Vibe-Trading
✨ 个人交易智能体，用LLM帮你自动分析行情并执行量化交易策略
🧭 AI 判断
推荐HKUDS出品热度极高且持续维护,个人交易Agent定位实用,多市场支持
个人交易Agent,用LLM自动化研报与交易决策流程
- 近2天热度 +138,当日热度在涨
- 7天热度 +462,处于持续上升期
📊 综合评分
📈 热度走势
GitHub star / HF 下载量每日快照 · 自 2026-08-29(上限 30 天)+1.4k(现 33,453 · 断点=当日未采集)
📖 工具介绍
一款由 HKUDS 开源的 AI 量化交易 Agent 项目，定位为“个人交易智能体”。它基于 LLM 驱动，可辅助用户进行市场分析、策略研究与交易决策流程的自动化。适合对量化交易和 LLM/Agent 应用感兴趣的开发者与研究者参考使用。
`Python` - Natural-language multi-agent finance research agent with 29 swarm presets, 70 skills, and 28 auto-discovered tools; 7 backtest engines covering A-shares/US/Crypto/Futures/Forex/Options plus
📚 延伸阅读
站外优质教程,按从入门到进阶排列。内容版权归原作者所有,以下为本站人工摘要,点击标题前往原文阅读。
- 一句话开启交易研究：Vibe-Trading 实战解析
介绍这款开源交易研究工作台的自然语言用法，从装包到跑因子回测、多智能体委员会与影子账户复盘，并说明它不托管资金。
- Vibe-Trading 完全指南：HKUDS 团队的「Vibe」式个人交易智能体
港大团队开源的个人交易研究工作台，用自然语言串起取数、因子回测与报告，并讲解影子账户与券商护栏。
- Vibe-Trading:3.5个月 25k Star AI量化交易Agent文章
盘点这个港大开源的量化交易智能体：因子库、多数据源、多券商连接器与多代理协作，并介绍它内置的沙箱回测与风控护栏设计。
⚖️ 同类对比
| 维度 | Vibe-Trading | finance-Llama3-8B | TradingAgents | Fastino-Nemotron-3.5-Lightning-Finance |
|---|---|---|---|---|
| 结论 | 推荐 | 仅供研究 | 值得关注 | 仅供研究 |
| 热度 | 33.5k | 7.8k | 106.1k | 8.2k |
| 7日增长 | +462 | −30 | +3.2k | −1.1k |
| 适合人群 | 专业量化 | 专业量化 | 开发者 | 专业量化 |
| 主要用途 | 策略研究 / AI Agent | 策略研究 / AI Agent | 策略研究 / AI Agent | 策略研究 / AI Agent |
| 支持市场 | 多市场 | 多市场 | 多市场 | 多市场 |
| 技术栈 | Python | Python | Python | Python |
| 上手难度 | 中等 | 中等 | 中等 | 中等 |
| 活跃度 | 高 | 高 | 高 | 高 |
🧩 更多同类工具
一款基于 Llama3-8B 架构并针对金融领域微调的文本生成模型，支持 transformers 和 safetensors 格式，专注于金融相关文本的理解与生成任务。适合从事金融研究、量化分析或需要处理英文金融文本的开发者和研究人员使用。
一个基于多智能体 LLM 的金融交易框架，将分析师、研究员、交易员、风控等角色建模为协作的 AI Agent,模拟真实投研流程来辅助交易决策。适合量化研究者与开发者学习、复现多 Agent 金融系统，或将其作为 LLM 应用于投研的实验基础。
fastino/Fastino-Nemotron-3.5-Lightning-Finance 是一个基于 NemotronH 架构、面向金融领域的文本生成模型,采用 transformers 与 safetensors 格式发布,主打金融文本生成与 financial reasoning 任务。适合需要处理金融文本分析、推理等场景的开发者和研究人员使用。
一款基于 BERT 架构的金融文本分类模型，托管于 Hugging Face,支持 transformers 与 safetensors 格式。核心功能是对金融文本进行 sentiment analysis(情感分析)，可用于研报、新闻等内容的情绪判断。适合量化研究者与金融 NLP 开发者在文本情绪因子构建或策略研究中使用。
一个基于 Python 的 agentic 框架，模拟真实量化交易流程来挖掘 alpha:先提出经济学假设，再进行 in-sample 迭代，最后用 out-of-sample 验证。适合希望借助 LLM 自动化因子研究流程的量化研究者与开发者。
一款基于 Python 的多 Agent LLM 交易研究框架，核心特点是推理与决策链路全程可见：针对每个标的由多空分析师进行辩论，且每项决策都附带所依据的证据引用。适合希望将 LLM 用于投研、并重视决策可解释性的量化研究者与开发者。