golang-crypto-trading-bot
golang-crypto-trading-bot 是一款基于 Go 语言开发的命令行加密货币交易机器人,旨在帮助用户在各大主流交易所实现自动化交易策略。它解决了手动交易耗时耗力、难以实时捕捉市场波动以及情绪化决策导致亏损等痛点,通过程序化执行让交易更加纪律化和高效。
这款工具特别适合具备一定编程基础的开发者、量化交易研究人员以及希望自定义策略的进阶投资者使用。用户不仅可以下载现成版本直接运行,还能利用其开放的架构编写并绑定个性化的交易策略,灵活应对多变的市场环境。
其核心技术亮点在于支持“模拟交易模式”。在正式投入真金白银之前,用户可以在沙盒环境中使用虚拟资金进行策略回测和演练,有效验证策略可行性并规避初期风险。此外,golang-crypto-trading-bot 兼容 Bittrex、Binance、Kraken、Bitfinex 等多个知名交易所,同时支持 REST API 和 WebSocket 实时数据推送,确保交易指令的快速执行与信息的即时同步。通过简洁的 YAML 配置文件,用户可以轻松管理多交易所账户、设置存款地址及分配虚拟余额,快速搭建起属于自己的自动化交易系统。
使用场景
一位量化交易开发者希望在不投入真实资金的前提下,验证其自定义的套利策略在 Bitfinex 和 Binance 等多个交易所的实际表现。
没有 golang-crypto-trading-bot 时
- 开发者需手动编写大量样板代码来对接不同交易所的 API,处理鉴权、速率限制和数据格式差异,耗时且易错。
- 缺乏统一的模拟交易环境,测试策略时必须使用真实资金或搭建复杂的本地沙盒,面临不必要的亏损风险。
- 难以同时在多个交易所(如 Bitfinex 和 HitBtc)运行同一策略进行对比,无法快速发现跨交易所的套利机会。
- 策略逻辑与底层交易执行耦合紧密,每次调整算法都需要重新编译整个项目,迭代效率极低。
- 缺少控制台实时监控界面,只能依靠日志文件排查问题,无法直观掌握订单执行状态和账户余额变化。
使用 golang-crypto-trading-bot 后
- 直接调用内置的多交易所支持(涵盖 REST 和 WebSocket),只需配置 YAML 文件即可连接 Bitfinex、Binance 等主流平台,大幅降低接入成本。
- 开启
simulation_mode并设置fake_balances,立即获得安全的纸面交易环境,可在零风险下完整回测策略逻辑。 - 通过简单的配置文件绑定,让同一策略同时在多个交易所的市场(如 ETH-BTC)并行运行,轻松捕捉跨平台价差。
- 利用
AddCustomStrategy接口将自定义算法无缝插入主程序,实现策略开发与交易执行的解耦,修改后即刻生效。 - 原生的控制台界面实时推送成交信息与资产变动,开发者可直观监控机器人运行状态,快速定位异常。
golang-crypto-trading-bot 让开发者从繁琐的基建工作中解放出来,专注于核心策略优化,实现了从“造轮子”到“跑策略”的高效转变。
运行环境要求
- 未说明
不需要
未说明

快速开始

Golang 加密货币交易机器人
一个基于控制台的加密货币交易所交易机器人的 Go 实现。
使用方法
您可以下载发布的版本,或者直接从本仓库构建代码。
go get github.com/saniales/golang-crypto-trading-bot
如果需要,您可以创建一个策略并将其绑定到机器人:
import bot "github.com/saniales/golang-crypto-trading-bot/cmd"
func main() {
bot.AddCustomStrategy(examples.MyStrategy)
bot.Execute()
}
有关策略的参考,请参阅 Godoc 文档。
模拟模式
如果启用,机器人将进行模拟交易,即在沙盒环境中执行虚假订单。
若启用模拟模式,必须为每个交易所的每种币种指定一个假余额。
支持的交易所
| 交易所名称 | REST 支持 | WebSocket 支持 |
|---|---|---|
| Bittrex | 是 | 否 |
| Poloniex | 是 | 是 |
| Kraken | 是(不支持提现) | 否 |
| Bitfinex | 是 | 是 |
| Binance | 是 | 是 |
| Kucoin | 是 | 否 |
| HitBtc | 是 | 是 |
配置文件模板
您可以根据此示例创建配置文件,或者运行编译后的可执行文件中的 init 命令。
simulation_mode: true # 如果您想启用模拟模式。
exchange_configs:
- exchange: bitfinex
public_key: bitfinex_public_key
secret_key: bitfinex_secret_key
deposit_addresses:
BTC: bitfinex_deposit_address_btc
ETH: bitfinex_deposit_address_eth
ZEC: bitfinex_deposit_address_zec
fake_balances: # 仅在启用模拟模式时使用,未启用时可省略。
BTC: 100
ETH: 100
ZEC: 100
ETC: 100
- exchange: hitbtc
public_key: hitbtc_public_key
secret_key: hitbtc_secret_key
deposit_addresses:
BTC : hitbtc_deposit_address_btc
ETH: hitbtc_deposit_address_eth
ZEC: hitbtc_deposit_address_zec
fake_balances:
BTC: 100
ETH: 100
ZEC: 100
ETC: 100
strategies:
- strategy: strategy_name
markets:
- market: ETH-BTC
bindings:
- exchange: bitfinex
market_name: ETHBTC
- exchange: hitbtc
market_name: ETHBTC
- market: ZEC-BTC
bindings:
- exchange: bitfinex
market_name: ZECBTC
- exchange: hitbtc
market_name: ZECBTC
- market: ETC-BTC
bindings:
- exchange: bitfinex
market_name: ETCBTC
- exchange: hitbtc
market_name: ETCBTC
捐赠
欢迎捐赠:
| 方式 | 地址 |
|---|---|
| PayPal | https://paypal.me/AlessandroSanino |
| BTC | 1DVgmv6jkUiGrnuEv1swdGRyhQsZjX9MT3 |
| XVG | DFstPiWFXjX8UCyUCxfeVpk6JkgaLBSNvS |
| ETH | 0x2fe7bd8a41e91e9284aada0055dbb15ecececf02 |
| USDT | 18obCEVmbT6MHXDcPoFwnUuCmkttLbK5Xo |
版本历史
v0.2.02025/09/30v0.1.12024/01/08v0.1.02023/02/26v0.0.3-alpha2022/01/18v0.0.2-alpha2018/11/05v0.0.1-alpha2018/07/20常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单,汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点,这份清单按编程语言(如 Python、C++、Go 等)和应用场景(如计算机视觉、自然语言处理、深度学习等)进行了系统化分类,帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库,还是资深工程师对比不同语言的技术选型,都能从中获得极具价值的参考。此外,清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源,构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准:明确标记已停止维护或长期未更新的项目,确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”,awesome-machine-learning 以开源协作的方式持续更新,旨在降低技术探索门槛,让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库,依托于 SciPy、NumPy 等科学计算生态,旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口,涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具,内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言,scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点,让用户无需重复造轮子,只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格,所有估算器(Estimator)均遵循相同的调用逻辑,极大地降低了学习成本并提升了代码的可读性与可维护性。此外,它还提供了强大的模型选择与评估工具,如交叉验证和网格搜索,帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目,scikit-learn 以其稳定性、详尽的文档和活跃的社区支持,成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架,旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员,还是需要快速落地产品的工程师,都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码,即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性,还允许开发者根据需求自由选择:利用 JAX 或 PyTorch 的即时执行模式进行高效调试,或切换至速度最快的后端以获得最高 350% 的性能提升。此外,Keras 具备强大的扩展能力,能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群,是连接原型开发与生产部署的理想桥梁。

