量化研究不只是预测涨跌，更重要的是如何配置资产、控制风险，并通过数据和回测验证策略。本期从投资组合优化出发，延伸至策略研究、交易系统、学习资源与 AI 辅助研究。

风险提示：本文仅从开源技术与工程实践角度介绍相关项目，不构成任何证券、基金、期货或其他金融产品的投资建议、交易指导或收益保证。

G-Star 开源摘星计划是 AtomGit 面向开源项目推出的成长扶持计划，为项目提供代码托管、品牌推广与社区运营等支持。申请入口：https://atomgit.com/g-star/apply

01 从组合优化理解量化研究

skfolio

项目地址：https://atomgit.com/skfolio/skfolio

基于 scikit-learn 构建的开源 Python 库，专注于投资组合优化、因子模型构建和风险管理。将多种资产配置方法与统计估计工具整合于统一框架，贯通模型构建、验证与组合分析。

项目亮点：

• 融入 scikit-learn 生态：沿用 estimator、pipeline 机制，支持参数调优、滚动前向验证及组合净化交叉验证，提供合成数据与压力测试工具。
• 覆盖多种优化方法：均值—风险优化、风险预算、层次风险平价等，支持 CVaR、最大回撤、因子风险与收益归因，可纳入交易成本、权重和换手率约束。

02 搭建量化交易系统

VeighNa

项目地址：https://atomgit.com/vnpy/vnpy

基于 Python 的开源量化交易系统开发框架，覆盖行情接入、策略回测、交易接口、组合管理与风险控制等环节，模块化设计，可按需组合。

项目亮点：

• 覆盖量化交易完整流程：事件驱动引擎，围绕 CTA、价差、期权、组合、算法交易与模拟交易提供扩展模块。
• 延伸至 AI 量化研究：VeighNa 4.0 提供多因子研究工作流，串联因子特征处理、模型训练、研究信号生成与历史回测。

QUANTAXIS

项目地址：https://atomgit.com/quantaxis/quantaxis

面向股票、期货和期权市场的本地量化解决方案，覆盖数据管理、策略回测、模拟交易、可视化与多账户管理。

项目亮点：

• 贯通数据与交易流程：支持行情数据获取、账户管理、策略回测、模拟交易和任务调度。
• 引入 Rust 高性能核心：通过 QARS2 承载账户与回测等计算任务，保持与原有 Python 接口兼容。

03 开展历史回测与行情结构分析

Hikyuu

项目地址：https://atomgit.com/hikyuu/hikyuu

以交易理论和金融语义完整性为核心的开源量化研究框架，将交易环境、条件、信号、仓位、退出、滑点、成本及组合层选样、资金分配和风控建模为显式对象。适合系统化交易、资产配置与多因子研究，不内置券商对接，不承诺自动下单。

项目亮点：

• 交易规则显式建模：从信号产生、成交到交易成本、权息处理和异常值传播由框架统一执行，减少前视偏差、成本遗漏和跨期统计失真。
• 统一组合与策略建模：组合节点保留策略、账本和执行语义，支持嵌套构建多策略、多资产、多因子系统。

chanlun-pro

项目地址：https://atomgit.com/yijixiuxin/chanlun-pro

基于缠论理论构建的市场行情 Web 分析工具，通过图形化方式辅助观察和复盘行情结构。

项目亮点：

• 缠论结构自动计算：逐 Bar 增量计算，自动识别分型、笔、线段、中枢、走势段与背驰，支持多周期、多市场行情分析。
• 贯通结构观察与历史验证：支持背驰及理论结构标记，可通过消息提醒、行情回放和历史数据回测观察规则触发情况（结果仅用于模型研究）。

04 建立量化学习与研究体系

Introduction to Quantitative Finance

项目地址：https://atomgit.com/Barca12345/Introduction-to-Quantitative-Finance

面向量化学习者和研究者的中文开源知识库，整理多因子投研教程、量化工具与课程资源、AI 与金融领域前沿研究。

项目亮点：

• 梳理多因子研究路径：覆盖因子研究、策略回测、组合优化等环节。
• 追踪 AI 金融前沿：通过 AI + Finance arXiv Radar 持续整理论文，提供趋势、标签与检索视图。

05 探索可溯源的 AI 辅助研究

zhengxi-views

项目地址：https://atomgit.com/lyra81604/zhengxi-views

社区开发者基于公开披露材料制作的信息整理型 Agent Skill，对基金经理郑希的公开观点、研究框架与基金公开资料进行检索、标注和来源对照。

项目亮点：

• 公开资料检索与来源对照：围绕定期报告、公开采访和基金经理手记整理语料。
• 区分原始资料与模型生成：降低 AI 生成内容与原始资料混淆的风险。

特别说明：本项目为社区开发者基于公开资料进行的非官方技术实践，与相关基金经理及所属机构不存在合作、授权或背书关系。

06 结语

从投资组合优化、策略研究与行情分析，到量化系统建设、学习资源和投研 Agent，这 7 个项目展示了开源技术参与量化研究的不同路径，分别服务于学习、研究、验证和交易系统建设等环节。欢迎前往项目仓库查看源码与文档，通过 Star、Issue 或 Pull Request 参与项目共建。

风险提示：本文仅介绍开源项目及相关技术能力，不构成任何投资建议或交易指导。历史回测、研究信号和理论结构均仅供技术研究，过往表现不代表未来收益。