GitHub 上有一个项目叫 HKUDS/Vibe-Trading，来自香港大学数据科学实验室（HKUDS）。它做了一件挺酷的事——把"自然语言→量化策略"这条链路打通：不用写一行代码，AI 也能帮你做量化研究。
一句话总结：让普通投资者用大白话指挥 AI 做量化研究。
为什么值得关注？Vibe-Trading 解决了量化交易的三个门槛
量化交易听着高大上，但对个人玩家来说有三道坎：
- 编程门槛：传统量化要写 Python 策略、调试回测框架，光配置环境就能劝退 80% 的散户。
- 数据门槛：A股、港股、美股、数字货币，每家数据源 API 都不一样，自己接入要写一堆胶水代码。
- 执行门槛：从策略到实盘隔着券商接口、权限控制、风控校验，又是一道高墙。
Vibe-Trading 的思路是：用 LLM 做"翻译官"，把自然语言指令直接转成可执行的量化策略，把这三道坎一并抹平。
核心功能：四件套构建完整闭环
1. Research Autopilot：研究目标 → 信号生成 → 回测验证全自动
你只需要告诉 AI "我想做一个 A 股均线突破策略"，它会自动完成数据获取、信号生成、回测验证整个流程，不用你再手动跑一堆脚本。本质上是把"研究助理"这个角色让 AI 一肩挑。
2. Alpha Zoo：452 个预建量化因子
项目内置 452 个量化因子，来源包括三套主流因子库：
- Qlib158：微软 Qlib 框架的 158 个因子
- Alpha101：经典 WorldQuant 101 Alpha 因子
- GTJA191：国泰君安 191 个因子
这些因子覆盖了动量、反转、波动率、量价、流动性等主流研究方向，等于给你一个"开箱即用"的因子库，不用再自己从零攒。
3. Shadow Account：从券商交割单反推你的交易规律
这是项目里特别有意思的功能——你可以上传券商的历史交割单，AI 会自动分析你过去的交易行为，给你诊断报告：
- 你的亏损主要来自追涨杀跌？
- 频繁交易贡献了多少无效成本？
- 止损位设置是不是过窄导致反复被打掉？
本质上是用量化方法给个人交易行为做"复盘诊断"，对散户来说非常实用——很多人不是策略不行，是行为模式有问题。
4. MCP 协议：48 个工具，原生支持扩展
项目基于 MCP（Model Context Protocol） 协议实现。MCP 简单说就是"给 LLM 用的工具调用标准"——它把 LLM 需要的各种能力（读数据、跑回测、下单、查账户）都封装成了 48 个标准化工具，AI 可以按需调用。
由于 MCP 是开放协议，你也可以自己写新工具注册进去，扩展能力边界——比如接入一个特殊的私募数据源、或者接一个风控规则引擎。
安装与启动
pip install vibe-trading-ai
vibe-trading dev # 启动完整开发栈一行 pip install 就能装好，再用 vibe-trading dev 命令启动包括数据服务、LLM 代理、回测引擎、券商连接器在内的完整开发栈。本地开箱即用。
数据源与券商覆盖一览
Vibe-Trading 在基础设施层面下了不少功夫，把"数据 + 执行"两端都打通了：
| 类别 | 覆盖范围 | 数量 |
|---|---|---|
| 数据源 | A 股 / 港股 / 美股 / 数字货币 | 18 个 |
| 券商连接 | 支持实盘权限控制（纸面 / 模拟 / 实盘三级） | 10 家 |
| 预建因子 | Qlib158 + Alpha101 + GTJA191 | 452 个 |
| MCP 工具 | 数据读取 / 策略生成 / 回测 / 下单 / 风控 | 48 个 |
注意：实盘权限控制是分级的——默认是纸面交易（Paper Trading），需要明确配置才能切换到模拟或实盘，避免误操作直接亏钱。这种"分级授权"机制对所有需要 AI 执行真实操作的场景都值得借鉴。
三个值得借鉴的设计
即便你不进行量化交易，这个项目里也有几个工程设计值得借鉴：
- MCP 工具注册 / 发现机制：
把 LLM 需要的能力都抽象成 MCP 工具，AI 按需调用。这套思路对我们做 OpenClaw 工具生态优化有参考价值——让 AI 知道"我能调什么、按什么规范调"是 Agent 能力扩展的基础设施。 - Research 闭环设计：
从"研究目标 → 信号生成 → 回测验证"全流程自动化，类似的闭环可以套到内容运营、用户研究、产品调研等场景——只要任务能拆成"输入→分析→验证"三段，就能让 AI 闭环起来。 - Mandate 安全模型：
对 Agent 操作做权限分级（纸面 / 模拟 / 实盘），把"危险操作"和"安全操作"分通道管理。这种"分级授权"思想对所有需要 AI 执行真实操作的场景都适用——内容发布、邮件发送、订单提交、删库跑路…… 都该有类似的护栏。
💡 落地案例：内容运营也能用"自然语言 → 执行"模式
虽然 Vibe-Trading 是为量化交易设计的，但它的核心范式——"自然语言指令 → AI 拆解 → 工具执行 → 结果验证"——完全可以复用到内容运营场景。
比如用 OpenClaw 做小红书内容运营时，已经在用类似思路：
- 运营同学用一句话描述选题方向（比如"写一篇针对 25-30 岁女性的夏季穿搭笔记"）
- AI Agent 自动调用选题库、对标账号分析、爆款模板匹配等工具
- 最终生成完整笔记初稿，运营只需微调和配图
这种"自然语言驱动的工作流"正在成为新一代 AI 应用的标准范式。Vibe-Trading 在量化领域做了完整示范，类似的框架未来会在内容、设计、运营、销售等各个领域出现。
你也可以用类似思路，把团队里的重复性工作流抽象成"自然语言指令 + 工具执行"模式，交给 AI Agent 完成。
项目地址：github.com/HKUDS/Vibe-Trading