看到每个 worker 的状态，等待中、运行中、完成、失败、阻塞、重试。

举个例子，你问「帮我研究一下英伟达的投资价值」，它不会只派一个 Agent 去，而是可能同时派基本面 Agent 看财报、技术面 Agent 看 K 线、情绪面 Agent 扫新闻、风险 Agent 算回撤。几个 Agent 各干各的，最后汇总成一份报告。

这才是「投研团队」该有的样子，不是一个全能 Agent 啥都干，而是专业化分工。

456 个量化因子，开箱即用

这个数字让我挺震撼的。它内置了一个叫 Alpha Zoo 的因子库，456 个预置量化因子，分四个动物园。

第一个，qlib158，微软 Qlib 的 158 个因子。第二个，alpha101，Kakushadze 那篇经典论文里的 101 个公式化因子。第三个，gtja191，国泰君安 2014 年的 191 个短周期因子。第四个，academic，Fama-French 五因子加 Carhart 的价格因子代理。

一行命令就能在你的股票池上跑这些因子的 IC 评测。

vibe-trading alpha bench --zoo gtja191 --universe csi300 --period 2018-2025 --top 20

它还会自动分类，哪些因子还活着（alive）、哪些反转了（reversed）、哪些已经失效（dead）。这种「把学术研究工业化」的工具，对做量化的人来说是实打实的生产力。

更狠的是 v0.1.9 之后加了 Research Autopilot，能跑「假设 → 信号引擎 → 回测」的闭环。你给一个研究假设，它自动生成策略代码、跑回测、把结果反馈回假设，循环迭代。这基本就是把一个量化研究员的日常流程自动化了。

安全模型，是金融 Agent 的命门

金融 Agent 最怕的是什么，是它失控了帮你乱下单。Vibe-Trading 在这点上做得相当克制，值得单独说。

它的实盘交易走的是一个叫「connector」的架构。目前接了 10 家券商和交易所，IBKR、Robinhood、老虎、长桥、Alpaca、OKX、Binance、富途，还有印度的 Dhan 和 Shoonya。

每家券商的 paper/live 区分都是结构性的守卫，不是靠配置项。有的靠账户 ID 格式，有的靠主机分离，有的靠 demo 标志。对于 API 不提供运行时 paper/live 区分的券商（比如 Longbridge），它直接锁死在「paper + 只读」，第一行代码就拒绝任何非 paper 的下单。

实盘下单还要过一个叫 mandate 的授权机制。你得先提交一个承诺，限定股票池、下单大小、敞口、杠杆、每日上限。下单前有个 fail-closed 的预检门，超限直接拦。文件系统级 kill switch，一行命令瞬间停掉。mandate 还会自动过期。全程有审计日志。

这套安全模型的严苛程度，在开源金融项目里是我见过最认真的。它不假装你能放心让它自动交易，而是用工程手段把「失控」的可能性压到最低。

数据源，覆盖得有点贪心

v0.1.10 这个版本把市场数据源扩到了 18 个，分免费和需要 key 两类。

免费的，东方财富、新浪、Stooq、Yahoo Finance，还有通达信的 mootdx 协议，能直接拿 A 股日线和分时，不用 token、没有 IP 限频。需要 key 的，Finnhub、Alpha Vantage、Tiingo、FMP。

覆盖的市场也全，A 股、港股、美股、加密货币、期货、外汇。它有个 CompositeEngine 能做跨市场混合回测，比如 A 股加加密货币的组合，共享资金池，各自有规则。

数据加载这块的工程细节也很扎实。它在 loader 层做了 OHLC 完整性检查，high < low、非正价格、坏括号的脏数据，在加载边界直接丢掉。tushare 加载器会正确路由，ETF 走 fund_daily()，指数走 index_daily()，港股走 hk_daily()，而不是一律调 daily() 然后静默返回空。

这种「在数据边界就堵住脏数据」的工程自觉，是区分玩具和生产工具的关键。

实盘、幻觉和钓鱼，金融容不得天真

这个项目很猛，但金融领域容不得天真，有几个边界必须说清楚。

第一，实盘交易是实验性的。 README 反复标注 experimental，use at your own risk。它自己不持有资金、不充当交易场所，只转发你的意图给券商。出了问题，责任在你。这是金融开源项目的标准免责，不是走形式。

第二，它不保证赚钱。 这是个研究工具，不是印钞机。回测表现好不代表实盘能赚钱，过拟合、滑点、流动性这些回测里很难完全模拟。把它当量化研究的加速器，别当财富密码。

第三，LLM 生成的策略代码有风险。 它的 Research Autopilot 会让 LLM 写策略代码然后直接跑。虽然它加了 AST 校验、接口预检、lookahead 守卫，但 LLM 生成的代码天生不可靠。复杂策略还是得人工 review。

第四，项目太年轻，API 还在剧烈变动。 不到三个月从 v0.1.4 到 v0.1.10，几乎天天有 PR。好处是迭代快，坏处是你今天写的集成代码，下周可能就得改。

第五，它最近遭遇了一次社区安全事件。 6 月 18 日的 News 里提到，旧的社区 Discord 邀请链接指向了一个他们不控制的服务器，里面跑着伪装成 Collab.Land 钱包验证的钓鱼骗局。他们已经移除了所有旧链接。这种事说明，热门金融项目天然是钓鱼攻击的目标，用的时候多个心眼。

研究民主化，但后果私有化

我对 Vibe-Trading 的态度是谨慎的乐观。

乐观在于，它把量化研究的门槛打到了「会说人话就行」的程度。456 个因子开箱即用、多 Agent 组投研团队、跨市场回测、Research Autopilot 闭环，这些能力放在两年前，是一个量化团队整套基建才能干的事。现在一行 pip install 就有了。

谨慎在于，金融是容错率最低的领域。LLM 幻觉、策略过拟合、实盘失控，任何一个都可能让你亏真金白银。它的安全模型再严，也挡不住「你自己授权了一个过大的 mandate」这种人为失误。

这里其实藏着一个可迁移的判断，我把它叫**「能力民主化，后果私有化」**。工具能把专业能力（量化研究、法律分析、医疗诊断）的获取门槛打到接近零，这是好事。但专业能力的执行后果（亏钱、败诉、误诊）永远只挂在最终决策者身上，工具不替你扛。Vibe-Trading 把研究能力民主化了，可 mandate 设错、实盘失控的后果，一分钱都不会少亏。这个判断放到任何「AI 降门槛」的高风险领域都成立，AI 给你的是研究加速，不是责任豁免。

如果你对量化感兴趣但又不想从零搭基建，拿它当研究沙盒玩玩，挺合适的。实盘的事，等它再沉淀沉淀。

记住一句话，工具能帮你研究，但不能替你承担后果。