Vibe-Trading:港大出品的开源市场研究智能体,不是交易机器人
Vibe-Trading 是 HKUDS(港大数据科学实验室)推出的开源研究工作台,能把自然语言提出的金融问题变成回测、多智能体分析报告,以及可选的经授权交易。
- ⭐ 28307
- Python
- LangChain
- MCP
- MIT
- 更新于 2026-07-29
Polymarket合作:为预测市场构建人工智能交易机器人 • Orca:并行运行 Claude Code、Codex 与 Cursor 的智能体开发环境(ADE)

Vibe-Trading 是什么? #
Vibe-Trading 由 HKUDS(港大数据科学实验室,多个知名开源 LLM 项目的作者团队)打造,它对自己的定位说得很谨慎:这是一个研究工作台,不是一个你可以直接指向自己积蓄的自动化交易机器人。它把自然语言提出的金融问题变成可运行的分析——行情数据加载、策略生成、回测引擎、报告、导出和持久化研究记忆串联在一起。
🔗 GitHub:https://github.com/HKUDS/Vibe-Trading 🌐 官网:https://vibetrading.wiki/
Vibe-Trading 于 2026 年 4 月以 MIT 协议首次发布,到 2026 年 7 月底已达到 2.83 万以上 GitHub star,比两周前(约2.37万)有明显增长。
建议先读这段——项目自己的免责声明原文:“Vibe-Trading is research and trading software. It is not investment advice, holds no funds, and runs no execution venue… This broker-trading capability is experimental and not verified by us against a real broker account — use it at your own risk. Past performance does not guarantee future results."(Vibe-Trading是研究和交易软件,不构成投资建议,不持有任何资金,也不运行任何交易执行渠道……这项券商交易能力是实验性的,我们没有针对真实券商账户进行过验证——使用风险自负。过往表现不代表未来收益。)
快速示例 #
pip install vibe-trading-ai
vibe-trading init
vibe-trading run -p "Backtest a BTC-USDT 20/50 moving-average strategy for 2024 and summarize return and drawdown"
一条 prompt 就能驱动数据抓取、策略代码生成、回测运行和汇总报告——不需要针对每个市场、每个数据源单独写脚本。
核心功能 #

| 功能 | 说明 |
|---|---|
| 自我进化的研究智能体 | 自然语言市场研究、策略草稿、文件/网页分析、有记忆支撑的工作流 |
| 多智能体交易团队 | 独立的投资、量化、加密货币和风险分析智能体团队,支持流式进度展示和持久化报告 |
| 跨市场数据与回测 | 覆盖A/港/美股、加密货币、期货、外汇,自动数据源故障转移,支持时点(PIT)数据校验 |
| Shadow Account(影子账户) | 解析你真实的券商交易流水,诊断行为模式,并与基于规则的策略做对比 |
| Alpha Zoo 基准测试 | 一行命令即可对 462 个预置 alpha 因子(Qlib 158 + Kakushadze 101 + GTJA 191 + 学术因子 + PIT安全的基本面因子)在你选定的股票池上做IC评分 |
| 文档与图表阅读 | 解析 PDF/DOCX/XLSX/PPTX,并通过视觉模型语义化地读取图表截图 |
| 多渠道分发 | 同一个研究会话可以通过 Telegram、Slack、Discord、WhatsApp、Signal、微信/企业微信、飞书、钉钉、Teams 和邮件运行,外加 CLI/REST/Web UI |
安装 #
方式A:pip(最快) #
pip install vibe-trading-ai
安装后得到的命令:
| 命令 | 用途 |
|---|---|
vibe-trading | 交互式 CLI / TUI |
vibe-trading serve | 启动 FastAPI Web 服务器 |
vibe-trading-mcp | 启动 MCP 服务器(Claude Desktop、Cursor 等) |
方式B:Docker(零本地配置) #
git clone https://github.com/HKUDS/Vibe-Trading.git
cd Vibe-Trading
cp agent/.env.example agent/.env
# 编辑 agent/.env,填入你的 LLM 供应商密钥
docker compose up --build
打开 http://localhost:8899。持久化记忆、回测记录和上传文件都保存在具名 Docker volume 中,更新时不会丢失(只有执行 docker compose down -v 才会删除)。
方式C:MCP 插件 #
vibe-trading-mcp
把 Vibe-Trading 的工具直接接入已有的支持 MCP 的智能体(Claude Desktop、Cursor、OpenClaw),而不是独立运行。
LLM 供应商 #
支持 OpenRouter、OpenAI、Anthropic、DeepSeek、Gemini、Groq、通义千问、智谱、Kimi、MiniMax、NVIDIA NIM,以及本地 Ollama(无需 API key)——在 .env 中配置。
跨市场数据,默认免费 #

按照项目的说法,所有支持的市场都不需要付费 API key,靠的是一套自动故障转移链:
| 市场 | 免费数据源 |
|---|---|
| 港股/美股 | yfinance |
| 加密货币 | OKX |
| A股 | mootdx(TCP直连,无IP限流)优先,AKShare作为备用 |
| 期货/外汇 | AKShare |
Tushare token 对A股来说是可选项,不是必需的。
Shadow Account(影子账户)功能 #
有一个功能明显区别于常见的"回测一个策略"类工具:Shadow Account 会摄入你自己的券商交易流水,对其进行行为诊断,提炼出交易规则,并把你的实际决策与基于规则的基准做对比——最终生成可导出的审计报告和自动生成的策略代码。它的定位是理解你自己过去的交易行为,而不是生成新的买卖信号。
使用场景 #
1. 把研究问题直接变成回测 #
用大白话提出一个策略想法,直接拿到可运行的策略代码、指标和校验产物,不需要针对每个市场手写数据抓取代码。
2. 复盘自己的交易历史 #
把券商导出的交易记录喂给 Shadow Account,得到一份关于你实际交易模式的诊断,以及和基于规则的对照策略的比较。
3. 快速验证因子想法 #
用内置的462因子库跑一遍你的股票池,拿到IC评分和存活/失效分类,再决定要不要从零开始写自定义因子。
4. 多智能体投资委员会式模拟 #
用独立的投资/量化/加密/风险智能体团队,在正式建仓前模拟一场辩论式的评审。
相关仓库 #
| 仓库 | 用途 |
|---|---|
| Polymarket Agents | 一个更窄的预测市场交易智能体,dibi8已单独报道过 |
| TradingAgents | 同一赛道里另一个多智能体LLM交易框架 |
相关文章 #
- Polymarket合作:为预测市场构建人工智能交易机器人 —— 一个更窄、专注预测市场的交易智能体
- Orca:并行运行 Claude Code、Codex 与 Cursor 的智能体开发环境(ADE) —— 同样是多智能体编排,但应用在编码而非交易上
结语 #
Vibe-Trading 是一个有学术背景(港大数据科学实验室)、MIT协议开源的研究工作台,它首先把交易当作一个研究问题来处理——自然语言驱动的回测、多智能体分析师团队,以及通过 Shadow Account 实现的自我交易流水诊断——而把经券商授权的实盘交易明确定位为一项实验性、可选的附加功能,而不是主打卖点。截至2026年7月底,两周内star数从约2.37万涨到2.83万以上,说明"面向市场的研究智能体"这个定位本身确实吸引了不少真实兴趣。
最适合谁:想用对话方式回测和分析交易想法的开发者和对量化感兴趣的研究者,并且会认真对待项目自己"不构成投资建议,风险自负"的声明,再决定要不要接入任何实盘券商连接。
GitHub:https://github.com/HKUDS/Vibe-Trading
自建部署推荐基础设施 #
如果你想让 Vibe-Trading 的 API 服务器和 Web UI 常驻运行而不是跑在笔记本上:
- DigitalOcean —— 覆盖 14 个以上全球区域,60 天 200 美元免费额度,很适合搭建 Docker Compose 环境。
- HTStack —— 香港 VPS,从中国大陆访问延迟低——如果你要通过 mootdx/AKShare 拉取A股数据,这点尤其相关。这正是 dibi8.com 所在的机房。
以上为联盟链接——不会让你多花一分钱,但能帮助 dibi8.com 持续运营。
最后更新:2026-07-29
💬 留言讨论