Strategems.jl
✨ 用 Julia 开发量化系统交易策略并回测，适合追求高性能的量化交易者
🧭 AI 判断
仅供研究Julia回测框架多年未维护，热度低、上手难，仅具参考价值
Julia 语言的高性能系统化策略开发与回测框架,适合追求速度的量化开发者
📊 综合评分
📈 热度走势
GitHub star / HF 下载量每日快照 · 自 2026-09-16(上限 30 天)+1(现 168 · 断点=当日未采集)
📖 工具介绍
一个基于 Julia 语言的开源量化交易策略开发与回测框架，提供策略定义、历史数据回测等核心功能。代码简洁、易于扩展，适合使用 Julia 进行系统性交易研究的量化开发者和策略研究人员。
`Julia` - Quantitative systematic trading strategy development and backtesting.
⚖️ 同类对比
| 维度 | Strategems.jl | vectorbt | HFTFramework | ml-quant-trading |
|---|---|---|---|---|
| 结论 | 仅供研究 | 推荐 | 仅供研究 | 仅供研究 |
| 热度 | 168 | 9.4k | 307 | 91 |
| 7日增长 | 0 | +83 | 0 | 0 |
| 适合人群 | 专业量化 | 专业量化 | 专业量化 | 专业量化 |
| 主要用途 | 回测 / 策略研究 | 回测 / 策略研究 | 策略研究 / 回测 | 回测 / 策略研究 |
| 支持市场 | 多市场 | 多市场 | 多市场 | 多市场 |
| 技术栈 | Julia | Python | Python | Python/PyTorch |
| 上手难度 | 较高 | 较高 | 较高 | 较高 |
| 活跃度 | 低 | 高 | 低 | 低 |
🧩 更多同类工具
一款基于 Python 的开源回测与量化研究框架，提供高性能的向量化计算能力，支持策略回测、参数优化、算法交易与研究分析。适合需要快速批量测试大量策略参数组合的量化研究员和交易者。
一个开源的高频交易研究框架，用于支撑论文《A reinforcement learning approach to improve the performance of the Avellaneda-Stoikov market-making algorithm》的研究。它将强化学习与经典的 Avellaneda-Stoikov 做市模型相结合，可用于策略回测与实验验证。适合从事做市策略、强化学习量化研究的开发者和研究人员使用。
一款基于 Python 和 PyTorch 的量化研究框架，支持多因子分析、偏差校正、组合优化与可复现回测。代码结构清晰，便于实验管理与结果复现。适合希望用深度学习方法开展策略研究的量化开发者和研究人员使用。
一款基于 Python 的量化研究质量把关工具，为回测和因子证据提供 fail-closed 的质量门控检查。核心功能包括 DSR、PBO、haircut、MinTRL 检验，并附带概率校准的伴随门控。适合需要对因子策略和回测结果做严格统计验证的量化研究员与开发者。
一款由微软开源的 AI 导向量化投资平台，基于 Python 构建。它提供从数据处理、模型训练到回测的完整机器学习流水线，覆盖 Alpha 挖掘、风险分析等量化投资全链条。适合希望将 AI/ML 方法应用于量化研究的开发者和研究者使用。
一个基于 Python 的交易策略研究框架，支持迭代式策略生成、回测、SQLite 记忆存储、holdout 评估和 walk-forward 实验，并实验性引入遗传算法与 diff 机制。适合希望借助 LLM/Agent 开展量化策略研究与验证的开发者和研究人员。