全球金融与交易学习笔记

Appearance

高星项目融合笔记 ​

选择标准（本笔记口径） ​

  • GitHub star 规模较高。
  • 最近一年仍有活跃提交或社区维护信号。
  • 能覆盖“研究-回测-执行-监控”至少一个关键环节。

项目分层图 ​

研究层 ​

  • vectorbt
  • backtesting.py
  • FinRL

回测/仿真层 ​

  • Lean
  • backtrader
  • hftbacktest

执行层 ​

  • ccxt
  • hummingbot
  • jesse
  • vnpy

评估层 ​

  • quantstats
  • pyfolio

可组合架构（示例） ​

  1. 用 vectorbt 快速筛选策略参数空间。
  2. 用 backtesting.py 验证信号可解释性和鲁棒性。
  3. 用 Lean 或 vnpy 做事件驱动重构。
  4. 用 ccxt/券商 API 对接真实市场。
  5. 用 quantstats 做日报、周报和回撤归因。

各项目优势与注意点 ​

  • Lean：覆盖广、工程规范强，但学习曲线较高。
  • vectorbt：研究效率高，但执行细节需外部框架补齐。
  • freqtrade：加密实战生态成熟，策略治理能力强。
  • hummingbot：做市和套利场景突出，需认真处理连接器细节。
  • ccxt：统一 API 强，但交易所差异仍需手动兜底。
  • backtrader：社区沉淀深，近年更新速度相对慢。
  • ib_insync：曾经高效，当前仓库已归档，生产需评估替代。

我的结论 ​

  1. 不存在“万能框架”，只有“目标驱动的组合架构”。
  2. 研究层越快越好，执行层越稳越好，评估层越透明越好。
  3. 项目选型应该以可维护性和团队技能匹配为第一原则。

参考来源（含 GitHub API） ​

市场切片补充 ​

把规则放进具体时间段更容易检验。例如 2020 年一季度的风险冲击阶段、2022 年的全球紧缩阶段、2023 年的结构修复阶段，价格反应、成交深度和风险偏好都不相同。若把这三个阶段混在一起求平均，很多结论会被稀释；若分阶段评估，同一套方法在不同环境中的边界会更清楚。

在执行层面，可以把“阶段识别”写入日常流程：先确认当前处于扩张、收缩还是修复，再决定仓位上限、下单时段和止损阈值。这样做不是为了追求完美预测，而是为了避免在不适配环境里重仓。跨市场核验时，建议直接对照 NYSE 时段、Nasdaq 日历、HKEX 时段 与 CFTC 术语 做参数确认。

复盘框架 ​

每篇笔记都可落到同一套复盘问题：第一，当前结论依赖的前提是否仍成立；第二，若波动率提升一个等级，仓位和执行规则是否需要同步调整；第三，若成交成本抬升，策略是否仍具备正期望。把复盘问题固定下来，知识会从“记住观点”转为“可持续迭代的决策系统”。