港大开源『龙虾交易员』丨Vibe-Trading丨Github热门项目分享

参考：港大团队开源「龙虾交易员」：你负责说话，AI负责盯盘、回测、管仓位「龙虾交易员」：你负责说话，AI负责盯盘、回测、管仓位_vibe trading github-CSDN博客

多模态大模型+技术指标：Vibe-Trading实操拆解_vibe trading-CSDN博客

项目Github地址：https://github.com/HKUDS/Vibe-Trading

关于能用不能赚钱这件事。 Vibe-Trading不会替你赚钱——它帮你验证想法的效率，但不替你想策略。如果你指望"装上就能盈利"，那任何一个量化工具都会让你失望。但如果你有一些交易想法想快速验证，或者想搞清楚自己的操作习惯到底亏在哪，这是一个很好的起点。

对AI+金融交叉方向感兴趣的话，这可能是2026年最值得关注的开源项目之一——不是因为它现在有多完善，而是因为它开启了一个正确的方向：让专业金融工具变到"一句话可用"。

港大开源 Vibe-Trading 深度解析：一个人就是一支量化团队

GitHub 34K+ Star，MIT 协议，让 LLM 从“聊天”走向“可审计的量化研究”

一、这个项目到底是什么

Vibe-Trading 是香港大学数据科学实验室（HKUDS）开源的个人 AI 交易 Agent 平台。它的核心主张一句话就能说清：用自然语言驱动完整的量化研究流程。

你不用写 Python，不用对接数据源，不用手写回测框架。一句“回测 2024 年 BTC 双均线策略”，它会自动完成市场识别、数据拉取、策略代码生成、回测执行、归因分析，最后产出一份带可复现 run card 的报告。

但它最值得关注的地方，不是“能做什么”，而是它如何让 LLM 在高风险金融场景下变得可信。这恰恰是 Vibe-Trading 区别于所有“AI 荐股机器人”的根本所在。

项目于 2026 年 4 月以 MIT 协议开源，截至 2026 年 10 月 GitHub Stars 已突破34,000，Forks 约 6,000-。背后是 HKUDS 的“Lab-as-Factory”孵化模式——同一实验室还产出了 LightRAG（37K Star）、nanobot（44K Star）等高星项目。

二、架构总览：四层分离，边界明确

Vibe-Trading 的技术架构可以概括为四层分离，层与层之间靠明确的调用边界隔开，而不是一个大 prompt 糊在一起-32。

第一层是交互层，提供 CLI（终端对话）、Web UI（React 前端）和 MCP Server（供 Claude Desktop 等外部客户端接入）三种入口。第二层是Agent 核心，基于 ReAct 循环的 AgentLoop 驱动，包含上下文管理、技能加载、持久记忆等机制。第三层是能力层，包括内置量化库 quantlib（249 个以上测试函数）、Alpha Zoo（452 个预置因子）以及 Skills 技能系统（79 个金融技能）。第四层是集成层，对接 18 个以上数据源和 18 家券商 Connector--32。

关键在于：集成层的所有出口都经过安全闸门，Agent 核心不能直接触达券商 API。这和大多数把 API Key 直接塞进 prompt 的项目有本质区别。

三、核心能力拆解

3.1 多智能体“蜂群”协作

这是 Vibe-Trading 最直观的能力亮点。它内置了29 个多智能体团队预设，涵盖投资委员会、量化策略台、风控委员会、加密交易台、宏观策略论坛等场景。每个团队基于DAG（有向无环图）编排，层内任务并行执行，层间按拓扑序推进。你也能用 YAML 自定义团队结构-。

实际体验上，当你提出一个复杂的投研问题，多个 Agent 会同时开工——技术分析 Agent 看形态，基本面 Agent 查财务，风控 Agent 算 VaR——最终像投委会一样给出综合结论。

3.2 跨市场回测引擎

回测市场覆盖A 股、港股、美股、加密货币、期货、外汇，支持从 1 分钟到 1 天的 7 种时间间隔。引擎层面提供了日度和期权投资组合两套执行模型，内置 15 个以上绩效指标（Sharpe、Calmar、Sortino、最大回撤、信息比率等）和多种组合优化器（均值方差、风险平价、最大分散化等）-3。

数据层有 18 个以上数据源，带自动降级链。A 股优先走 Tushare / AKShare，港美股走 Yahoo / yfinance，加密走 OKX / CCXT。多数数据源无需注册 API Key 即可使用。

3.3 Shadow Account（影子账户）

这是整个项目中最具原创性的功能。你上传一份券商交割单，它的处理流水线是：

FIFO 配对 → 盈利过滤 → KMeans 聚类 → 决策树提取 → Jinja2 代码生成

最终产出一个可回测的SignalEngine。归因部分纯算术实现，不依赖 LLM，因此结果完全可审计、可复现-。它回答的是“我实际在做什么”，而不是“我以为我在做什么”——这对交易者自我诊断来说，价值远超任何 AI 荐股。

3.4 安全设计：11 道 fail-closed 闸门

让 LLM 碰钱这件事，最需要回答的问题不是“它能不能做对”，而是“它做错的时候，系统能不能兜住”。Vibe-Trading 的工程答案是三层纵深防御-2：

Mandate（授权委托）定义了 Agent 能做什么、不能做什么。单笔上限、日交易笔数上限、允许的标的范围——全部在代码层面强制执行，不依赖模型“自觉遵守”。

Sentinel Kill Switch是文件系统层面的急停开关。即使模型完全不配合、继续尝试下单，系统也能在外部切断其执行路径。

Audit Ledger记录每一步执行的完整证据链。每一笔订单、每一次数据拉取、每一个决策节点，都有可追溯的记录。

这套设计的意义超出了量化交易本身——它可以平移到任何“LLM 控制 actuator”的高风险场景，比如医疗、机器人、基础设施运维。

3.5 量化工具箱与 Alpha Zoo

内置的quantlib库包含249 个以上经过测试的量化函数，覆盖期权定价（Black-Scholes 及完整 Greeks）、固定收益、信用风险、计量经济学、VaR/CVaR 回测等模块-32。

Alpha Zoo 预置了 452 个 alpha 因子，涵盖学术因子（Fama-French 五因子、Carhart 动量、BAB 等）、Alpha101 和 GTJA191 等经典因子库，以及 Qlib158 的工程化因子。每个因子都附带许可证文件和对照测试，专门用来识别那些只是跟着市场 beta 跑的“假因子”-3。

四、快速上手

安装和启动非常简洁：

pip install vibe-trading-ai vibe-trading init # 配置 LLM API Key 和数据源 vibe-trading # 进入交互式对话

要求 Python 3.11 以上，不需要 Docker。vibe-trading serve启动 Web 界面，vibe-trading-mcp启动 MCP Server 供外部客户端接入-。

LLM 适配层面，OpenAI、Anthropic、DeepSeek、智谱 GLM、Kimi、MiniMax、Ollama 本地模型都可接入。对于个人开发者，用免费额度跑通完整研究闭环完全可行-32。

五、适合谁用，不适合谁用

适合：有金融研究需求但不想写代码的分析师；想验证交易想法但没有量化工程能力的个人投资者；需要快速做多市场数据探索和策略原型的研究者；以及任何对“LLM 如何在高风险场景下安全执行”这个工程问题感兴趣的技术人。

不适合：期待 AI 直接给买卖信号、替你做交易决策的用户。Vibe-Trading 的官方定位反复强调是研究工作台，不是自动化交易机器人。默认全程模拟，实盘需要你显式打开授权。它降低的是“想法到可验证策略”的门槛，不是“投资决策”的门槛。

六、总结

Vibe-Trading 的核心贡献不在于“让 LLM 做量化”，而在于为 LLM 在金融高风险场景下的可信执行提供了一套可审计的工程范式。它用 Mandate + Kill Switch + Audit Ledger 的组合，把“相信模型不会乱来”替换为“可以事后审查它到底做了什么”。

如果你只是好奇 AI 交易能做到什么程度，花十分钟装一下、跑一个自然语言回测，会有比看文章更直接的体感。如果你关心的是“LLM Agent 在真实世界里怎么安全地控制 actuator”，那么这个项目的安全设计部分值得逐行阅读。

项目地址：https://github.com/HKUDS/Vibe-Trading
官方文档：Vibe-Trading Docs
许可证：MIT