硅基铁匠丙午年 · 独立刊物
← 返回全部文章
技术与 AI约 9 分钟

让AI先回测，再谈交易：Vibe-Trading上手指南

用自然语言做市场研究、策略回测和交易复盘的开源工具。附完整安装与实操步骤。仅用于学习研究，不构成任何投资建议。

一句“帮我回测 BTC 的均线策略”，AI 能不能自己找数据、写策略、跑回测，再把收益、回撤和交易记录交出来？

Vibe-Trading 正在做这件事。它是一套开源金融研究工作台，把自然语言接到市场数据、回测引擎、量化因子、多智能体研究和报告系统上。 A 股、港股、美股、加密、期货与外汇都在覆盖范围内，也支持读取自己的 CSV 、 Parquet 和 DuckDB 数据。

这是一款学习、研究和模拟工具。回测结果不代表未来收益，AI 生成的结论也可能出错。以下操作不构成任何投资建议。第一次体验建议停留在公开数据和回测，不连接实盘账户。

它把一句话变成哪些东西

普通聊天模型很容易直接给观点。 Vibe-Trading 会调用工具完成一条可检查的路径：选择数据源、生成策略代码、执行回测、计算指标、留下运行记录和报告。用户可以继续查看策略代码、工具调用轨迹与数据警告。

核验时，PyPI 正式版为 0.1.11，项目状态标为 Beta，使用 MIT 许可证。仓库当前包含 87 个金融 skills 、 30 个多智能体预设和 461 个 Alpha 因子。数量变化很快，具体以安装版本为准。

它能处理的任务包括：

  • 用自然语言提出研究问题；
  • 回测均线、 RSI 、因子和跨市场组合想法；
  • 对照基准查看收益、最大回撤、 Sharpe 与换手率；
  • 上传券商交易流水，分析持仓习惯和行为偏差；
  • 让多空研究员、风险人员和组合经理分工讨论；
  • 把结果导出为报告、 TradingView Pine Script 、通达信公式或 MT5 代码；
  • 通过 MCP 接入 Claude Desktop 、 Cursor 等智能体客户端。

谁适合试，谁可以先观望

适合试用：

  • 会用 Python，想把交易想法快速变成可运行实验的人；
  • 正在学量化、因子研究、资产配置或回测方法的学生；
  • 想用自然语言降低研究工具门槛的个人投资者；
  • 需要重复生成研究报告、保存实验记录的分析人员；
  • 已经有交易流水，想复盘追涨、过度交易、过早止盈等习惯的人。

可以先观望：

  • 期待输入股票代码就得到确定买卖答案的人；
  • 不愿检查数据区间、手续费、滑点和前视偏差的人；
  • 准备把 AI 输出直接接到实盘账户的人；
  • 无法妥善保管 LLM 、行情源和券商密钥的人。

Vibe-Trading 已经加入券商连接器和有界下单机制，但实盘功能仍带有实验性质。研究工具能压缩操作时间，判断责任仍在使用者手里。

详细教程：先完成第一次回测

第一步：准备环境

本地安装需要 Python 3.11+。建议新建虚拟环境，避免和已有的 LangChain 、 pandas 版本冲突。

python -m venv .venv
source .venv/bin/activate

Windows PowerShell：

.venv\Scripts\Activate.ps1

安装正式版：

pip install vibe-trading-ai

如果从 0.1.10 之前的版本升级后遇到 langgraph 导入错误，仓库建议重建虚拟环境，或执行：

pip install --force-reinstall vibe-trading-ai

第二步：初始化模型

运行：

vibe-trading init

按提示选择 LLM provider 、模型和 API key 。项目支持 OpenAI 、 DeepSeek 、 Gemini 、 Groq 、通义千问、智谱、 Kimi 、 MiniMax 、 OpenRouter 、 Ollama 等路径。

想用本地模型可以选 Ollama，不需要云端 API key 。复杂回测和多智能体任务很依赖工具调用能力，小模型可能跳过工具，直接凭模型记忆回答。第一次可先选一个工具调用稳定的主流模型。

OpenAI Codex 也能使用 ChatGPT OAuth：

vibe-trading provider login openai-codex

第三步：运行一个边界清楚的研究任务

先用公开数据做历史回测：

vibe-trading run -p "Backtest a BTC-USDT 20/50 moving-average strategy for 2024, summarize return and drawdown, then export the report"

提示词里最好写清四件事：标的、时间区间、策略规则和要看的风险指标。中文也可以，例如：

回测 2022-01-01 到 2025-12-31 的沪深300双均线策略。
短均线20日，长均线60日；金叉买入，死叉清仓。
加入手续费和滑点，输出年化收益、最大回撤、Sharpe、换手率，
并与同期沪深300买入持有结果比较。

含糊的“帮我找最赚钱策略”很容易诱发过拟合。把规则和验证条件写清，结果更容易复查。

第四步：先看回撤，再看收益

回测结束后，至少检查：

  • 数据源和实际获取区间是否正确；
  • 手续费、滑点、最小交易单位是否符合目标市场；
  • 是否加入 benchmark 对照；
  • 最大回撤发生在哪段时间；
  • 交易次数、换手率和持仓集中度是否异常；
  • 样本外区间、 Walk-Forward 或 Monte Carlo 验证是否支持同一结论。

高收益配上极少交易，可能只是偶然命中；高换手策略也可能被手续费吃掉。回测图很漂亮时，反而该多查几项假设。

第五步：查看代码与执行轨迹

交互式 TUI 中可以使用：

/list
/show <run_id>
/code <run_id>
/trace <run_id>

分别查看运行记录、指标、生成的策略代码和工具执行轨迹。生成式回测会运行本地 Python 代码。仓库已经加入 AST 沙箱和环境变量隔离，安全策略仍建议把生成代码当成本地程序检查，并避免在暴露敏感文件或内部网络服务的环境里执行未知策略。

让多个智能体互相挑错

investment_committee 预设会让多头观点、空头观点、风险审查和组合经理分层协作。运行示例：

vibe-trading --swarm-run investment_committee '{"topic":"AAPL outlook"}'

查看全部团队：

vibe-trading --swarm-presets

多智能体能补充相反证据，但它们仍可能共享同一批错误数据，也可能被同一个模型偏见影响。适合把它当成结构化反方检查，不能把投票结果当成投资委员会的正式批准。

A 股、港股、美股和加密怎么取数据

项目带有多级数据 fallback：A 股可走腾讯、 mootdx 、东方财富、 BaoStock 、 AKShare 、 Tushare；美股和港股可走 Yahoo 、 Stooq 、新浪、东方财富、 yfinance 等；加密资产可走 OKX 与 CCXT 。

多数基础行情不需要 key 。 Tushare 、 Finnhub 、 Alpha Vantage 等属于可选增强。自己的历史数据可以使用 local: 前缀，显式本地源不会偷偷切换到网络源。

数据源再多也无法自动保证数据正确。停牌、复权、时区、交易日历、退市样本和财务披露时间都会影响结果。跨市场策略还要检查各市场结算、涨跌停和交易成本规则。

试试 461 个 Alpha 因子

列出因子：

vibe-trading alpha list

查看一个因子：

vibe-trading alpha show gtja191_171

在沪深 300 上横评 GTJA191：

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

如果只比较指定因子，可以用：

vibe-trading alpha compare <id1> <id2> --sort ir

IC 、 IR 排名适合做筛选，不能直接等同于可交易收益。还要加随机对照、样本外测试、成本和因子衰减检查。一次跑出高分的因子，可能只是碰巧适配了那段行情。

上传交易流水，复盘自己的习惯

Vibe-Trading 可以读取同花顺、东方财富、富途和通用 CSV 格式的券商导出，统计持仓天数、胜率、盈亏比和回撤，再检查处置效应、过度交易、追涨与锚定。

vibe-trading --upload trades_export.csv
vibe-trading run -p "Analyze my trading behavior, extract my shadow strategy, and compare it with my actual trades"

上传前先删除姓名、账号、身份证、联系方式等无关字段。交易流水属于高度敏感数据，优先本地运行；使用云端模型时，还要核对服务商的数据保留政策。

想用网页界面，有两条路

最省事的是 Docker：

git clone https://github.com/HKUDS/Vibe-Trading.git
cd Vibe-Trading
cp agent/.env.example agent/.env

# 在 agent/.env 中配置模型

docker compose up --build

浏览器打开：

http://localhost:8899

本地安装也能启动 Web UI：

vibe-trading serve --port 8899

Docker 默认只把端口发布到 127.0.0.1。如果要从局域网其他设备访问，需设置强 API_AUTH_KEY，并在客户端发送 Bearer token 。不要把带模型密钥、数据凭据和交易记录的服务直接暴露到公网。

实盘功能先别急着开

仓库包含多家券商连接器、 mandate 限额、下单前门禁、审计账本和 kill switch 。部分连接器只读，部分限制在模拟盘；能区分模拟与正式环境的少数连接器才可能开放受限实盘操作。

更稳妥的顺序是：

  1. 公开数据回测；
  2. 模拟盘或只读账户；
  3. 小范围人工确认；
  4. 定期核对订单、持仓和审计记录。

项目还发布了安全提醒：Vibe-Trading 没有发行或背书任何代币、 meme 币，也不会要求连接钱包来验证社区身份。遇到同名代币、空投或钱包签名页面，应直接退出。

回测只能回答“这套规则在这批历史数据上发生过什么”。数据质量、参数选择和市场变化都会改变结果。 Vibe-Trading 适合把想法变成实验，不能替代个人判断、合规审查或持牌投资顾问。以上内容仅用于学习研究，不构成任何投资建议。

你更想先试策略回测、 Alpha 因子横评，还是上传自己的交易流水做复盘？

来源：https://github.com/HKUDS/Vibe-Trading