[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ScottfreeLLC--AlphaPy":3,"tool-ScottfreeLLC--AlphaPy":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",150037,2,"2026-04-10T23:33:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":32,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":103,"github_topics":105,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":124,"updated_at":125,"faqs":126,"releases":156},6447,"ScottfreeLLC\u002FAlphaPy","AlphaPy","Python AutoML for Trading Systems and Sports Betting","AlphaPy 是一个专为交易系统和体育博彩设计的 Python 自动化机器学习（AutoML）框架。它旨在降低金融量化分析与赛事预测的门槛，帮助用户快速构建、评估并部署高效的机器学习模型，从而解决从数据清洗、特征工程到模型集成的一系列复杂流程问题。\n\n这款工具特别适合量化交易者、数据科学家以及对金融市场或体育数据分析感兴趣的研究人员使用。无论是想要开发自动交易策略，还是希望预测比赛结果，AlphaPy 都能提供强有力的支持。其核心亮点在于内置了两大专用模块：MarketFlow 专注于市场数据分析与投资组合管理，支持对接 pyfolio 进行深度回测；SportFlow 则专门用于体育赛事结果的建模与预测。\n\n在技术层面，AlphaPy 无缝集成了 scikit-learn、Keras、XGBoost、LightGBM 和 CatBoost 等主流算法库，支持自动生成混合堆叠集成模型，显著提升了预测精度。值得注意的是，该项目目前已推出升级版的 AlphaPy Pro，增加了对现代 Python 版本的支持，并引入了元标记（MetaLabeling）和自然语言处理（NLP）等高级功能，","AlphaPy 是一个专为交易系统和体育博彩设计的 Python 自动化机器学习（AutoML）框架。它旨在降低金融量化分析与赛事预测的门槛，帮助用户快速构建、评估并部署高效的机器学习模型，从而解决从数据清洗、特征工程到模型集成的一系列复杂流程问题。\n\n这款工具特别适合量化交易者、数据科学家以及对金融市场或体育数据分析感兴趣的研究人员使用。无论是想要开发自动交易策略，还是希望预测比赛结果，AlphaPy 都能提供强有力的支持。其核心亮点在于内置了两大专用模块：MarketFlow 专注于市场数据分析与投资组合管理，支持对接 pyfolio 进行深度回测；SportFlow 则专门用于体育赛事结果的建模与预测。\n\n在技术层面，AlphaPy 无缝集成了 scikit-learn、Keras、XGBoost、LightGBM 和 CatBoost 等主流算法库，支持自动生成混合堆叠集成模型，显著提升了预测精度。值得注意的是，该项目目前已推出升级版的 AlphaPy Pro，增加了对现代 Python 版本的支持，并引入了元标记（MetaLabeling）和自然语言处理（NLP）等高级功能，以满足更专业的企业级需求。对于希望在不编写大量底层代码的情况下实现专业级量化分析的用户来说，AlphaPy 是一个高效且灵活的选择。","AlphaPy\n=======\n\n|badge_pypi| |badge_downloads| |badge_docs|\n\n**AlphaPy** is a machine learning framework for both speculators and\ndata scientists. It is written in Python mainly with the ``scikit-learn``\nand ``pandas`` libraries, as well as many other helpful\npackages for feature engineering and visualization.\n\n🚀 **AlphaPy Pro is Now Available!**\n\n**AlphaPy Pro** - the professional edition of AlphaPy - is now publicly available!\nFeaturing modern Python 3.12+ support, enhanced performance, and enterprise-grade capabilities.\n\n* **Repository**: https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002Falphapy-pro\n* **Documentation**: https:\u002F\u002Fscottfreellc.github.io\u002Falphapy-pro\u002F\n* **Installation**: ``pip install alphapy-pro``\n\nHere are just some of the things you can do with **AlphaPy (legacy)**:\n\n* Run machine learning models using ``scikit-learn``, ``Keras``, ``xgboost``, ``LightGBM``, and ``CatBoost``.\n* Generate blended or stacked ensembles.\n* Create models for analyzing the markets with *MarketFlow*.\n* Predict sporting events with *SportFlow*.\n* Develop trading systems and analyze portfolios using *MarketFlow*\n  and Quantopian's ``pyfolio``.\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fmodel_pipeline.png\n    :width: 100%\n    :alt: AlphaPy Model Pipeline\n    :align: center\n\nAlphaPy Pro: Now Available!\n---------------------------\n\n**AlphaPy Pro** is the next generation of AlphaPy with enhanced features and modern capabilities:\n\n* **Modern Python 3.12+** support with UV package management\n* **Enhanced MarketFlow** with advanced financial ML features\n* **MetaLabeling Support** for sophisticated financial modeling\n* **NLP Features** for sentiment analysis and text processing\n* **Automated CI\u002FCD** with GitHub Actions and PyPI publishing\n* **Comprehensive Documentation** with tutorials and examples\n\n**Quick Start with AlphaPy Pro**::\n\n    pip install alphapy-pro\n    \n**Links**:\n\n* **GitHub Repository**: https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002Falphapy-pro\n* **Documentation**: https:\u002F\u002Fscottfreellc.github.io\u002Falphapy-pro\u002F\n* **PyPI Package**: https:\u002F\u002Fpypi.org\u002Fproject\u002Falphapy-pro\u002F\n\n**Note**: Active development has moved to AlphaPy Pro. This repository (AlphaPy) remains available for users who rely on the original version.\n\nDocumentation\n-------------\n\nhttp:\u002F\u002Falphapy.readthedocs.io\u002Fen\u002Flatest\u002F\n\nInstallation\n------------\n\nYou should already have pip, Python, and optionally XGBoost, LightGBM, and\nCatBoost installed on your system (see below). Run the following command to install\nAlphaPy::\n\n    pip install -U alphapy\n\nPyfolio\n~~~~~~~\n\nPyfolio is automatically installed by AlphaPy, but if you encounter\nthe following error when trying to create a tear sheet:\n\n    *AttributeError: 'numpy.int64' object has no attribute 'to_pydatetime'*\n\nInstall pyfolio with this command:\n\n    pip install git+https:\u002F\u002Fgithub.com\u002Fquantopian\u002Fpyfolio\n\nXGBoost\n~~~~~~~\n\nFor Mac and Windows users, XGBoost will *not* install automatically\nwith ``pip``. For instructions to install XGBoost on your specific\nplatform, go to http:\u002F\u002Fxgboost.readthedocs.io\u002Fen\u002Flatest\u002Fbuild.html.\n\nLightGBM\n~~~~~~~~\n\nFor instructions to install LightGBM on your specific\nplatform, go to https:\u002F\u002Flightgbm.readthedocs.io\u002Fen\u002Flatest\u002FInstallation-Guide.html.\n\nCatBoost\n~~~~~~~~\n\nFor instructions to install CatBoost on your specific\nplatform, go to https:\u002F\u002Fcatboost.ai\u002Fdocs\u002Fconcepts\u002Fpython-installation.html.\n\nMarketFlow\n----------\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fmarket_pipeline.png\n    :width: 100%\n    :alt: MarketFlow Model\n    :align: center\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fsystem_pipeline.png\n    :width: 100%\n    :alt: MarketFlow System\n    :align: center\n\nSportFlow\n---------\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fsports_pipeline.png\n    :width: 100%\n    :alt: SportFlow\n    :align: center\n\nGamePT\n------\n\nYou can find an implementation of MarketFlow here:\n\nhttps:\u002F\u002Fwww.scottfreellc.com\u002Fgamept\n\nSupport\n-------\n\nThe official channel for support is to open an issue on Github.\n\nhttp:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\n\nFollow us on Twitter:\n\nhttps:\u002F\u002Ftwitter.com\u002F_AlphaPy_?lang=en\n\nDonations\n---------\n\nIf you like the software, please donate:\n\nhttp:\u002F\u002Falphapy.readthedocs.io\u002Fen\u002Flatest\u002Fintroduction\u002Fsupport.html#donations\n\n\n.. |badge_pypi| image:: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Falphapy.svg\n.. |badge_docs| image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Falphapy\u002Fbadge\u002F?version=latest\n.. |badge_downloads| image:: https:\u002F\u002Fstatic.pepy.tech\u002Fbadge\u002Falphapy\n","AlphaPy\n=======\n\n|badge_pypi| |badge_downloads| |badge_docs|\n\n**AlphaPy** 是一个面向投机者和数据科学家的机器学习框架。它主要使用 Python 编写，依赖于 `scikit-learn` 和 `pandas` 库，同时还集成了许多用于特征工程和可视化的实用工具包。\n\n🚀 **AlphaPy Pro 现已发布！**\n\n**AlphaPy Pro**——AlphaPy 的专业版——现已公开发布！支持现代 Python 3.12+，性能更优，并具备企业级功能。\n\n* **仓库地址**: https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002Falphapy-pro\n* **文档**: https:\u002F\u002Fscottfreellc.github.io\u002Falphapy-pro\u002F\n* **安装命令**: ``pip install alphapy-pro``\n\n以下是您使用 **AlphaPy（旧版）** 可以完成的部分任务：\n\n* 使用 `scikit-learn`、`Keras`、`xgboost`、`LightGBM` 和 `CatBoost` 运行机器学习模型。\n* 构建混合或堆叠集成模型。\n* 利用 *MarketFlow* 创建市场分析模型。\n* 使用 *SportFlow* 预测体育赛事。\n* 结合 *MarketFlow* 和 Quantopian 的 `pyfolio` 开发交易系统并分析投资组合。\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fmodel_pipeline.png\n    :width: 100%\n    :alt: AlphaPy 模型流程图\n    :align: center\n\nAlphaPy Pro：现已上线！\n-----------------------\n\n**AlphaPy Pro** 是 AlphaPy 的下一代版本，拥有增强的功能和现代化特性：\n\n* 支持 **现代 Python 3.12+**，并采用 UV 包管理工具。\n* **增强的 MarketFlow** 提供先进的金融机器学习功能。\n* **MetaLabeling 支持**，适用于复杂的金融建模。\n* **NLP 功能**，用于情感分析和文本处理。\n* **自动化 CI\u002FCD**，通过 GitHub Actions 和 PyPI 发布实现。\n* **全面的文档**，包含教程和示例。\n\n**快速开始使用 AlphaPy Pro**::\n\n    pip install alphapy-pro\n    \n**相关链接**：\n\n* **GitHub 仓库**: https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002Falphapy-pro\n* **文档**: https:\u002F\u002Fscottfreellc.github.io\u002Falphapy-pro\u002F\n* **PyPI 包**: https:\u002F\u002Fpypi.org\u002Fproject\u002Falphapy-pro\u002F\n\n**注意**：当前开发工作已转移至 AlphaPy Pro。本仓库（AlphaPy）仍对依赖原版的用户提供支持。\n\n文档\n----\n\nhttp:\u002F\u002Falphapy.readthedocs.io\u002Fen\u002Flatest\u002F\n\n安装\n----\n\n您应确保系统中已安装 `pip`、`Python`，以及可选的 `XGBoost`、`LightGBM` 和 `CatBoost`（详见下文）。运行以下命令即可安装 AlphaPy：\n\n    pip install -U alphapy\n\nPyfolio\n~~~~~~~\n\nPyfolio 会由 AlphaPy 自动安装，但如果您在尝试生成报告时遇到以下错误：\n\n    *AttributeError: 'numpy.int64' object has no attribute 'to_pydatetime'*\n\n请使用以下命令手动安装 Pyfolio：\n\n    pip install git+https:\u002F\u002Fgithub.com\u002Fquantopian\u002Fpyfolio\n\nXGBoost\n~~~~~~~\n\n对于 Mac 和 Windows 用户，`XGBoost` 不会随 `pip` 自动安装。如需了解如何在您的特定平台上安装 XGBoost，请访问：http:\u002F\u002Fxgboost.readthedocs.io\u002Fen\u002Flatest\u002Fbuild.html。\n\nLightGBM\n~~~~~~~~\n\n有关在您的特定平台上安装 LightGBM 的说明，请参阅：https:\u002F\u002Flightgbm.readthedocs.io\u002Fen\u002Flatest\u002FInstallation-Guide.html。\n\nCatBoost\n~~~~~~~~\n\n关于在您的特定平台上安装 CatBoost 的指南，请访问：https:\u002F\u002Fcatboost.ai\u002Fdocs\u002Fconcepts\u002Fpython-installation.html。\n\nMarketFlow\n----------\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fmarket_pipeline.png\n    :width: 100%\n    :alt: MarketFlow 模型\n    :align: center\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fsystem_pipeline.png\n    :width: 100%\n    :alt: MarketFlow 系统\n    :align: center\n\nSportFlow\n---------\n\n.. image:: https:\u002F\u002Fgithub.com\u002FAlpha314\u002FAlphaPy\u002Fblob\u002Fmaster\u002Fimages\u002Fsports_pipeline.png\n    :width: 100%\n    :alt: SportFlow\n    :align: center\n\nGamePT\n------\n\n您可以在以下网址找到 MarketFlow 的实现：\n\nhttps:\u002F\u002Fwww.scottfreellc.com\u002Fgamept\n\n支持\n-------\n\n官方支持渠道为在 Github 上提交问题。\n\nhttp:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\n\n欢迎关注我们的 Twitter：\n\nhttps:\u002F\u002Ftwitter.com\u002F_AlphaPy_?lang=en\n\n捐赠\n---------\n\n如果您喜欢这款软件，请考虑捐赠：\n\nhttp:\u002F\u002Falphapy.readthedocs.io\u002Fen\u002Flatest\u002Fintroduction\u002Fsupport.html#donations\n\n\n.. |badge_pypi| image:: https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Falphapy.svg\n.. |badge_docs| image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Falphapy\u002Fbadge\u002F?version=latest\n.. |badge_downloads| image:: https:\u002F\u002Fstatic.pepy.tech\u002Fbadge\u002Falphapy","# AlphaPy 快速上手指南\n\nAlphaPy 是一个专为投机者和数据科学家设计的机器学习框架，基于 Python 构建，核心依赖 `scikit-learn` 和 `pandas`。它支持特征工程、可视化，并内置了 **MarketFlow**（金融市场分析）和 **SportFlow**（体育赛事预测）模块。\n\n> **注意**：目前活跃开发已转移至 **AlphaPy Pro**（支持 Python 3.12+ 及更多企业级功能）。如需体验最新版本，请参见文末说明。本指南主要针对原版 AlphaPy。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS, 或 Windows\n*   **Python 版本**：建议 Python 3.6 - 3.10（AlphaPy Pro 支持 3.12+）\n*   **包管理器**：已安装 `pip`\n\n### 可选依赖\n为了使用更强大的模型算法，建议手动安装以下库（部分在 Windows\u002FmacOS 上不会自动安装）：\n*   **XGBoost**: [安装指南](http:\u002F\u002Fxgboost.readthedocs.io\u002Fen\u002Flatest\u002Fbuild.html)\n*   **LightGBM**: [安装指南](https:\u002F\u002Flightgbm.readthedocs.io\u002Fen\u002Flatest\u002FInstallation-Guide.html)\n*   **CatBoost**: [安装指南](https:\u002F\u002Fcatboost.ai\u002Fdocs\u002Fconcepts\u002Fpython-installation.html)\n\n## 安装步骤\n\n### 1. 安装 AlphaPy\n使用 pip 进行安装：\n\n```bash\npip install -U alphapy\n```\n\n*(国内用户如遇下载缓慢，可添加清华源加速：`pip install -U alphapy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n### 2. 修复 Pyfolio 兼容性（可选）\n如果在生成绩效分析报告（tear sheet）时遇到 `AttributeError: 'numpy.int64' object has no attribute 'to_pydatetime'` 错误，请通过以下方式重新安装 pyfolio：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fquantopian\u002Fpyfolio\n```\n\n### 3. 安装 AlphaPy Pro（推荐新用户）\n如果您需要最新的 Python 3.12+ 支持、增强的金融 ML 功能及 NLP 特性，请安装专业版：\n\n```bash\npip install alphapy-pro\n```\n\n## 基本使用\n\nAlphaPy 的核心优势在于通过配置文件驱动完整的机器学习流程（从数据清洗到模型集成），而无需编写大量样板代码。\n\n### 典型工作流\n虽然具体代码取决于您的任务类型（通用建模、市场交易或体育预测），但标准使用模式如下：\n\n1.  **准备数据**：整理好您的 CSV 数据文件。\n2.  **创建配置**：编写一个 YAML 或 JSON 配置文件，定义数据路径、特征工程步骤、模型选择（如 XGBoost, LightGBM, CatBoost）以及是否启用集成学习（Blending\u002FStacking）。\n3.  **运行管道**：在命令行中调用 AlphaPy 并传入配置文件。\n\n#### 示例命令结构\n假设您有一个名为 `config.yaml` 的配置文件：\n\n```bash\nalphapy --config config.yaml\n```\n\n该命令将自动执行以下流程：\n*   加载数据并进行预处理。\n*   执行特征工程。\n*   训练指定的多个模型。\n*   生成混合或堆叠集成模型。\n*   输出评估报告和可视化结果。\n\n### 特定领域应用\n*   **金融市场 (MarketFlow)**: 用于开发交易系统和分析投资组合（集成 `pyfolio`）。\n*   **体育赛事 (SportFlow)**: 专门用于预测体育赛事结果。\n\n详细的功能配置示例和教程，请参考官方文档：\n*   **AlphaPy (Legacy)**: http:\u002F\u002Falphapy.readthedocs.io\n*   **AlphaPy Pro**: https:\u002F\u002Fscottfreellc.github.io\u002Falphapy-pro\u002F","一位量化交易员正试图构建一个基于多因子模型的加密货币自动交易系统，需要从海量历史数据中挖掘有效信号并回测策略表现。\n\n### 没有 AlphaPy 时\n- **重复造轮子耗时严重**：必须手动编写大量代码来串联数据清洗、特征工程、模型训练（如 XGBoost\u002FLightGBM）和回测流程，开发周期长达数周。\n- **模型对比困难**：尝试不同算法或调整参数时，缺乏统一的评估框架，难以快速判断哪个模型在实盘中更稳健。\n- **回测分析不直观**：集成 Pyfolio 进行绩效分析时常遇到版本兼容报错（如 numpy 类型错误），且无法一键生成专业的资金曲线和风险指标报告。\n- **特征工程门槛高**：针对金融时间序列的特殊处理（如滞后变量、滚动统计）需要深厚的领域知识，新手极易遗漏关键因子。\n\n### 使用 AlphaPy 后\n- **流水线自动化部署**：利用 MarketFlow 模块，通过配置文件即可一键启动从数据加载到模型训练的完整流水线，将策略开发时间缩短至几天。\n- **自动化模型优选**：AlphaPy 自动运行多种机器学习算法并生成混合集成模型，直接输出最优策略组合，大幅提升预测准确率。\n- **专业回测无缝衔接**：内置修复版的 Pyfolio 集成，自动生成包含夏普比率、最大回撤等关键指标的专业“泪点图”（Tear Sheet），即时洞察策略风险。\n- **内置金融特征库**：调用预置的金融特征工程模板，轻松构建针对交易数据的滞后项和动量指标，让非资深数据科学家也能快速上手。\n\nAlphaPy 将繁琐的量化建模流程标准化与自动化，让交易者能专注于策略逻辑本身而非代码实现细节。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FScottfreeLLC_AlphaPy_fd7740c8.png","ScottfreeLLC","Scottfree Analytics LLC","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FScottfreeLLC_2225d40d.jpg","Generative AI, Data Science, Machine Learning, and Predictive Analytics",null,"scottfree.analytics@scottfreellc.com","http:\u002F\u002Fwww.scottfreellc.com","https:\u002F\u002Fgithub.com\u002FScottfreeLLC",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1709,271,"2026-04-10T14:29:59","Apache-2.0","Linux, macOS, Windows","未说明",{"notes":93,"python":94,"dependencies":95},"XGBoost 在 macOS 和 Windows 上无法通过 pip 自动安装，需参考官方文档手动编译安装。若使用 pyfolio 创建报表时遇到 numpy 类型错误，需从 GitHub 源码安装特定版本。项目主要维护已转移至 AlphaPy Pro。","未说明 (AlphaPy Pro 支持 Python 3.12+)",[96,97,98,99,100,101,102],"scikit-learn","pandas","Keras","xgboost","LightGBM","CatBoost","pyfolio",[16,104,14],"其他",[106,107,108,109,96,97,110,111,112,113,114,115,116,117,118,119,120,121,122,123],"machine-learning","predictive-analytics","classification","regression","trading","stocks","sports","portfolio","cryptocurrency","trading-strategies","keras","data-science","python","iex","deep-learning","trading-platform","time-series-analysis","backtesting","2026-03-27T02:49:30.150509","2026-04-11T08:01:36.983316",[127,132,137,142,147,152],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},29180,"运行示例时遇到 'ValueError: model.yml features:encoding:type target unrecognized' 错误怎么办？","该错误通常是由于依赖包版本过旧或 YAML 配置文件格式不匹配导致的。解决方法是更新相关依赖包，并检查项目目录下的 model.yml 文件，确保 encoding type 配置正确。用户反馈在更新依赖和修正 YAML 文件后问题解决。","https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\u002F31",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},29181,"为什么在 Python 编辑器环境中直接运行示例脚本会找不到 'alphapy' 或 'market_flow' 文件？","这是因为 AlphaPy 设计为命令行工具使用，而非直接在 Python 编辑器中作为脚本导入运行。此外，早期版本存在多线程问题（特别是与 xgboost 和 Keras 配合使用时 njobs > 1 的情况），以及 sklearn 和 pandas 的 API 变更导致示例代码失效。建议通过命令行终端运行 'alphapy' 命令，并确保安装了兼容版本的依赖包。","https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\u002F21",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},29182,"导入 imblearn 时出现 'ImportError: cannot import name BalanceCascade' 错误如何解决？","这是由于 imbalanced-learn (imblearn) 库的版本更新移除了 'BalanceCascade' 类或改变了导入路径。解决方案有两种：1. 升级 AlphaPy 到 2.4.3 及以上版本，该版本已修复此问题；2. 手动修改源码，将 'from imblearn.ensemble import BalanceCascade' 改为 'import imblearn.ensemble'，并在代码中通过模块调用。同时，plot.py 中也可能需要类似地修改 sklearn.ensemble 的导入方式。","https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\u002F38",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},29183,"运行 Kaggle 示例时遇到 'fit() got an unexpected keyword argument eval_set' 错误？","该错误通常发生在 XGBoost 版本不兼容时。若要在 AlphaPy 中使用 XGBoost 进行 RFECV（递归特征消除），请确保在 algos.yml 配置文件中将 XGB 算法的 'scoring' 参数设置为 'True'。注意，早期版本可能不支持 XGB 的 RFE 功能，网格搜索可能会耗时较长。","https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\u002F12",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},29184,"Google Finance 数据源受限（仅限一年历史数据）或不稳定，有什么替代方案？","由于 Google Finance 免费数据源的限制和不稳定性，建议切换到其他数据源。维护者推荐使用 Quandl 作为替代方案来获取更长的历史市场数据。项目后续计划集成 Quandl 作为官方支持的数据源之一。","https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\u002F11",{"id":153,"question_zh":154,"answer_zh":155,"source_url":131},29185,"如何在 Ubuntu 或 Windows (WSL) 上正确配置并运行 AlphaPy 项目？","建议在 Ubuntu 环境（包括 Windows 上的 WSL）中使用 Python 3 运行。确保项目目录结构包含 config (algos.yml, model.yml), data, input (train.csv, test.csv) 等文件夹。进入项目目录后，直接在终端运行 'alphapy' 命令即可启动，而不是通过 Python 解释器运行脚本。如果遇到卡顿，请检查依赖包版本及日志文件 alphapy.log。",[157,162,167,172,177,182,187,192,197,202,207],{"id":158,"version":159,"summary_zh":160,"released_at":161},197996,"2.5.0","此版本支持以下可选软件包：\n\n* [LightGBM](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FLightGBM)\n* [CatBoost](https:\u002F\u002Fgithub.com\u002Fcatboost\u002Fcatboost)","2020-08-29T18:48:20",{"id":163,"version":164,"summary_zh":165,"released_at":166},197997,"2.4.3","本次发布包含了基于 Python 生态系统主要版本的错误修复和代码重构。","2020-08-25T23:45:30",{"id":168,"version":169,"summary_zh":170,"released_at":171},197998,"2.4.0","此版本包含以下功能：\n\n* 特征重要性图中现在会显示特征名称。\n\n* 分类编码器已更新：https:\u002F\u002Fcontrib.scikit-learn.org\u002Fcategorical-encoding\u002F\n\n* 混淆矩阵现在同时显示计数和百分比。\n\n* 本版本已针对 pandas 1.0 和 scikit-learn 0.22 进行了更新。\n\n* 修复了若干 bug 并进行了代码重构。如遇任何问题，请提交至：https:\u002F\u002Fgithub.com\u002FScottfreeLLC\u002FAlphaPy\u002Fissues\n","2020-02-09T21:13:44",{"id":173,"version":174,"summary_zh":175,"released_at":176},197999,"2.3.9","此版本包含以下功能：\n\n* 在 `market.yml` 文件的 **market** 部分，新增了 **subschema**、**api_key_name** 和 **api_key** 字段。Subschema 指的是某个服务中的特定数据源。例如，WIKI 是 Quandl 中的一个股票数据源，因此将 **schema** 设置为 `quandl`，而 **subschema** 设置为 `wiki`。我们还添加了 API 密钥，这是访问 IEX 和 Quandl 所必需的。**api_key_name** 是由平台定义的环境变量，您需要注册一个 API 密钥，并按照下面的示例将 **api_key** 值填入。\n\n~~~~\nmarket:\n    create_model    : True\n    data_fractal    : 1w\n    data_history    : 2000\n    forecast_period : 1\n    fractal         : 1d\n    lag_period      : 1\n    leaders         : []\n    predict_history : 50\n    schema          : iex\n    subschema       :\n    api_key_name    : IEX_TOKEN\n    api_key         : xx_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx\n    subject         : stock\n    target_group    : tech\n~~~~\n\n* **IEX** 数据已迁移到云端，访问时需要提供 API 密钥。我们使用 Python 包 **iexfinance** 来获取历史日线和盘中数据。由于其不同的定价层级，如果您仍处于免费层级，可能会很快用完配额。\n\n* **Yahoo** 的日线数据仍然可以通过 `pandas-datareader` 获取（无需 API 密钥），而盘中数据则通过自定义的 Yahoo URL 进行速率限制。\n\n* 此外，`pandas-datareader` 还提供了其他股票价格来源。根据具体 API 的不同，我们可能支持或不支持这些特定的数据源。\n\n* **Quandl** 的 WIKI 数据源已停止提供每日价格，但您仍然可以获取 2018 年 3 月 27 日之前的 historical 数据。\n\n* **Google Finance** API 已经不再可用。\n\n* 请注意，AlphaPy 会实时从上述数据源获取所有数据；但如果您已在其他地方获取了历史价格数据，可以直接将文件放入 `data` 目录中（使用 **schema** 为 `data`），AlphaPy 将自动加载这些数据。\n\n* 我们建议将 **IEX** 作为您的主要数据源，但如果您只需要日线数据，也可以选择 **Yahoo**。\n\n* 以前，AlphaPy 要求分别提供训练数据和测试数据的文件。现在，您可以只提供一个训练文件，AlphaPy 会自动将其拆分为训练集和测试集。您可以在 `model.yml` 文件中调整 **split** 比例。\n\n* 当 AlphaPy 以预测模式运行时，它会使用 `market.yml` 文件中的 **predict_history** 参数来构建那些需要历史时间序列数据的特征，例如 50 日移动平均线。因此，**predict_history** 应设置为该特征所需的历史最长周期数。（注意：这并不适用于模型训练，该问题已在本版本中修复。）\n\n* 现在直接导入了 **joblib** 包，许多与多进程相关的 bug 似乎已被修复。\n\n* 之前存在的列删除 bug 已被修复。","2019-11-17T21:03:23",{"id":178,"version":179,"summary_zh":180,"released_at":181},198000,"2.3.3","本次发布包含以下功能：\n\n* [IEX](https:\u002F\u002Fiextrading.com\u002Fdeveloper\u002Fdocs\u002F) 交易所现已成为默认的日终股票行情源。您可以下载长达5年的历史日线数据。\n\n* 修复了若干市场数据相关的错误。\n\n* 已移除多进程 fork 相关代码。如果您在使用 Keras 和多进程时仍然遇到问题，请将 **model.yml** 文件中的 *number_jobs* 参数设置为 *1*。\n","2018-09-16T14:45:49",{"id":183,"version":184,"summary_zh":185,"released_at":186},198001,"2.3.1","此版本包含以下功能：\n\n* 现在可以使用 **[Keras 顺序模型](https:\u002F\u002Fkeras.io\u002Fmodels\u002Fsequential\u002F)** 进行分类和回归。请参阅 *algos.yml* 配置文件中的 **KERASC** 和 **KERASR** 条目。请注意，`input_shape` 参数将由 AlphaPy 根据训练集的形状自动添加，且每个模型最多支持 10 层。\n\n~~~~\n\nKERASC:\n    # Keras 分类\n    model_type : classification\n    layers     : [\"Dense(12, activation='relu')\",\n                  \"Dense(1, activation='sigmoid')\"]\n    compiler   : {\"optimizer\" : 'rmsprop',\n                  \"loss\" : 'binary_crossentropy',\n                  \"metrics\" : 'accuracy'}\n    params     : {\"epochs\" : 50,\n                  \"batch_size\" : 10,\n                  \"verbose\" : 1}\n    grid       : {}\n\nKERASR:\n    # Keras 回归\n    model_type : regression\n    layers     : [\"Dense(10, activation='relu')\",\n                  \"Dense(1)\"]\n    compiler   : {\"optimizer\" : 'rmsprop',\n                  \"loss\" : 'mse'}\n    params     : {\"epochs\" : 50,\n                  \"batch_size\" : 10,\n                  \"verbose\" : 1}\n    grid       : {}\n\n~~~~\n\n* 移除冗余的 RFE 代码和估计器类。RFE 仅在存在 **coef_** 或 **feature_importances_** 属性时才会执行。\n\n* 仅报告（记录）与分类或回归相关的指标。\n\n* 为分类指标新增了 **[布里尔分数](http:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fgenerated\u002Fsklearn.metrics.brier_score_loss.html)** 和 **[科恩 kappa 系数](http:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fgenerated\u002Fsklearn.metrics.cohen_kappa_score.html)**。\n\n* 从 *algos.yml* 配置文件中移除 **scoring** 字段。只需在 *model.yml* 文件中使用 **scoring_function** 即可。","2018-05-21T18:15:14",{"id":188,"version":189,"summary_zh":190,"released_at":191},198002,"2.2.2","本次发布实现了模型与 **MarketFlow** 系统的对接，即现在可以将分类器生成的概率作为交易信号使用。例如：\n\n~~~~\nsystem:\n    name       : alpha\n    holdperiod : 0\n    longentry  : phigh_0.6\n    longexit   :\n    shortentry :\n    shortexit  :\n    scale      : False\n~~~~\n\n变量 **phigh** 和 **plow** 是由 *AlphaPy* 定义的变量。例如，如果时间序列预测所关联的概率大于或等于 0.6，则系统会做多。同样地，做空条件可以设置为 *plow_0.4*，表示概率小于或等于 0.4。\n\n此外，本次发布还修复了变量名中包含 **‘.’** 的问题，如上述示例所示。\n\n在 *market.yml* 文件的 **market** 部分，新增了 **create_model** 和 **data_fractal** 字段（移除了 **resample_data**）。如果 **fractal** 与 **data_fractal** 不同，则数据会按照 **fractal** 的频率进行重采样。如果您希望在创建初始模型后测试不同的系统，或者您的系统是独立运行、不依赖模型输出的，则可将 **create_model** 设置为 *False*。\n\n~~~~\nmarket:\n    create_model    : True\n    data_fractal    : 1min\n    data_history    : 100\n    forecast_period : 1\n    fractal         : 20min\n    lag_period      : 1\n    leaders         : []\n    predict_history : 50\n    schema          : data\n    subject         : crypto\n    target_group    : btc\n~~~~\n\n最后，现在有一个通用的系统框架，适用于日线和日内系统。日内信号会在收盘时自动平仓。所有系统的格式均如上所示，您可以将基于模型的信号与技术指标信号混合使用。","2018-01-25T23:47:30",{"id":193,"version":194,"summary_zh":195,"released_at":196},198003,"2.2.1","现已通过 pandas 的 Web 数据读取器添加了对 **Quandl** 数据的支持（#15），例如，您现在可以在 schema 字段中指定 *quandl_wiki*。请注意，WIKI 是 Quandl 提供的免费日终股票数据源，但其数据历史较短。关于 Google 和 Yahoo 的股票数据状况，AlphaPy 仍可从 Google 获取盘中数据，但已无法再获取日终数据。而从 Yahoo 获取日终股票数据则时断时续，因此为确保数据的一致性，我们建议使用付费数据提供商。\n\n现在您可以将文件直接拖放到 *data* 目录中：无论是盘中数据、日线数据，还是其他任何定期时间序列数据均可。盘中数据必须包含单独的 *date* 和 *time* 列，以及 OHLCV 列；而日线及以上周期的数据则只需 *date* 列即可。要使用本地数据，请在 *market.yml* 文件中指定 *schema: data*。文件名需符合约定格式：*symbol_subject_schema_fractal.csv*，例如 aapl_stock_data_1d.csv。\n\n我们新增了一个 *crypto* 主题，用于在加密货币数据上测试 AlphaPy。不久后我们将发布另一篇教程，演示如何在 *btc_crypto_data_1min.csv* 上测试一个突破开仓策略。需要注意的是，如果用户选择基于原始数据进行重采样，分形 now 会遵循 Pandas Series 的偏移规则（#16）。","2017-12-31T17:14:19",{"id":198,"version":199,"summary_zh":200,"released_at":201},198004,"2.1","本版本包含以下功能：\n\n1. 序列到序列的输入与输出（问题 #9）\n2. 带日期戳的训练和测试文件（问题 #10）\n3. 扩展的数据流日志记录","2017-10-20T19:05:03",{"id":203,"version":204,"summary_zh":205,"released_at":206},198005,"2.0.1","用于修复每日数据访问的错误修复版本。雅虎不再提供每日行情，因此我们已切换至谷歌财经。","2017-05-30T12:48:34",{"id":208,"version":209,"summary_zh":210,"released_at":211},198006,"2.0","First release of AlphaPy","2017-05-01T22:29:43"]