[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-whchien--ai-trader":3,"tool-whchien--ai-trader":62},[4,18,26,36,46,54],{"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",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"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",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":79,"owner_email":80,"owner_twitter":80,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":135},9298,"whchien\u002Fai-trader","ai-trader","Backtrader-powered backtesting framework for algorithmic trading, featuring 20+ strategies, multi-market support, CLI tools, and an integrated MCP server for professional traders.","ai-trader 是一款基于 Backtrader 构建的专业算法交易回测框架，旨在帮助交易者轻松测试、优化并整合交易策略。它解决了传统回测流程配置复杂、难以复现以及缺乏人工智能辅助的痛点，让用户能够通过简单的 YAML 配置文件管理整个回测工作流，确保结果的可重复性。\n\n这款工具特别适合量化交易开发者、金融研究人员以及希望利用大语言模型（LLM）辅助决策的专业交易员。无论是美股、台股、加密货币还是外汇市场，ai-trader 都能提供统一的支持。其内置了超过 20 种从经典指标到自适应模型的策略库，用户也可借助清晰的代码结构快速开发自定义策略。\n\nai-trader 的独特亮点在于其无缝集成的 MCP（模型上下文协议）服务器，允许 Claude 等 AI 助手直接调用工具运行回测、获取数据和分析策略，实现了真正的\"AI 代理交易”。此外，它提供了功能强大的命令行界面（CLI），支持一键下载多市场历史数据，并创新性地引入 SQLite 持久化缓存机制，将重复数据加载速度提升至毫秒级，大幅提高了研发效率。通过结合灵活的配置驱动模式与现代化的 AI 交互能力，ai-trader 为算法交","ai-trader 是一款基于 Backtrader 构建的专业算法交易回测框架，旨在帮助交易者轻松测试、优化并整合交易策略。它解决了传统回测流程配置复杂、难以复现以及缺乏人工智能辅助的痛点，让用户能够通过简单的 YAML 配置文件管理整个回测工作流，确保结果的可重复性。\n\n这款工具特别适合量化交易开发者、金融研究人员以及希望利用大语言模型（LLM）辅助决策的专业交易员。无论是美股、台股、加密货币还是外汇市场，ai-trader 都能提供统一的支持。其内置了超过 20 种从经典指标到自适应模型的策略库，用户也可借助清晰的代码结构快速开发自定义策略。\n\nai-trader 的独特亮点在于其无缝集成的 MCP（模型上下文协议）服务器，允许 Claude 等 AI 助手直接调用工具运行回测、获取数据和分析策略，实现了真正的\"AI 代理交易”。此外，它提供了功能强大的命令行界面（CLI），支持一键下载多市场历史数据，并创新性地引入 SQLite 持久化缓存机制，将重复数据加载速度提升至毫秒级，大幅提高了研发效率。通过结合灵活的配置驱动模式与现代化的 AI 交互能力，ai-trader 为算法交易提供了一个高效、开放且易于扩展的技术底座。","# AI-Trader\n\n[![Python Version](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.11%2B-blue)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-GPL--3.0-green)](LICENSE)\n\n[中文版說明 (Chinese Subpage)](README_zh.md)\n\nA professional, config-driven backtesting framework for algorithmic trading, built on Backtrader. Seamlessly test, optimize, and integrate trading strategies with Large Language Models (LLMs) across stocks, crypto, and forex markets.\n\n![Demo GIF](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwhchien_ai-trader_readme_bb12fcf41109.gif)\n\n## Key Features\n\n- **Config-Driven Workflows**: Define and manage backtests with version-controllable YAML files for reproducible results.\n- **Seamless LLM Integration**: Built-in MCP (Model Context Protocol) server allows AI assistants like Claude to run backtests, fetch data, and analyze strategies.\n- **Multi-Market Support**: Test strategies on US stocks, Taiwan stocks, cryptocurrencies, and forex.\n- **Extensive Strategy Library**: Comes with over 20 built-in strategies, from classic indicators to advanced adaptive models.\n- **Powerful CLI**: A rich command-line interface to run backtests, fetch market data, and list strategies.\n- **Developer Friendly**: Easily create and test custom strategies with simple helpers and a clear structure.\n\n## Quick Start\n\n**1. Installation**\n\n**Option A: Install from PyPI (Recommended for using the CLI)**\n```bash\npip install ai-trader\n```\nUse this if you want to:\n- Use the CLI commands: `ai-trader run`, `ai-trader fetch`, `ai-trader quick`\n- Run backtests on your own data files\n- Use as a library in your Python projects\n\n**Option B: Install from Source (Recommended for examples and config templates)**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader.git\ncd ai-trader\n\n# Install dependencies (choose one method)\nuv sync        # Recommended (fastest, modern tool)\n# poetry install   # Or use Poetry\n# pip install -e .  # Or traditional pip with editable install\n```\nUse this if you want to:\n- Run the config-based examples in `config\u002Fbacktest\u002F`\n- Use the example data files in `data\u002F`\n- Run the example scripts in `scripts\u002Fexamples\u002F`\n- Contribute or customize strategies\n\n**2. Run a Backtest via CLI**\n\n**If you cloned from source**, run a predefined backtest using a configuration file:\n```bash\n# Run a backtest from a config file (requires source installation)\nai-trader run config\u002Fbacktest\u002Fclassic\u002Fsma_example.yaml\n```\n\nOr, run a quick backtest on any data file (works with both pip and source installation):\n```bash\n# Quick backtest on your own data file\nai-trader quick CrossSMAStrategy your_data.csv --cash 100000\n```\n\n**3. Fetch Market Data**\n\nDownload historical data for any supported market:\n```bash\n# US Stock (default: saves to CSV)\nai-trader fetch TSM --market us_stock --start-date 2020-01-01\n\n# Taiwan Stock (台灣股票)\nai-trader fetch 2330 --market tw_stock --start-date 2020-01-01\n\n# Cryptocurrency\nai-trader fetch BTC-USD --market crypto --start-date 2020-01-01\n\n# With SQLite persistent caching (NEW!)\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite\n\n# Save to both CSV and SQLite\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage both\n```\n\n**Persistent Data Storage with SQLite**\n\nBy default, `ai-trader fetch` saves data to CSV. For faster repeated backtests, use SQLite:\n\n```bash\n# First fetch: Downloads from API and caches in SQLite (~2-3 seconds)\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite\n\n# Repeated fetch: Loads from cache (~50ms, no API call)\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite\n\n# Check cached data\nai-trader data list\nai-trader data info\n\n# Clean old data\nai-trader data clean --market us_stock --before 2020-01-01\n```\n\n[**Learn more about SQLite Storage →**](agentic_ai_trader\u002Ftrading-backtester\u002FREADME.md#persistent-data-storage-with-sqlite)\n\n## Core Workflows\n\n### 1. Configuration-Based Backtesting\n\nThe most robust way to run backtests is with a YAML config file.\n\n**`my_backtest.yaml`:**\n```yaml\nbroker:\n  cash: 1000000\n  commission: 0.001425\n\ndata:\n  file: \"data\u002Fus_stock\u002FTSM.csv\"\n  start_date: \"2020-01-01\"\n  end_date: \"2023-12-31\"\n\nstrategy:\n  class: \"CrossSMAStrategy\"\n  params:\n    fast: 10\n    slow: 30\n\nsizer:\n  type: \"percent\"\n  params:\n    percents: 95\n```\n**Run it:**\n```bash\nai-trader run my_backtest.yaml\n```\nSee `config\u002Fbacktest\u002F` for more examples.\n\n### 2. Python-Based Backtesting\n\nFor more granular control or integration into other Python scripts.\n\n**Simple approach:**\n```python\nfrom ai_trader import run_backtest\nfrom ai_trader.backtesting.strategies.classic.sma import CrossSMAStrategy\n\n# Run backtest with example data\nresults = run_backtest(\n    strategy=CrossSMAStrategy,\n    data_source=None,  # Uses built-in example data\n    cash=1000000,\n    strategy_params={\"fast\": 10, \"slow\": 30}\n)\n```\n\n**Step-by-step control:**\nSee `scripts\u002Fexamples\u002F02_step_by_step.py` for a detailed example.\n\n### 3. LLM Integration (MCP Server)\n\nRun `ai-trader` as a server to let AI assistants interact with your backtesting engine.\n\n**Start the Server (for testing):**\n```bash\npython -m ai_trader.mcp\n```\n\n**Configure with Claude Desktop (Recommended):**\n\n1. Locate your Claude Desktop configuration file:\n   - **macOS\u002FLinux**: `~\u002F.config\u002FClaude\u002Fclaude_desktop_config.json`\n   - **Windows**: `%APPDATA%\\Claude\\claude_desktop_config.json`\n\n2. Add the `ai-trader` MCP server to the `mcpServers` section:\n\n```json\n{\n  \"mcpServers\": {\n    \"ai-trader\": {\n      \"command\": \"python3\",\n      \"args\": [\"-m\", \"ai_trader.mcp\"],\n      \"cwd\": \"\u002Fpath\u002Fto\u002Fai-trader\"\n    }\n  }\n}\n```\n\n**Configuration Notes:**\n- Replace `\u002Fpath\u002Fto\u002Fai-trader` with your actual ai-trader project directory\n- If using a virtual environment, use the full path to the Python executable: `\u002Fpath\u002Fto\u002F.venv\u002Fbin\u002Fpython3`\n- Restart Claude Desktop after updating the config file\n\nOnce configured, you can use Claude to interact with your backtesting engine with natural language commands like:\n- *\"Run a backtest of the CrossSMAStrategy on TSM data from 2020-2022.\"*\n- *\"List all available trading strategies.\"*\n- *\"Fetch Apple stock data from 2021 to 2024.\"*\n\n## Creating Custom Strategies\n\n### Option 1: Using Claude Code Skills (Recommended)\n\nThe fastest way to create a new strategy is with the `\u002Fadd-strategy` skill in Claude Code. The skill guides you through the process interactively:\n\n```bash\n\u002Fadd-strategy classic\n```\n\nThis will prompt you for:\n- Strategy name (e.g., \"MACDBBands\")\n- Description\n- Parameters with defaults\n- Entry and exit conditions\n- Any custom indicators\n\nThe skill automatically handles:\n- File creation with proper naming conventions\n- Comprehensive docstrings\n- Automatic registration in `__init__.py`\n- Syntax validation\n\nLearn more about Claude Code skills: https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fskills\n\n### Option 2: Manual Creation\n\nCreate a new file in `ai_trader\u002Fbacktesting\u002Fstrategies\u002Fclassic\u002F` and inherit from `BaseStrategy`.\n\n```python\n# ai_trader\u002Fbacktesting\u002Fstrategies\u002Fclassic\u002Fmy_strategy.py\nimport backtrader as bt\nfrom ai_trader.backtesting.strategies.base import BaseStrategy\n\nclass MyCustomStrategy(BaseStrategy):\n    params = dict(period=20)\n\n    def __init__(self):\n        self.sma = bt.indicators.SMA(self.data.close, period=self.p.period)\n\n    def next(self):\n        if not self.position and self.data.close[0] > self.sma[0]:\n            self.buy()\n        elif self.position and self.data.close[0] \u003C self.sma[0]:\n            self.close()\n```\n\nThe new strategy is automatically available to the CLI and `run_backtest` function.\n\n## Documentation & Resources\n\n- **[Strategy Examples](ai_trader\u002Fbacktesting\u002Fstrategies\u002FREADME.md)**: Details on built-in strategies.\n- **[Example Scripts](scripts\u002Fexamples\u002F)**: 5 complete working examples for different use cases.\n- **[Config Templates](config\u002Fbacktest\u002F)**: YAML configuration templates.\n- **[Migration Guide](docs\u002FMIGRATION_GUIDE.md)**: For upgrading from v0.1.x.\n\n## Contributing\n\nContributions are welcome! Feel free to report bugs, suggest features, or submit pull requests.\n\n## Show Your Support\n\nIf you find this project helpful, please give it a star !\n\n## License\n\nThis project is licensed under the GNU General Public License v3 (GPL-3.0). See the [LICENSE](LICENSE) file for details.\n ","# AI交易员\n\n[![Python版本](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.11%2B-blue)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-GPL--3.0-green)](LICENSE)\n\n[中文版说明 (Chinese Subpage)](README_zh.md)\n\n基于Backtrader构建的专业、配置驱动的算法交易回测框架。可在股票、加密货币和外汇市场上无缝测试、优化并集成大型语言模型（LLMs）的交易策略。\n\n![演示GIF](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwhchien_ai-trader_readme_bb12fcf41109.gif)\n\n## 核心功能\n\n- **配置驱动的工作流**：通过可版本控制的YAML文件定义和管理回测，实现结果的可重复性。\n- **无缝LLM集成**：内置MCP（模型上下文协议）服务器，允许像Claude这样的AI助手运行回测、获取数据并分析策略。\n- **多市场支持**：可在美股、台股、加密货币和外汇市场上测试策略。\n- **丰富的策略库**：自带超过20种内置策略，从经典指标到先进的自适应模型。\n- **强大的命令行界面**：提供丰富的命令行工具，用于运行回测、获取市场数据和列出策略。\n- **开发者友好**：通过简单的辅助工具和清晰的结构，轻松创建和测试自定义策略。\n\n## 快速开始\n\n**1. 安装**\n\n**选项A：从PyPI安装（推荐使用CLI）**\n```bash\npip install ai-trader\n```\n如果您希望：\n- 使用CLI命令：`ai-trader run`、`ai-trader fetch`、`ai-trader quick`\n- 在您自己的数据文件上运行回测\n- 将其作为库集成到您的Python项目中\n\n**选项B：从源码安装（推荐用于示例和配置模板）**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader.git\ncd ai-trader\n\n# 安装依赖（选择一种方式）\nuv sync        # 推荐（最快、现代工具）\n# poetry install   # 或者使用Poetry\n# pip install -e .  # 或者传统的pip可编辑安装\n```\n如果您希望：\n- 运行`config\u002Fbacktest\u002F`中的基于配置的示例\n- 使用`data\u002F`中的示例数据文件\n- 运行`scripts\u002Fexamples\u002F`中的示例脚本\n- 贡献或自定义策略\n\n**2. 通过CLI运行回测**\n\n**如果您是从源码克隆的**，可以使用配置文件运行预定义的回测：\n```bash\n# 使用配置文件运行回测（需要源码安装）\nai-trader run config\u002Fbacktest\u002Fclassic\u002Fsma_example.yaml\n```\n\n或者，您可以对任何数据文件进行快速回测（适用于pip和源码安装）：\n```bash\n# 对您自己的数据文件进行快速回测\nai-trader quick CrossSMAStrategy your_data.csv --cash 100000\n```\n\n**3. 获取市场数据**\n\n下载任何受支持市场的历史数据：\n```bash\n# 美国股票（默认保存为CSV）\nai-trader fetch TSM --market us_stock --start-date 2020-01-01\n\n# 台湾股票\nai-trader fetch 2330 --market tw_stock --start-date 2020-01-01\n\n# 加密货币\nai-trader fetch BTC-USD --market crypto --start-date 2020-01-01\n\n# 使用SQLite持久化缓存（新功能！）\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite\n\n# 同时保存为CSV和SQLite\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage both\n```\n\n**使用SQLite进行持久化数据存储**\n\n默认情况下，`ai-trader fetch`会将数据保存为CSV文件。为了加快重复回测的速度，可以使用SQLite：\n\n```bash\n# 首次获取：从API下载并缓存在SQLite中（约2-3秒）\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite\n\n# 重复获取：直接从缓存加载（约50毫秒，无需调用API）\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite\n\n# 查看缓存数据\nai-trader data list\nai-trader data info\n\n# 清理旧数据\nai-trader data clean --market us_stock --before 2020-01-01\n```\n\n[**了解更多关于SQLite存储的信息 →**](agentic_ai_trader\u002Ftrading-backtester\u002FREADME.md#persistent-data-storage-with-sqlite)\n\n## 核心工作流程\n\n### 1. 基于配置的回测\n\n运行回测最可靠的方式是使用YAML配置文件。\n\n**`my_backtest.yaml`:**\n```yaml\nbroker:\n  cash: 1000000\n  commission: 0.001425\n\ndata:\n  file: \"data\u002Fus_stock\u002FTSM.csv\"\n  start_date: \"2020-01-01\"\n  end_date: \"2023-12-31\"\n\nstrategy:\n  class: \"CrossSMAStrategy\"\n  params:\n    fast: 10\n    slow: 30\n\nsizer:\n  type: \"percent\"\n  params:\n    percents: 95\n```\n**运行它：**\n```bash\nai-trader run my_backtest.yaml\n```\n更多示例请参见`config\u002Fbacktest\u002F`。\n\n### 2. 基于Python的回测\n\n适用于更精细的控制或与其他Python脚本集成。\n\n**简单方法：**\n```python\nfrom ai_trader import run_backtest\nfrom ai_trader.backtesting.strategies.classic.sma import CrossSMAStrategy\n\n# 使用示例数据运行回测\nresults = run_backtest(\n    strategy=CrossSMAStrategy,\n    data_source=None,  # 使用内置示例数据\n    cash=1000000,\n    strategy_params={\"fast\": 10, \"slow\": 30}\n)\n```\n\n**逐步控制：**\n详细示例请参见`scripts\u002Fexamples\u002F02_step_by_step.py`。\n\n### 3. LLM集成（MCP服务器）\n\n将`ai-trader`作为服务器运行，使AI助手能够与您的回测引擎交互。\n\n**启动服务器（用于测试）：**\n```bash\npython -m ai_trader.mcp\n```\n\n**使用Claude Desktop配置（推荐）：**\n\n1. 找到您的Claude Desktop配置文件：\n   - **macOS\u002FLinux**: `~\u002F.config\u002FClaude\u002Fclaude_desktop_config.json`\n   - **Windows**: `%APPDATA%\\Claude\\claude_desktop_config.json`\n\n2. 将`ai-trader` MCP服务器添加到`mcpServers`部分：\n\n```json\n{\n  \"mcpServers\": {\n    \"ai-trader\": {\n      \"command\": \"python3\",\n      \"args\": [\"-m\", \"ai_trader.mcp\"],\n      \"cwd\": \"\u002Fpath\u002Fto\u002Fai-trader\"\n    }\n  }\n}\n```\n\n**配置注意事项：**\n- 将`\u002Fpath\u002Fto\u002Fai-trader`替换为您实际的ai-trader项目目录\n- 如果使用虚拟环境，请使用Python可执行文件的完整路径：`\u002Fpath\u002Fto\u002F.venv\u002Fbin\u002Fpython3`\n- 更新配置文件后重启Claude Desktop\n\n配置完成后，您可以使用Claude以自然语言命令与您的回测引擎交互，例如：\n- *\"对TSM数据在2020年至2022年期间运行CrossSMAStrategy的回测。\"*\n- *\"列出所有可用的交易策略。\"*\n- *\"获取2021年至2024年间的苹果股票数据。\"*\n\n## 创建自定义策略\n\n### 选项1：使用Claude Code技能（推荐）\n\n创建新策略的最快方式是使用Claude Code中的`\u002Fadd-strategy`技能。该技能会以交互式方式引导您完成整个过程：\n\n```bash\n\u002Fadd-strategy classic\n```\n\n系统将提示您输入：\n- 策略名称（如“MACDBBands”）\n- 描述\n- 带有默认值的参数\n- 进出场条件\n- 任何自定义指标\n\n该技能会自动处理：\n- 按照正确命名规范创建文件\n- 生成全面的文档字符串\n- 自动注册到`__init__.py`\n- 语法验证\n\n了解更多关于Claude Code技能的信息：https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fskills\n\n### 选项2：手动创建\n\n在`ai_trader\u002Fbacktesting\u002Fstrategies\u002Fclassic\u002F`中创建一个新文件，并继承自`BaseStrategy`。\n\n```python\n\n# ai_trader\u002Fbacktesting\u002Fstrategies\u002Fclassic\u002Fmy_strategy.py\nimport backtrader as bt\nfrom ai_trader.backtesting.strategies.base import BaseStrategy\n\nclass MyCustomStrategy(BaseStrategy):\n    params = dict(period=20)\n\n    def __init__(self):\n        self.sma = bt.indicators.SMA(self.data.close, period=self.p.period)\n\n    def next(self):\n        if not self.position and self.data.close[0] > self.sma[0]:\n            self.buy()\n        elif self.position and self.data.close[0] \u003C self.sma[0]:\n            self.close()\n```\n\n新的策略会自动在 CLI 和 `run_backtest` 函数中可用。\n\n## 文档与资源\n\n- **[策略示例](ai_trader\u002Fbacktesting\u002Fstrategies\u002FREADME.md)**：详细介绍内置策略。\n- **[示例脚本](scripts\u002Fexamples\u002F)**：5 个针对不同用例的完整可运行示例。\n- **[配置模板](config\u002Fbacktest\u002F)**：YAML 配置模板。\n- **[迁移指南](docs\u002FMIGRATION_GUIDE.md)**：用于从 v0.1.x 版本升级。\n\n## 参与贡献\n\n我们欢迎任何贡献！您可以报告 bug、提出功能建议或提交 pull 请求。\n\n## 表达支持\n\n如果您觉得这个项目很有帮助，请为它点个赞！\n\n## 许可证\n\n本项目采用 GNU 通用公共许可证 v3（GPL-3.0）授权。详细信息请参阅 [LICENSE](LICENSE) 文件。","# AI-Trader 快速上手指南\n\nAI-Trader 是一个基于 Backtrader 构建的专业级、配置驱动的回测框架。它支持股票、加密货币和外汇市场，并无缝集成大语言模型（LLM），帮助开发者轻松测试和优化量化交易策略。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：3.11 或更高版本\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (用于源码安装)\n    *   (可选) `uv` 或 `poetry` (推荐的现代依赖管理工具，可加速安装)\n\n## 2. 安装步骤\n\n您可以根据使用需求选择以下两种安装方式之一：\n\n### 方式 A：通过 PyPI 安装（推荐用于直接使用 CLI）\n如果您只想使用命令行工具运行回测或在其他 Python 项目中作为库调用，请使用此方式。\n\n```bash\npip install ai-trader\n```\n\n### 方式 B：从源码安装（推荐用于学习示例和自定义策略）\n如果您需要运行官方提供的配置文件示例、修改策略代码或贡献代码，建议克隆仓库安装。\n\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader.git\ncd ai-trader\n\n# 2. 安装依赖 (任选其一)\nuv sync        # 推荐：速度最快，现代化工具\n# poetry install   # 或使用 Poetry\n# pip install -e .  # 或使用传统 pip 进行可编辑安装\n```\n\n## 3. 基本使用\n\n安装完成后，您可以通过命令行快速获取数据并运行回测。\n\n### 第一步：获取市场数据\n使用 `fetch` 命令下载历史数据。默认保存为 CSV 格式，也支持 SQLite 缓存以加速重复回测。\n\n**下载美股数据：**\n```bash\nai-trader fetch TSM --market us_stock --start-date 2020-01-01\n```\n\n**下载台股数据：**\n```bash\nai-trader fetch 2330 --market tw_stock --start-date 2020-01-01\n```\n\n**下载加密货币数据：**\n```bash\nai-trader fetch BTC-USD --market crypto --start-date 2020-01-01\n```\n\n**启用 SQLite 持久化存储（加速二次读取）：**\n```bash\nai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite\n```\n\n### 第二步：运行快速回测\n使用内置策略对本地数据文件进行快速回测。\n\n```bash\n# 语法：ai-trader quick \u003C策略名称> \u003C数据文件> --cash \u003C初始资金>\nai-trader quick CrossSMAStrategy your_data.csv --cash 100000\n```\n\n### 第三步：运行配置文件回测（进阶）\n对于更复杂的场景，建议使用 YAML 配置文件。如果您是从源码安装的，可以直接运行示例：\n\n```bash\nai-trader run config\u002Fbacktest\u002Fclassic\u002Fsma_example.yaml\n```\n\n您也可以创建自己的 `my_backtest.yaml` 文件：\n\n```yaml\nbroker:\n  cash: 1000000\n  commission: 0.001425\n\ndata:\n  file: \"data\u002Fus_stock\u002FTSM.csv\"\n  start_date: \"2020-01-01\"\n  end_date: \"2023-12-31\"\n\nstrategy:\n  class: \"CrossSMAStrategy\"\n  params:\n    fast: 10\n    slow: 30\n\nsizer:\n  type: \"percent\"\n  params:\n    percents: 95\n```\n\n然后执行：\n```bash\nai-trader run my_backtest.yaml\n```\n\n### 额外功能：与大模型集成\nAI-Trader 内置了 MCP (Model Context Protocol) 服务器，允许 Claude 等 AI 助手直接控制回测引擎。\n\n启动服务器：\n```bash\npython -m ai_trader.mcp\n```\n\n配置完成后，您可以直接用自然语言指挥 AI，例如：“对台积电 2020 年至 2022 年的数据运行双均线策略回测”。","一位量化交易研究员正在为台湾股市的台积电（2330）验证一套新的双均线策略，并需要快速对比不同参数在历史数据上的表现。\n\n### 没有 ai-trader 时\n- **数据获取繁琐**：需要手动编写脚本调用财经 API 下载台股历史数据，处理日期格式和缺失值往往耗费数小时。\n- **回测流程割裂**：每次修改策略参数都要手动调整 Python 代码，无法通过配置文件复现之前的实验结果，导致版本混乱。\n- **多市场适配困难**：若想将同一策略迁移到美股或加密货币市场，需重写大量数据加载和清洗逻辑，代码复用率极低。\n- **分析效率低下**：缺乏与大语言模型（LLM）的直接连接，无法让 AI 助手自动读取回测数据并生成优化建议，只能人工解读报表。\n\n### 使用 ai-trader 后\n- **一键获取数据**：通过 `ai-trader fetch 2330 --market tw_stock` 命令秒级下载并缓存台股数据至 SQLite，彻底告别手动清洗。\n- **配置驱动实验**：仅需修改 YAML 配置文件即可定义策略参数和资金规模，轻松实现可复现、可版本控制的回测流程。\n- **跨市场无缝切换**：内置多市场支持，只需更改配置中的市场标签，即可在同一框架下测试美股、台股或加密货币策略。\n- **AI 深度协同**：利用集成的 MCP 服务器，直接让 Claude 等 AI 助手运行回测、提取关键指标并自动输出策略优化报告。\n\nai-trader 将原本需要数天的数据准备与策略迭代工作压缩至分钟级，让交易者能专注于策略逻辑本身而非工程琐事。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwhchien_ai-trader_bb12fcf4.gif","whchien","Will C.","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwhchien_829a9ec6.png","AI Engineer | Data Scientist @ Amsterdam 👨🏻‍💻  ","@ing-bank","Amsterdam, Netherlands",null,"https:\u002F\u002Fgithub.com\u002Fwhchien",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,595,86,"2026-04-16T18:38:21","GPL-3.0","Linux, macOS, Windows","未说明",{"notes":94,"python":95,"dependencies":96},"该工具是一个基于 Backtrader 的回测框架，支持通过 MCP 协议与大语言模型（如 Claude）集成。推荐使用 'uv' 进行依赖管理以获取最快安装速度。支持美股、台股、加密货币和外汇市场数据。可选配 SQLite 进行数据持久化缓存以加速重复回测。","3.11+",[97,98,99],"backtrader","uv","poetry",[14,13,15,45],[102,103,97,104,105,106,107,108,109,110,111],"ai","algorithmic-trading","portfolio-management","stock-price-prediction","trading","ai-agents","cli","mcp","mcp-server","quantitative-finance","2026-03-27T02:49:30.150509","2026-04-19T06:03:19.636832",[115,120,125,130],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},41735,"运行时出现 'No module named ai_trader' 错误如何解决？","这是因为当前终端的 Python 路径未包含项目目录。请将当前路径添加到环境变量中，执行以下命令：\nexport PYTHONPATH=${PWD}\n设置完成后即可正常运行脚本。","https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader\u002Fissues\u002F1",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},41736,"为什么代码库中找不到 README 中提到的 AI 策略？","维护者已暂时移除了机器学习部分，因为对之前的设计不满意。目前项目正在进行重构，未来计划加入 AI 代理（AI agents）或模型上下文协议（MCP）来与策略回测进行交互，敬请期待后续更新。","https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader\u002Fissues\u002F4",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},41737,"该项目支持哪些 Python 版本？","项目正在重构中，即将支持的 Python 版本范围为大于等于 3.11 且小于 4.0（即 3.11 \u003C= version \u003C 4.0）。不建议使用 Python 3.7 或 3.8 等旧版本。","https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader\u002Fissues\u002F3",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},41738,"如何在策略调试时正确获取指标（如 RSI）的动态数值？","在 backtrader 框架中，指标对象需要在初始化阶段定义，并在回调函数（如 next）中通过索引访问最新值。直接在信号触发处打印指标对象本身可能不会显示动态变化的数值，建议查阅 backtrader 文档了解 indicator 的定义与取值方式，确保在正确的生命周期阶段读取数据。","https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader\u002Fissues\u002F2",[136,141],{"id":137,"version":138,"summary_zh":139,"released_at":140},333803,"v0.3.3","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fwhchien\u002Fai-trader\u002Fcompare\u002Fv0.3.2.1...v0.3.3","2026-01-05T06:47:48",{"id":142,"version":143,"summary_zh":80,"released_at":144},333804,"0.3.1","2025-12-19T13:15:28"]