个人股票量化玩票参考：数据源与开源项目

前提说明：这是一份基于社区、官方文档、公开互联网整理出来的参考，面向预算有限、以玩票和研究为主的个人开发者。以下判断均来自公开信息整理，不代表逐一实测。

数据源

Tushare：A 股基本面数据的事实标准，但门槛比想象中高

官网：https://tushare.pro

Tushare 的 A 股日线精度、财务数据规整度在社区里是公认的，字段标准化做得好，拿到之后清洗工作量小。

但“免费”需要重新理解。官方权限表显示，120 积分只能调取非复权日线，其他接口基本调不动。2000 积分对应年费约 200 元，可访问大部分日频接口（复权行情、每日指标、财务三表等）。历史分钟数据是独立权限，单独 2000 元/年，跟积分体系无关。部分做全市场或分钟级研究的用户，一年花费可达数千元（含分钟权限），以官方价格为准。

适合：A 股日频以上的基本面研究，愿意为数据精度付费或攒积分。
不适合：纯免费方案，或港美股为主的研究。

TickDB：接入 AI 工具的路径短，覆盖多市场

官网：https://tickdb.ai/
MCP 接入地址：https://mcp.tickdb.ai/

TickDB 的定位是 AI 原生数据源，提供 MCP / Skill / CLI 三种接入方式。公开文档显示，在 Codex 里配一次 MCP，之后可以直接用自然语言拉行情，不需要手写 HTTP 请求。Skill 模式不需要注册，安装后自动获取试用 Key，覆盖 A 股、港美、期货、加密等多个市场，返回结构化 JSON。

需要注意：免费额度有限（7 天试用，5 个并发订阅，30 次/分钟 API），长期用需要付费，基础版 $99/月起。

适合：已经在用 Cursor / Claude / Codex 做开发，想省掉数据接入代码这一层。
不适合：需要机构级数据治理和持牌合规通道的场景。

AKShare：覆盖面广，但稳定性依赖源站

GitHub：https://github.com/akfamily/akshare

AKShare 的接口数量是最大优势，目前提供 1000 余个数据接口，覆盖 A 股、港股、美股、基金、期货、债券、宏观、外汇，以及舆情和财经新闻等另类数据。pip 安装后两行代码能跑，上手成本几乎为零。

但公开 issue 和社区讨论里大量提到东方财富等源站的限流问题：批量拉取几百只股票就可能断连、返回空数据，甚至封 IP。AKShare 本质上是爬虫封装，请求模型没有内置节流、没有 UA 轮换，各接口独立请求不共享会话。即使控制频率，东财源仍可能因反爬升级而间歇性失效，不建议作为生产级数据源。

适合：探索性研究、另类数据、低频拉取。
不适合：定时、批量、稳定获取，或放进实盘流程。

完整框架

Qlib：AI 因子研究值得关注，但数据下载有坑

GitHub：https://github.com/microsoft/qlib
社区数据包：https://github.com/chenditc/investment_data

Qlib 是微软亚洲研究院开源的 AI 量化研究平台，目前仍在活跃更新。最大特点是严格剔除前视偏差，回测可信度比随手写的脚本高。2024 年 8 月引入 RD-Agent，基于大模型自动挖掘因子、写代码验证、自我优化。

坑点：官方一键下载数据集功能已下线，官方 README 明确说明“Due to more restrict data security policy. The official dataset is disabled temporarily”，并推荐使用社区数据源。社区目前主要依赖 chenditc/investment_data 的 releases（托管在 dolthub，每日更新），它合并 Tushare、AKShare、Yahoo 等多个数据源并做交叉验证，目的是减少退市股票缺失带来的幸存者偏差。解压时注意 --strip-components 参数（社区文档常见 1 或 2 两种写法），若目录层级不对换一个值重试即可。

适合：愿意折腾数据、做 AI 因子研究的人。
不适合：想开箱即用、快速跑通回测的人。

vnpy：国内期货实盘绕不开，v4.x 向 AI 方向扩展

GitHub：https://github.com/vnpy/vnpy

vnpy 是国内使用最广泛的 Python 量化交易框架，当前主线为 v4.x。最大的价值是 CTP 接口封装成熟度，从回测到实盘的路径最顺。v4.x 新增了 vnpy.alpha 模块，提供一站式多因子机器学习策略开发、投研和实盘交易解决方案，内置 Alpha158 因子集（来源于 Qlib 项目），支持 Lasso、LightGBM、MLP 等模型，把特征工程、模型训练、信号生成、策略回测串成完整投研链路。官方另有 vnpy_tushare 数据接口，配置 Token 即可拉取 Tushare 数据，和 jh_quant 这类工具形成互补。

限制：强项在期货和衍生品，股票实盘支持的券商接口覆盖不如期货全面，框架本身比较重，学习成本不低。
适合：国内期货程序化交易，或想用 vnpy.alpha 做 A 股多因子 ML 研究。
不适合：纯股票研究且不想碰期货框架的人。

VectorBT：参数扫描快，复杂策略难受

GitHub：https://github.com/polakowo/vectorbt

VectorBT 基于向量化回测，利用 Numba 加速，几千个参数组合几秒钟跑完，做策略筛选和敏感性分析效率极高。

代价：事件驱动逻辑（按信号加仓、动态止损等）在向量化框架里需要绕来绕去，不如事件驱动框架直观。
适合：批量参数扫描、快速验证想法。
不适合：精细模拟交易细节。

Hikyuu：专注国内 A 股的极速回测框架

GitHub：https://github.com/fasiondog/hikyuu

Hikyuu 是基于 C++/Python 的开源量化研究框架，聚焦国内 A 股市场，持续活跃维护。核心引擎用 C++ 实现，官方实测数据显示：AMD 7950x 上，A 股全市场 1913 万日 K 线首次加载并计算 20 日均线约 6 秒，预热后仅需 166 毫秒。策略组件化设计，将系统化交易拆解为市场环境判断、信号指标、止损止盈、资金管理等模块，可自由组合。

适合：对回测速度有要求的 A 股策略研究。
不适合：需要多市场、需要丰富实盘接口的场景。

TradingAgents：多智能体 LLM 交易研究框架，热度极高

GitHub：https://github.com/TauricResearch/TradingAgents
中文增强版（社区主流）：https://github.com/hsliuping/TradingAgents-CN

TradingAgents 是多智能体交易框架，2026 年热度持续爆发，GitHub 已达 10 万+ Stars。用多个 AI Agent 模拟投研团队——基本面分析师、舆情分析师、技术分析师各管一摊，然后多空研究员结构化辩论，风控团队把关，最后投资组合经理拍板。支持 GPT、DeepSeek、Gemini 等多种 LLM。中文增强版（如 TradingAgents-CN）社区文档给出的参考成本：经济模式约 $0.01–0.05/次分析（gpt-4o-mini），标准模式 $0.05–0.15/次（gpt-4o）。实际成本随模型、辩论轮次、数据源而波动较大。

需要注意：Agent 辩论轮次消耗 token 显著，单次分析成本需提前估算。主要面向美股，A 股需要额外适配。学术研究也提醒，LLM 交易 Agent 的报告收益不应直接视为可部署证据。
适合：对 LLM 驱动多智能体交易感兴趣的研究者。
不适合：追求轻量、低成本方案的人。

数据 + 回测工作台（轻量/新兴项目）

以下项目 Star 数和活跃度明显低于 Qlib / vnpy / TradingAgents 等主线框架，定位更偏“开箱即用、快速跑通流程”，成熟度需要自己验证，不建议和经典框架同等对待。

jh_quant：兼容 Tushare/AKShare 调用风格的量化平台

GitHub：https://github.com/jiuhuang-asset/jh_quant
官网：https://jiuhuang.xyz
文档：https://doc.jiuhuang.xyz

jh_quant 是一个量化交易研究与执行平台，覆盖数据获取、回测、因子计算、实盘/模拟交易、组合优化、可视化仪表盘。最大的卖点是数据层兼容 Tushare 和 AKShare 的调用风格，如果你之前用过这两个库，迁移成本低，代码可以接近复用。安装方式是 pip install jh_quant。

数据层兼容 Tushare / AKShare 调用风格，迁移成本低。目前主要覆盖 A 股日线前复权等基础数据，其他市场还没覆盖。回测内置海龟、均线交叉、买入持有等策略，jh-quant paper 一条命令就能启动模拟交易。实盘对接的是 MiniQMT，但官方标注“live 模式需要进一步完善”。另外提供了 AI Coding Agent 的 Skill 文件，可以配合 Claude Code / Codex 使用。

适合：熟悉 Tushare/AKShare 调用风格、想快速跑通回测到模拟交易流程的玩票用户。
不适合：需要港美股数据，或想直接上实盘的人。

tick-stock-panel（TSP）：自托管的 A 股选股+监控+回测工作台

GitHub：https://github.com/shy3130/tick-stock-panel

TSP 是一个自托管、零运维的 A 股量化工作台，定位是“选股 + 监控 + 回测”一条链。核心能力包括：25 个内置选股策略（毫秒级扫全 A 股）、68 列指标流水线、因子回测（IC/IR、分层收益、多空组合）、分钟策略回测、全时段异动监控（竞价/盘中/偏移）、AI 对话助手（18 个只读工具，可自然语言查数据）。

数据源采用能力路由矩阵，支持 TickFlow SDK、fuyao（同花顺 REST）、stock-sdk、YAML 自定义源等插件化接入，换源不换口径。默认可用免费历史日 K，实时能力依赖订阅档位或自配数据源。部署方式很轻：docker run 一条命令就能跑起来，数据全部落在本地 Parquet。项目明确声明“不做 AI 荐股/涨停预测”，仅供学习研究。

适合：想要一个开箱即用的 A 股选股+监控+回测工作台，且偏好自托管、数据不出本地的用户。
不适合：需要多市场（港美股/期货）覆盖，或不想碰 Docker 的人。

AI 友好工具箱（轻量/新兴项目）

a-stock-data-quant：A 股量化分析工具箱

GitHub：https://github.com/jangviktor-web/a-stock-data-quant

a-stock-data-quant 是一个基于 akshare + MyTT 构建的 A 股量化分析工具箱，定位是“可被 AI Agent 直接调用的技能”。覆盖范围很广：20+ 技术指标（MACD/RSI/KDJ/BOLL 等）、形态识别（W底/杯柄/三重底）、7 种策略回测、筹码分布、板块资金流、F10 财务、估值分位、市场温度、北向资金、龙虎榜、融资融券，以及港股/期货/期权/宏观数据。

最特别的是它的 AI 集成方式：可以通过 SkillHub 或 ClawHub 安装为 AI 技能，之后直接用自然语言提问，比如“茅台现在什么价？”“帮我分析一下 300750 的技术面”“沪深300ETF 该不该买？”，工具会自动识别并调用。数据源采用腾讯→东财→mootdx 三级自动降级，还内置了东方财富妙想的 AI 接口（随包内置默认 Key，开箱即用）。

适合：想用自然语言直接查 A 股数据、做快速技术分析的新手，或想把股票数据接入 AI Agent 的人。
不适合：需要高频数据、或想要完整策略研究框架的人。

quantitative_analysis：多因子选股系统原型

GitHub：https://github.com/henrylin99/quantitative_analysis

quantitative_analysis 是一个面向 A 股的多因子选股系统原型，覆盖因子计算、机器学习建模（XGBoost/LightGBM/RandomForest）、交易信号、组合优化、风险管理、回测验证的完整链路。v4.0 采用 React 前端 + Flask API 架构，数据层是 Parquet + SQLite，零外部中间件依赖（无需 MySQL / Redis），克隆即可运行。

比较有特色的是 AI 智能工作台：通过自然语言对话完成查询分析和系统操作，大模型生成只读 SQL 查询本地宽表，也可以触发数据下载、因子计算、模型训练等任务。项目在量化正确性上做了不少工作，包括剔除前视偏差、point-in-time 因子打点、复权口径修正、逐日 mark-to-market 净值等。官方声明“不适用于直接实盘交易”，定位是学习和二次开发。

适合：想学习多因子选股完整链路、对机器学习选股感兴趣的入门者。
不适合：想直接拿来做实盘，或不想碰 React 前端的人。

数据源对比表

最后一句实话：个人玩票最大的成本不是钱，是调试数据接口和对抗反爬的时间。Tushare 一年 200 块可能省下几十个小时的清洗时间，AKShare 免费但可能让你一个下午都在处理 429 错误。选哪个，看更缺时间还是更缺钱。以上为公开信息整理，实际接口权限、稳定性、价格可能随时变化，请以官方文档和自己实测为准。

AI