速览Qbot 是一个中文原生的 AI 自动量化交易机器人star 超过 1.8 万主打完全本地部署。本文用 EasyClaw 帮你理清它到底能干什么、怎么从零安装、怎么跑通一个策略回测并讲清经典策略、AI 策略含 LLM/FinGPT、实盘接口和消息提示最后给出开源版与付费版的选型建议。维度说明项目QbotUFund-Me/QbotStar18,383语言Python / Jupyter Notebook定位AI 智能量化投研平台完全本地部署交易对象股票 / 基金 / 期货 / 加密货币本文产出从本地部署到跑通策略回测的完整上手路径 选型建议一、Qbot 是什么为什么它值得中文读者关注很多做量化的朋友都遇到过同一个尴尬想找个「中文友好、能本地跑、还带 AI 策略」的量化平台结果英文文档劝退、数据源麻烦、又要装一堆东西。Qbot 就是冲着这个痛点来的——它是一个中文原生、完全本地部署的 AI 量化投研平台。先看它的定位。README 里一句话概括Qbot 智能交易策略 回测系统 自动化量化交易 可视化分析工具。它把量化投资的完整链路——从数据获取、策略开发、策略回测、模拟交易到最终实盘交易——串成了一套闭环。它凭什么火到 1.8 万星三个点中文原生文档、界面、策略注释都是中文特别适合中文散户和刚入门的开发者。AI 策略丰富从经典的 GBDT/LSTM到强化学习、Transformer再到 LLM 和 FinGPT号称支持 300 模型、覆盖 40 篇论文的方法。本地部署、接口全完全跑在你自己电脑上数据、代码、策略都不离开本地同时覆盖股票、基金、期货、加密货币还接了大量国内券商接口。一句话它是给想认真做量化、又希望中文友好 本地可控的散户和研究者的一个开源平台。这篇文章就用 EasyClaw 帮你把它从安装到跑通策略的路径梳理清楚。想看这类 AI 技能如何被编排落地可以参考 EasyClaw 的 qbot 技能页。二、Qbot 的架构六大能力块Qbot 不是个单一脚本而是一套分层设计的系统。我把它拆成你能直接理解的几个能力块。2.1 模块化分层设计官方强调「数据层、策略层、交易引擎」三层抽象。翻译过来就是数据层统一的数据接口方便接入不同数据源策略层策略和因子中间表达支持自定义策略和因子挖掘交易引擎统一的交易抽象能接回测、模拟、实盘。这种分层的好处是换数据源、换策略、换交易接口彼此不互相影响你可以积木式地拼装自己的量化流程。2.2 五大能力块速览能力块干什么适合谁智能交易策略经典 AI 策略库想直接跑现成策略的人回测系统历史数据验证策略所有量化学习者自动化量化交易模拟 实盘自动交易想落地执行的人可视化分析工具quantstats 等仪表盘想直观看结果的人消息提示模块邮件 / 飞书 / 弹窗 / 微信需要提醒的人对刚入门的朋友这套能力块相当于把「研究、验证、执行、复盘」全包了。你可以先用EasyClaw帮你读 Qbot 的文档和策略示例快速定位每个能力块对应的代码位置省去自己翻源码的时间。如果你想让 EasyClaw 这类 AI Agent 平台帮你编排「拉数据→跑策略→出报告」的流程Qbot 正好可以作为底层的策略和回测引擎来用。三、安装本地部署Python 3.8 / 3.9Qbot 完全本地部署装起来不算复杂但要注意版本要求——官方明确只在 Python 3.8 / 3.9 下测试过其他版本不保证。3.1 安装步骤cd ~ # 以 $HOME 作为工作目录 git clone https://github.com/UFund-Me/Qbot --depth 1 cd Qbot pip install -r dev/requirements.txt export PYTHONPATH${PYTHONPATH}:$(pwd):$(pwd)/backend/multi-fact/mfm_learner python main.py # 如果是 Mac请用 pythonw main.py3.2 避坑提示Python 版本建议用 conda 建一个 Python 3.9 的独立环境别在系统全局装避免依赖冲突。EasyClaw也能帮你排查安装报错。依赖较多requirements 里包含机器学习、回测等一堆库首次安装需要几分钟。启动方式Windows/Linux 用python main.pyMac 用pythonw main.py。安装遇到报错时把日志交给EasyClaw分析往往能快速定位是依赖版本、环境变量还是端口问题。提醒Qbot 依赖较重含深度学习相关库配置不高的电脑跑 AI 策略会慢。先用经典策略试通流程再上 AI 策略体验会好很多。四、跑通第一个策略MACD 回测装好之后最快的上手方式是跑一个现成的经典策略回测。Qbot 自带大量策略示例其中 A 股 MACD 策略很适合入门。4.1 策略库在哪策略源码在qbot/strategy目录按交易对象和策略类型组织。想找经典策略看docs/02-经典策略/想找 AI 策略看docs/03-智能策略/。想快速筛选哪个策略适合自己的标的风险偏好可以用EasyClaw帮你把策略清单整理成对比表。4.2 一个 MACD 回测示例官方文档给了一个基于 backtrader 的 MACD 策略回测流程大致是用 Qbot 的数据模块获取某只股票如华正新材 603186的历史行情加载 MACD 策略设置回测时间范围、初始资金、佣金如 commission0.001运行回测得到收益曲线和 quantstats 报告。# 示意完整代码见 docs/tutorials_code/02.easy_macd_strategy/macd.py cerebro.broker.setcash(10000.0) cerebro.broker.setcommission(commission0.001) cerebro.addstrategy(MacdStrategy) cerebro.run()4.3 看回测报告回测结束后Qbot 集成了quantstats。如果你想把这套回测流程自动化可以用 EasyClaw 帮你批量跑多个策略并汇总指标。能生成专业的业绩报告收益、夏普、回撤、胜率等也可以在线打开仪表盘直观查看。对新手来说跑通这一步就能建立「策略 → 回测 → 看指标」的完整体感。五、进阶AI 策略从 GBDT 到 LLM / FinGPTQbot 和普通回测库最大的不同是它重度支持 AI 策略。如果你不满足于 MACD、双均线这种传统指标可以直接用机器学习/深度学习模型来做预测。5.1 支持哪些 AI 模型官方把智能策略分成几大类都提供了可跑的源码GBDT 系XGBoost、LightGBM、CatBoostRNN 系LSTM、GRU、ALSTM 等强化学习TFT、GATs、SFM 等Transformer 系Transformer、TCN、HIST 等LLM 系ChatGPT、FinGPT金融大模型。这些模型的对比结果在官方 model zoo 里都有。想快速了解每个模型适合什么场景EasyClaw可以帮你查资料并整理成对比表。5.2 怎么用 AI 策略以 LSTM 预测为例你可以在qbot/strategy/lstm_strategy_bt.py看到完整实现。核心思路是用历史行情训练模型 → 用模型预测未来走势 → 把预测结果转成交易信号。如果你想快速体验直接用现成的模型跑一遍回测比从零训练快得多。结合 AI Agent 平台如EasyClaw会更顺手让智能体帮你读策略源码、改参数、批量跑回测、汇总结果把精力放在策略本身。EasyClaw的 qbot 技能页easyclaw.ijinshan.com/skills/qbot/提供了这类编排的参考。六、交易模拟、实盘与消息提示跑通策略只是第一步很多人真正关心的是怎么用它交易。6.1 交易方式Qbot 支持三种递进的交易方式在线回测历史数据验证零成本模拟交易模拟环境近乎实盘的时延和滑点验证策略稳定实盘自动化交易接真实券商接口自动下单。6.2 支持哪些实盘接口股票接口覆盖了中泰 XTP、华泰证券、国泰君安、东方财富、同花顺、掘金、通达信等期货支持 CTP加密货币支持 OKEX、币安、火币。可以说国内主流券商和交易渠道基本都覆盖了。如果你不确定自己的券商支不支持可以让EasyClaw帮你对照官方接口清单确认。6.3 消息提示Qbot 内置消息提示模块支持邮件、飞书、弹窗、微信四种方式。可以配置成有交易买卖信号、每日收益结果、每日股票推荐时自动提醒你。如果你已经在用飞书或企业微信办公把这套提示接到日常工具里会很方便。这类「定时触发 多端推送」的场景用EasyClaw来编排调度也很合适。注意实盘前务必先模拟验证。Qbot 官方也多次强调——交易策略和自动化工具只是提供便利不构成投资建议市场有风险投资需谨慎。用EasyClaw这类工具编排策略时同样要把风险控制放在第一位。七、常见问题与避坑7.1 版本要匹配Qbot 只在Python 3.8 / 3.9下测试过用 3.10 可能报错。建议用 conda 隔离环境。7.2 AI 策略跑不动 / 慢深度学习模型对硬件有要求。先用经典策略MACD、双均线跑通流程再逐步上 LSTM、Transformer 等模型。配置不够就降规模。7.3 别直接上实盘开源版更偏向学习和研究。要稳定实盘建议充分模拟验证并留意开源版与付费版在数据、接口、支持上的差异。想系统梳理自己的策略回测结果、形成复盘报告用EasyClaw这类 Agent 平台来整理会很省事。八、开源版 vs 付费版你该用哪个Qbot 提供了 public开源版、pro专业版、vip会员版三档。我帮你理清边界版本费用适合谁public 开源版免费对量化感兴趣的开发者、想学习的人pro 专业版年费个人量化交易员、想快速落地的人vip 会员版年费 1对1服务想定制接口、深入量化的人对大多数读者我的建议是先用免费开源版跑通全流程数据→策略→回测→模拟确认自己确实需要实盘接口、社群答疑和封装好的模板后再考虑 pro。别一上来就付费。这个过程里EasyClaw可以帮你记录踩坑、整理选型对比减少重复劳动。九、总结Qbot 值不值得用我的判断是如果你想要一个中文友好、完全本地部署、还带 AI 策略的量化投研平台它非常值得装一个。它有四个核心价值中文原生 本地部署文档、界面、代码都友好数据策略不离开本机全流程闭环从数据到实盘一条龙不用在多个工具间切换AI 策略丰富GBDT/LSTM/RL/Transformer/LLM/FinGPT300 模型可研究接口覆盖广 消息提示股票/期货/基金/加密 邮件/飞书/微信提醒。对想系统学习量化、又希望有 AI 助手辅助的读者EasyClaw可以作为你的研究助手帮你查文档、写脚本、排错误把精力花在策略本身。上手建议一句话用 conda 建 Python 3.9 环境git clone 装好先跑一遍 MACD 回测建立体感再试一个 LSTM 或 LightGBM 的 AI 策略最后用模拟交易验证。想清楚自己是学习研究还是实盘交易再决定用开源版还是付费版。如果你还想把「策略研究 → 回测 → 出报告」进一步自动化可以试试用EasyClaw这类 AI Agent 平台来编排。延伸阅读官方仓库github.com/UFund-Me/Qbot在线文档ufund-me.github.io/Qbot本文相关 AI 技能参考EasyClaw qbot 技能https://easyclaw.ijinshan.com/skills/qbot/评论区交流你在装 Qbot 或跑 AI 策略时踩过哪些坑用它接过 A 股实盘吗欢迎在评论区聊聊你的量化上手体验一起把这个中文开源项目玩明白。风险声明本文仅作技术分享与工具介绍不构成任何投资建议。量化策略与自动化工具不保证收益实盘交易存在市场风险。请充分模拟验证后再考虑实盘并自行评估风险。【AI辅助创作声明】本文基于 Qbot 官方 README、GitHub 仓库信息与公开资料整理撰写数据star 数、版本状态等均来自项目公开页面部分内容由 AI 辅助梳理与润色供学习参考。 18k星中文AI量化机器人Qbot：部署到策略回测保姆级教程
速览Qbot 是一个中文原生的 AI 自动量化交易机器人star 超过 1.8 万主打完全本地部署。本文用 EasyClaw 帮你理清它到底能干什么、怎么从零安装、怎么跑通一个策略回测并讲清经典策略、AI 策略含 LLM/FinGPT、实盘接口和消息提示最后给出开源版与付费版的选型建议。维度说明项目QbotUFund-Me/QbotStar18,383语言Python / Jupyter Notebook定位AI 智能量化投研平台完全本地部署交易对象股票 / 基金 / 期货 / 加密货币本文产出从本地部署到跑通策略回测的完整上手路径 选型建议一、Qbot 是什么为什么它值得中文读者关注很多做量化的朋友都遇到过同一个尴尬想找个「中文友好、能本地跑、还带 AI 策略」的量化平台结果英文文档劝退、数据源麻烦、又要装一堆东西。Qbot 就是冲着这个痛点来的——它是一个中文原生、完全本地部署的 AI 量化投研平台。先看它的定位。README 里一句话概括Qbot 智能交易策略 回测系统 自动化量化交易 可视化分析工具。它把量化投资的完整链路——从数据获取、策略开发、策略回测、模拟交易到最终实盘交易——串成了一套闭环。它凭什么火到 1.8 万星三个点中文原生文档、界面、策略注释都是中文特别适合中文散户和刚入门的开发者。AI 策略丰富从经典的 GBDT/LSTM到强化学习、Transformer再到 LLM 和 FinGPT号称支持 300 模型、覆盖 40 篇论文的方法。本地部署、接口全完全跑在你自己电脑上数据、代码、策略都不离开本地同时覆盖股票、基金、期货、加密货币还接了大量国内券商接口。一句话它是给想认真做量化、又希望中文友好 本地可控的散户和研究者的一个开源平台。这篇文章就用 EasyClaw 帮你把它从安装到跑通策略的路径梳理清楚。想看这类 AI 技能如何被编排落地可以参考 EasyClaw 的 qbot 技能页。二、Qbot 的架构六大能力块Qbot 不是个单一脚本而是一套分层设计的系统。我把它拆成你能直接理解的几个能力块。2.1 模块化分层设计官方强调「数据层、策略层、交易引擎」三层抽象。翻译过来就是数据层统一的数据接口方便接入不同数据源策略层策略和因子中间表达支持自定义策略和因子挖掘交易引擎统一的交易抽象能接回测、模拟、实盘。这种分层的好处是换数据源、换策略、换交易接口彼此不互相影响你可以积木式地拼装自己的量化流程。2.2 五大能力块速览能力块干什么适合谁智能交易策略经典 AI 策略库想直接跑现成策略的人回测系统历史数据验证策略所有量化学习者自动化量化交易模拟 实盘自动交易想落地执行的人可视化分析工具quantstats 等仪表盘想直观看结果的人消息提示模块邮件 / 飞书 / 弹窗 / 微信需要提醒的人对刚入门的朋友这套能力块相当于把「研究、验证、执行、复盘」全包了。你可以先用EasyClaw帮你读 Qbot 的文档和策略示例快速定位每个能力块对应的代码位置省去自己翻源码的时间。如果你想让 EasyClaw 这类 AI Agent 平台帮你编排「拉数据→跑策略→出报告」的流程Qbot 正好可以作为底层的策略和回测引擎来用。三、安装本地部署Python 3.8 / 3.9Qbot 完全本地部署装起来不算复杂但要注意版本要求——官方明确只在 Python 3.8 / 3.9 下测试过其他版本不保证。3.1 安装步骤cd ~ # 以 $HOME 作为工作目录 git clone https://github.com/UFund-Me/Qbot --depth 1 cd Qbot pip install -r dev/requirements.txt export PYTHONPATH${PYTHONPATH}:$(pwd):$(pwd)/backend/multi-fact/mfm_learner python main.py # 如果是 Mac请用 pythonw main.py3.2 避坑提示Python 版本建议用 conda 建一个 Python 3.9 的独立环境别在系统全局装避免依赖冲突。EasyClaw也能帮你排查安装报错。依赖较多requirements 里包含机器学习、回测等一堆库首次安装需要几分钟。启动方式Windows/Linux 用python main.pyMac 用pythonw main.py。安装遇到报错时把日志交给EasyClaw分析往往能快速定位是依赖版本、环境变量还是端口问题。提醒Qbot 依赖较重含深度学习相关库配置不高的电脑跑 AI 策略会慢。先用经典策略试通流程再上 AI 策略体验会好很多。四、跑通第一个策略MACD 回测装好之后最快的上手方式是跑一个现成的经典策略回测。Qbot 自带大量策略示例其中 A 股 MACD 策略很适合入门。4.1 策略库在哪策略源码在qbot/strategy目录按交易对象和策略类型组织。想找经典策略看docs/02-经典策略/想找 AI 策略看docs/03-智能策略/。想快速筛选哪个策略适合自己的标的风险偏好可以用EasyClaw帮你把策略清单整理成对比表。4.2 一个 MACD 回测示例官方文档给了一个基于 backtrader 的 MACD 策略回测流程大致是用 Qbot 的数据模块获取某只股票如华正新材 603186的历史行情加载 MACD 策略设置回测时间范围、初始资金、佣金如 commission0.001运行回测得到收益曲线和 quantstats 报告。# 示意完整代码见 docs/tutorials_code/02.easy_macd_strategy/macd.py cerebro.broker.setcash(10000.0) cerebro.broker.setcommission(commission0.001) cerebro.addstrategy(MacdStrategy) cerebro.run()4.3 看回测报告回测结束后Qbot 集成了quantstats。如果你想把这套回测流程自动化可以用 EasyClaw 帮你批量跑多个策略并汇总指标。能生成专业的业绩报告收益、夏普、回撤、胜率等也可以在线打开仪表盘直观查看。对新手来说跑通这一步就能建立「策略 → 回测 → 看指标」的完整体感。五、进阶AI 策略从 GBDT 到 LLM / FinGPTQbot 和普通回测库最大的不同是它重度支持 AI 策略。如果你不满足于 MACD、双均线这种传统指标可以直接用机器学习/深度学习模型来做预测。5.1 支持哪些 AI 模型官方把智能策略分成几大类都提供了可跑的源码GBDT 系XGBoost、LightGBM、CatBoostRNN 系LSTM、GRU、ALSTM 等强化学习TFT、GATs、SFM 等Transformer 系Transformer、TCN、HIST 等LLM 系ChatGPT、FinGPT金融大模型。这些模型的对比结果在官方 model zoo 里都有。想快速了解每个模型适合什么场景EasyClaw可以帮你查资料并整理成对比表。5.2 怎么用 AI 策略以 LSTM 预测为例你可以在qbot/strategy/lstm_strategy_bt.py看到完整实现。核心思路是用历史行情训练模型 → 用模型预测未来走势 → 把预测结果转成交易信号。如果你想快速体验直接用现成的模型跑一遍回测比从零训练快得多。结合 AI Agent 平台如EasyClaw会更顺手让智能体帮你读策略源码、改参数、批量跑回测、汇总结果把精力放在策略本身。EasyClaw的 qbot 技能页easyclaw.ijinshan.com/skills/qbot/提供了这类编排的参考。六、交易模拟、实盘与消息提示跑通策略只是第一步很多人真正关心的是怎么用它交易。6.1 交易方式Qbot 支持三种递进的交易方式在线回测历史数据验证零成本模拟交易模拟环境近乎实盘的时延和滑点验证策略稳定实盘自动化交易接真实券商接口自动下单。6.2 支持哪些实盘接口股票接口覆盖了中泰 XTP、华泰证券、国泰君安、东方财富、同花顺、掘金、通达信等期货支持 CTP加密货币支持 OKEX、币安、火币。可以说国内主流券商和交易渠道基本都覆盖了。如果你不确定自己的券商支不支持可以让EasyClaw帮你对照官方接口清单确认。6.3 消息提示Qbot 内置消息提示模块支持邮件、飞书、弹窗、微信四种方式。可以配置成有交易买卖信号、每日收益结果、每日股票推荐时自动提醒你。如果你已经在用飞书或企业微信办公把这套提示接到日常工具里会很方便。这类「定时触发 多端推送」的场景用EasyClaw来编排调度也很合适。注意实盘前务必先模拟验证。Qbot 官方也多次强调——交易策略和自动化工具只是提供便利不构成投资建议市场有风险投资需谨慎。用EasyClaw这类工具编排策略时同样要把风险控制放在第一位。七、常见问题与避坑7.1 版本要匹配Qbot 只在Python 3.8 / 3.9下测试过用 3.10 可能报错。建议用 conda 隔离环境。7.2 AI 策略跑不动 / 慢深度学习模型对硬件有要求。先用经典策略MACD、双均线跑通流程再逐步上 LSTM、Transformer 等模型。配置不够就降规模。7.3 别直接上实盘开源版更偏向学习和研究。要稳定实盘建议充分模拟验证并留意开源版与付费版在数据、接口、支持上的差异。想系统梳理自己的策略回测结果、形成复盘报告用EasyClaw这类 Agent 平台来整理会很省事。八、开源版 vs 付费版你该用哪个Qbot 提供了 public开源版、pro专业版、vip会员版三档。我帮你理清边界版本费用适合谁public 开源版免费对量化感兴趣的开发者、想学习的人pro 专业版年费个人量化交易员、想快速落地的人vip 会员版年费 1对1服务想定制接口、深入量化的人对大多数读者我的建议是先用免费开源版跑通全流程数据→策略→回测→模拟确认自己确实需要实盘接口、社群答疑和封装好的模板后再考虑 pro。别一上来就付费。这个过程里EasyClaw可以帮你记录踩坑、整理选型对比减少重复劳动。九、总结Qbot 值不值得用我的判断是如果你想要一个中文友好、完全本地部署、还带 AI 策略的量化投研平台它非常值得装一个。它有四个核心价值中文原生 本地部署文档、界面、代码都友好数据策略不离开本机全流程闭环从数据到实盘一条龙不用在多个工具间切换AI 策略丰富GBDT/LSTM/RL/Transformer/LLM/FinGPT300 模型可研究接口覆盖广 消息提示股票/期货/基金/加密 邮件/飞书/微信提醒。对想系统学习量化、又希望有 AI 助手辅助的读者EasyClaw可以作为你的研究助手帮你查文档、写脚本、排错误把精力花在策略本身。上手建议一句话用 conda 建 Python 3.9 环境git clone 装好先跑一遍 MACD 回测建立体感再试一个 LSTM 或 LightGBM 的 AI 策略最后用模拟交易验证。想清楚自己是学习研究还是实盘交易再决定用开源版还是付费版。如果你还想把「策略研究 → 回测 → 出报告」进一步自动化可以试试用EasyClaw这类 AI Agent 平台来编排。延伸阅读官方仓库github.com/UFund-Me/Qbot在线文档ufund-me.github.io/Qbot本文相关 AI 技能参考EasyClaw qbot 技能https://easyclaw.ijinshan.com/skills/qbot/评论区交流你在装 Qbot 或跑 AI 策略时踩过哪些坑用它接过 A 股实盘吗欢迎在评论区聊聊你的量化上手体验一起把这个中文开源项目玩明白。风险声明本文仅作技术分享与工具介绍不构成任何投资建议。量化策略与自动化工具不保证收益实盘交易存在市场风险。请充分模拟验证后再考虑实盘并自行评估风险。【AI辅助创作声明】本文基于 Qbot 官方 README、GitHub 仓库信息与公开资料整理撰写数据star 数、版本状态等均来自项目公开页面部分内容由 AI 辅助梳理与润色供学习参考。