EliteQuant

量化建模、交易和投资组合管理的在线资源列表

还有许多其他有价值的在线资源。我们并不追求面面俱到。如果您认为有值得推荐的内容，请随时提交拉取请求。对于开源项目，一个通用的经验法则是已经在 GitHub 上获得了 100 颗星。

• 量化交易平台
• 交易系统
• 量化库
• 量化模型
• 交易 API
• 数据源
• 加密货币
• 公司
• 金融科技
• 网站、论坛、博客

---

量化交易平台

• awesome-quant - Awesome quant 是另一个精选的量化资源列表

• Quantopian - 第一个基于 Python 的在线量化交易平台；其核心库 zipline 和绩效评估库 pyfolio；以及 alphalens

• QuantConnect - 基于 C# 的在线量化交易平台；其核心库 Lean

• Quantiacs - 算法交易策略市场；其 Matlab 和 Python 工具箱

• Numerai - 大众外包的交易策略；其 Python API

• Collective2 - 允许投资者订阅顶级交易员的平台；其 algotrades 系统

• ZuluTrade - 允许投资者订阅顶级交易员的平台

• Tradingview - 提供免费的小部件，例如用于 火币

• Investing.com - 实时多资产和多市场信息

• KloudTrader Narwhal - 交易算法 部署平台，提供统一费率的免佣金经纪服务

交易系统

• MetaTrader 5 - 多资产交易系统

• TradeStation - 交易系统

• SmartQuant(OpenQuant) - C# 交易系统

• RightEdge - 交易系统

• AmiBroker - 交易系统

• Algo Terminal - C# 交易系统

• NinjaTrader - 交易系统

• QuantTools - R语言中的增强型量化交易建模

• vnpy - 一款流行且功能强大的交易平台

• pyalgotrade - Python算法交易库

• finmarketpy - 用于回测交易策略的Python库

• IBridgePy - 基于zipline的Python系统

• Backtrader - 博客、交易社区及github

• IbPy - 互动经纪商Python API

• PyLimitBook - 快速限价订单簿的Python实现

• qtpylib - 通过IbPy API进行Python式算法交易，其官网

• Quantdom - 基于Python的交易策略回测与金融市场分析框架[GUI]

• ib_insync - 用于互动经纪商API的Python同步/异步框架

• rqalpha - 一款流行的交易平台

• bt - 灵活的Python回测工具

• TradingGym - 用于训练强化学习智能体或简单规则算法的交易与回测环境。

• btgym - 兼容Gym的回测工具

• prophet - Python回测与交易平台

• OpenHFT - 高频交易用Java组件

• libtrading - C API，低延迟，支持FIX协议

• thOth - 开源C++11高频交易库

• qt_tradingclient - 多线程Qt C++交易应用，QuantLib-1.2.1，CUDA 5.0

• SubMicroTrading - Java超低延迟交易框架

• WPF/MVVM实时交易应用 - 架构设计

• TradeLink - TradeLink，最早的开源交易系统之一

• Reactive Trader - 使用响应式Rx框架，包括Reactive Trader和Reactive Trader Cloud。演示可在这里查看。

• QuantTrading - 纯C#交易系统

• StockTrading - 利用WPF、WCF、PRISM、MVVM、多线程技术的C#系统

• Quanter - 股票交易者

• StockSharp - C#交易系统

• SharpQuant - C#交易系统

• QuantSys - C#交易系统

• StockTicker - C#交易系统

• gotrade - 用Go语言编写的电子交易与订单管理系统

• gofinance - Go语言中的金融信息获取与处理

• goib - 纯Go语言的互动经纪商IB API接口

• Matlab交易工具箱 - MathWorks官方工具箱；配套有Matlab交易工具箱入门，以及使用MATLAB开发自动化交易系统网络研讨会、使用MATLAB进行自动化交易网络研讨会、MATLAB实时交易系统网络研讨会、使用MATLAB进行自动化交易、使用MATLAB进行商品交易网络研讨会、使用计量经济学工具箱进行协整与配对交易网络研讨会

• Matlab风险管理工具箱 - MathWorks官方风险管理工具箱

• Matlab向前推进分析工具箱 - 用于向前推进分析的工具箱

• IB4m - MATLAB与互动经纪商的接口

• IB-Matlab - 另一种MATLAB与互动经纪商接口的介绍及演示视频

• openAlgo Matlab - openAlgo的MATLAB库

• MatTest - MATLAB回测系统

量化库

• Quantlib - 著名的C++量化金融库；可通过Swig翻译成其他语言

• TA-Lib - TA-Lib的Python封装

• DX Analytics - 基于Python的金融分析库

• FinMath - Java分析库

• OpenGamma - 名为STRATA的Java分析库

• Quantiacs - Matlab工具箱

• pyflux - 开源的Python时间序列库

• arch - Python中的ARCH模型

• flint - 面向Apache Spark的时间序列库

• Statsmodels - Statsmodels的文档

定量模型

• awesome-deep-trading - 用于交易的机器学习资源列表

• Awesome-Quant-Machine-Learning-Trading - 另一个用于交易的机器学习资源列表

• awesome-ai-in-finance - 金融领域的人工智能资源集合

• deepstock - 利用深度学习击败股市的技术实验

• qtrader - 用于投资组合管理的强化学习

• stockPredictor - 使用机器学习和深度学习算法预测股票走势

• stock_market_reinforcement_learning - 基于OpenGym的股市环境，结合深度Q-learning和策略梯度方法

• deep-algotrading - 从回归到LSTM的深度学习技术在金融数据中的应用

• deep_trader - 在股票市场上使用强化学习，让智能体尝试学习交易策略。

• Deep-Trading - 结合深度学习的算法交易实验

• Deep-Trading - 使用RNN进行算法交易

• 100 Day Machine Learning - 包含代码的机器学习教程

• Multidimensional-LSTM-BitCoin-Time-Series - 使用多维LSTM神经网络对比特币价格进行预测

• QLearning_Trading - 在强化学习框架下学习交易

• bulbea - 基于深度学习的Python库，用于股市预测与建模

• PGPortfolio - “一种用于金融投资组合管理问题的深度强化学习框架”的源代码

• gym-trading - 用于强化学习算法交易模型的环境

• Thesis - 用于自动化交易的强化学习

• DQN - 用于金融领域的强化学习

• Deep-Trading-Agent - 基于深度强化学习的比特币交易智能体

• deep_portfolio - 使用强化学习和监督学习优化投资组合配置

• Deep-Reinforcement-Learning-in-Stock-Trading - 利用深度演员-评论家模型学习配对交易的最佳策略

• Stock-Price-Prediction-LSTM - 使用LSTM循环神经网络预测苹果公司的OHLC平均值

• DeepDow - 利用深度学习进行投资组合优化

• Personae - 基于深度学习的量化交易

• tensortrade - 强化学习与交易结合

• stockpredictionai - 将GAN、PPO等AI模型应用于股票市场

• machine-learning-for-trading - 关于算法交易的机器学习书籍

• algorithmic-trading-with-python - 一本关于使用Python进行算法交易的书籍（2020年）

• machine-learning-asset-management - 由firmai.org发布的资产管理中的机器学习

交易API

• Interactive Brokers - 受散户投资者欢迎

• Bloomberg API - 来自彭博社

数据源

• Quandl - 提供免费及付费数据源

• iex - 免费市场数据

• one tick - 历史分笔数据

• iqfeed - 实时数据流

• quantquote - 分笔及实时数据

• algoseek - 历史日内数据

• EOD data - 历史数据

• EOD historical data - 历史数据

• intrinio - 金融数据

• arctic - 由Man AHL提供的高性能时序与分笔数据存储系统

• SEC EDGAR API - 查询美国证券交易委员会EDGAR数据库中的公司文件

加密货币

• Blockchain-stuff - 区块链与加密货币资源

• cryptrader - 用于MtGox/Bitstamp/BTC-E/CEX.IO的Node.js比特币机器人；cryptrade

• BitcoinExchangeFH - 加密货币交易所市场数据馈送处理程序

• hummingbot - 免费的开源加密货币交易机器人，支持去中心化交易所和中心化交易所

• blackbird - C++交易系统，可在比特币交易所之间进行自动多空套利

• Peatio - 基于github的开源加密货币交易所

• Qt Bitcoin Trader - Qt C++比特币交易

• ccxt - 支持130多家比特币/山寨币交易所的JavaScript/Python/PHP加密货币交易库

• r2 - 基于Node.js + TypeScript的全自动套利交易系统

• bcoin - 适用于Node.js和浏览器的Javascript比特币库

• XChange - 提供简洁API以对接60多家比特币和山寨币交易所的Java库

• Krypto-trading-bot - 自托管的加密货币交易机器人（自动化高频做市），使用Node.js、Angular、TypeScript和C++

• freqtrade - 简单的高频加密货币交易机器人

• Gekko - 使用Node编写的比特币交易机器人

• viabtc_exchange_server - 高速性能且具备实时通知功能的交易引擎

• catalyst - 用于加密资产的Python算法交易库，由Enigma开发

• buttercoin - 开源比特币交易所软件

• zenbot - 使用Node.js和MongoDB的命令行加密货币交易机器人

• tribeca - 基于Node.js的高频做市加密货币交易平台

• rbtc_arbitrage - 用于自动化比特币交易所间套利的Ruby gem

• automated-trading - 自动化交易：Trading View策略 => Bitfinex, itBit, DriveWealth

• gocryptotrader - 使用Golang编写的多交易所支持的加密货币交易机器人及框架

• btcrobot - Golang比特币交易机器人

• bitex - 开源比特币交易所；及其前端

• cryptoworks - 加密货币套利机会计算器。覆盖800多种币种和50个市场；cryptocurrency-arbitrage

• crypto-exchange - 列出可统一通过API交互的加密货币交易所

• bitcoin-abe - 比特币及类似币种的区块浏览器

• MultiPoolMiner - 实时监控加密货币挖矿池，以找到对您的机器最有利的矿池。可控制任何可通过命令行访问的矿机

• tai - 开源、可组合、实时的市场数据与交易执行工具包，使用Elixir编写

• crypto-signal - 多交易所技术信号

公司

不求详尽

• 卖方

• FIA PTG 和 FIA Europe

• Allston Trading

• CTC

• Citadel

• D.E. Shaw

• DRW

• Flow Traders

• GTS

• HRT

• IMC

• Infinium

• Jane Street

• Jump Trading

• Millennium

• Optiver

• Quantlab Financial

• Renaissance

• Bridgewater Associates

• Man Group，AHL

• SIG

• Tower Research

• Tradebot Systems

• Two Sigma

• Virtu Financial

• XR Trading

• XTX Markets

专注于大宗商品的公司

• Cargill

• Glencore

• Mercuria

• Trafigura

• Vigor

金融科技

• Alpaca

• Knesho

• Neotic

• Numerai

• Symphony

网站 论坛 博客

• 顶尖极客量化博客 - 一份量化博客推荐清单

• Quantocracy - 量化相关新闻聚合平台

• Seeking Alpha - Seeking Alpha 社区

• Quantivity - 定量与算法交易

• Wilmott - 定量金融社区论坛

• Elitetrader - 交易论坛

• Nuclearphynance - 定量金融论坛

• Investopedia - 投资百科全书

• Quantpedia - 定量交易策略百科全书

• EpChan - 埃尔尼·陈博士的博客

• Quantinsti - 量化研究院

• QuantStart - 迈克尔·霍尔斯-摩尔的 QuantStart，量化交易入门；其 Python 回测平台 qstrader 和 qsforex

• Algotrading 101 - 算法交易入门

• Systematic Investor/旧版 - 迈克尔·卡普勒 的博客，最佳 R 语言量化博客之一；Systematic Investor Toolkit

• R-Finance - R-Finance 代码库。包含回测工具 quantstrat、trade blotter，以及著名的 performance analytics 包和 portfolio analytics、portfolio attribution 包。

• quantmod - R 语言建模与交易框架

• R 编程 - 盖伊·约林的 R 回测

• Seer Trading - R 回测与实盘交易

• Trading with Python

• Python 编程金融 - Python 金融教程及 Quantopian 教程

• Python for Finance - Python 金融

• Quant Econ - 经济建模的开源 Python 和 Julia 代码；以及相关课程

• JuliaQuant - Julia 语言下的量化金融

• Portfolio Effect - 实时投资组合与风险管理

• quant365 - 亨利·穆的博客与交易系统；包括 Sentosa、pysentosa 绑定、rsentosa 绑定以及 qblog。

• hpc quantlib - 高性能计算 + QuantLib

• Quant Corner

• quantstrat trader - 使用 R 语言 QuantStrat 包回测交易策略

• Backtesting Strategies - R 语言中的回测；代码托管于 Github

• The Quant MBA - 优秀的量化博客

• Foss Trading - 使用免费开源软件进行算法交易

• Gekko Quant - 定量交易

• Investment Idiocy - 罗伯特·卡弗关于系统性交易、定量金融、投资、金融行动主义及经济决策的讨论；他的著作 和 他的 Python 库

• Quantifiable Edges/旧版 - 利用指标与历史数据评估市场走势

• My Simple Quant - 基于历史回测数据的市场分析

• Vix and more - 关于 VIX 的讨论

• Timely Portfolio - R 语言中的策略与测试

• Quantitative Research and Trading

• Qusma - 定量系统性市场分析

• return and risk - 定量金融、分析及其应用

• Physics of Finance - 以物理学为灵感思考经济、金融和社会系统

• Quantum Financier - 算法交易

• Trading the Odds -- 市场择时与定量分析

• CSSA - 定量研究的新概念

• The Practical Quant

• Tr8dr - 战略、统计学、计算机科学、数值方法

• Deniz's Note - 量化分析师德尼兹·图兰的博客

• Quant at risk - 定量分析与风险管理

• Quant Blog - 定量交易、投资组合管理与机器学习，附带 Github 上的源代码

• The R Trader - 在量化金融中使用 R 语言

• rbresearch - 利用 R 语言探索外汇和股票市场的交易策略

• NaN Quantivity - 量化交易、统计学习、编程与头脑风暴

• Factor Investing - WordPress 上的博客

• Meb Faber Research

• Big Mike Trading - 量化交易领域的 YouTube 频道

• Mechanical Markets

• Humble Student of the Markets

• 使用 RNN 预测股票价格

• BlackArbs - 博客及 Github 上的机器学习笔记本

EliteQuant 快速上手指南

注意：EliteQuant 并非一个单一的独立软件包，而是一个量化金融开源资源精选列表。它汇集了交易平台、交易系统、量化库、模型及数据源等优质项目。因此，本指南将指导你如何利用该列表找到适合的工具，并以列表中极具代表性的 Python 量化框架 vnpy 和通用依赖安装为例，演示如何开始量化开发。

环境准备

在开始之前，请确保你的开发环境满足以下基本要求。大多数推荐的量化工具（如 vnpy, zipline, backtrader）主要基于 Python 生态。

• 操作系统：推荐 Linux (Ubuntu/CentOS) 或 macOS。Windows 用户建议使用 WSL2 (Windows Subsystem for Linux) 以获得更好的兼容性，或直接使用 Windows 10/11（部分 C++ 底层库可能需要额外配置）。
• Python 版本：建议安装 Python 3.8 - 3.10（许多量化库对最新 Python 版本支持可能有延迟）。
• 前置依赖：
  • git：用于克隆代码仓库。
  • pip 或 conda：包管理工具。
  • C++ 编译器：部分高性能库（如 TA-Lib, QuantLib）需要编译环境。
    • Linux: build-essential
    • macOS: Xcode Command Line Tools
    • Windows: Microsoft C++ Build Tools

安装步骤

由于 EliteQuant 包含多个项目，此处以国内开发者广泛使用的 vnpy（社区版量化交易框架）为例进行安装演示，同时介绍如何安装通用的量化基础库。

1. 配置国内镜像源（加速下载）

为避免网络问题，建议将 pip 源切换至清华大学或阿里云镜像。

mkdir -p ~/.pip
cat <<EOF > ~/.pip/pip.conf
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn
EOF

2. 安装基础量化依赖

许多量化项目依赖 TA-Lib 进行技术指标计算。建议先通过系统包管理器安装底层库，再安装 Python 包装器。

Linux (Ubuntu/Debian):

sudo apt-get update
sudo apt-get install -y build-essential libta-lib-dev
pip install ta-lib

macOS (使用 Homebrew):

brew install ta-lib
pip install ta-lib

Windows: 建议直接下载预编译的 .whl 文件安装，或使用 conda：

conda install -c conda-forge ta-lib

3. 安装示例框架 (vnpy)

vnpy 是 EliteQuant 列表中推荐的强大开源交易平台，支持多种接口。

# 克隆 vnpy 仓库
git clone https://github.com/vnpy/vnpy.git
cd vnpy

# 安装依赖
pip install -r requirements.txt

# 安装 vnpy 核心包
pip install .

注：若需使用其他列表中的工具（如 backtrader 或 zipline），可直接运行 pip install backtrader 等命令。

基本使用

以下示例展示如何使用 Python 调用量化库进行简单的策略回测逻辑（基于 vnpy 风格伪代码及通用 pandas 数据处理），这是量化开发的最简起点。

1. 导入必要的库

import pandas as pd
import numpy as np
# 假设已安装 vnpy 或类似的回测引擎
# from vnpy.trader.engine import MainEngine 

2. 加载数据与计算指标

利用 TA-Lib 或 pandas 计算移动平均线（MA），这是最基础的量化模型。

# 模拟生成一些收盘价数据
dates = pd.date_range(start='2023-01-01', periods=100)
close_prices = np.random.rand(100) * 100 + 200

df = pd.DataFrame({'close': close_prices}, index=dates)

# 计算简单移动平均线 (SMA)
window = 20
df['sma_20'] = df['close'].rolling(window=window).mean()

# 生成简单的交易信号：当收盘价上穿均线时买入 (1)，下穿时卖出 (-1)
df['signal'] = 0
df.loc[df['close'] > df['sma_20'], 'signal'] = 1
df.loc[df['close'] < df['sma_20'], 'signal'] = -1

print(df[['close', 'sma_20', 'signal']].tail())

3. 探索更多资源

访问 EliteQuant 原始列表，根据需求选择特定领域的工具：

• 深度学习交易：查看 awesome-deep-trading 列表，尝试 deepstock 项目。
• 高频交易 (HFT)：参考 OpenHFT (Java) 或 thOth (C++)。
• 数据源：查找 Data Source 章节获取免费或付费的市场数据接口。

你可以随时回到 EliteQuant 仓库，搜索关键词（如 "Reinforcement Learning" 或 "Crypto"）来发现新的开源工具并重复上述安装流程。