用自然语言指挥 AI 完成量化回测:Vibe-Trading 让策略开发不再依赖代码

AI Agent · 量化交易 · 回测引擎 · 多智能体协作 · MCP —— HKUDS/Vibe-Trading 让自然语言直接驱动跨市场策略研发与回测， 形成一个从想法到回测报告再到多平台导出的完整闭环。

投研分析的碎片化困境

传统量化工作流依赖多个孤立工具。Tushare 取 A 股数据、 yfinance 查美股、CCXT 拉 CEX 行情、回测框架自己写、 多因子库另起一套。每个环节都需要独立配置、学习成本和维护精力。 团队里研究员用 Excel 写策略，量化工程师用 Python 再封装一层， 交易员最后手动导入 CTrade 或 MT5。一次想法到落地的链路动辄数天。

个体投资者更艰难：没有团队分工，一个策略从数据清洗到参数优化 再到导出执行，全在自己手上。即使开源框架如 backtrader、 vnpy、zipline 已大幅降低了门槛，写信号逻辑、配数据源、 跑回测、看绩效——每一步仍然依赖手写代码， 对非编程背景的策略研究员很不友好。

Vibe-Trading 试图回答一个直接的问题： 能不能把策略描述交给一个 AI Agent，让它在几分钟内完成 数据获取、信号编写、回测执行和报告生成？

从自然语言到回测结果

一句话安装

pip install vibe-trading-ai 

安装后获得三个命令：vibe-trading（交互式 TUI）、 vibe-trading serve（Web 界面）、 vibe-trading-mcp（MCP 服务器）。

场景一：用一句话跑回测

vibe-trading run -p "Backtest a 20/50-day moving average crossover on AAPL for the past year, show Sharpe ratio and max drawdown" 

Agent 收到指令后自动完成全流程： 调用 yfinance 加载 AAPL 历史数据 -> 加载 「technical-basic」技能生成均线交叉信号 -> 构造 config.json + signal_engine.py -> 调用回测引擎 -> 输出 equity curve、Sharpe 比率、最大回撤。 全程不需要写一行 Python。

场景二：A 股多因子筛选

vibe-trading run -p "Backtest a momentum + value + quality multi-factor strategy on CSI 300 constituents over 2 years" 

Agent 自动通过 akshare 获取沪深 300 成分股， 加载「multi-factor」技能构建因子组合，跑回测后导出绩效指标。 数据源自动 fallback —— 即使不配 Tushare token， akshare 也免费覆盖 A 股。

场景三：AI 投委会（多智能体协作）

vibe-trading --swarm-run investment_committee \   '{"topic": "Is TSLA a buy?", "market": "US"}' 

这条命令触发一个 DAG 工作流：

四个 Agent 的输出在终端实时流式展示。Vibe-Trading 内置了 29 套多 Agent 预设，覆盖加密货币交易台、宏观利率外汇、 量化策略委员会等场景。每一个预设都包含完整的角色定义、 工具白名单和 DAG 任务编排。

场景四：交易日志分析 + Shadow Account

上传券商交割单，Agent 从中提取持仓周期、胜率、盈亏比、 最大回撤，并诊断四大行为偏差（处置效应、过度交易、 追涨、锚定）。Shadow Account 模块更进一步： 把实际交易规则提取出来，生成一个「影子策略」跨市场回测， 量化「纪律与收益之间的差距」。

vibe-trading --upload trades_export.csv vibe-trading run -p "Profile my trading behavior and identify any biases" 

架构设计与创新点

五层上下文管理

基于 ReAct 范式的 Agent 核心做了大量工程优化：

这套机制让长时间回话不丢失关键上下文， 对回测这类多次工具调用的任务尤为关键。

跨会话持久记忆与技能自演化

关键信息写入 ~/.vibe-trading/memory/， 新会话自动召回。记忆条目支持 FTS5 全文搜索。

更具前瞻性的是技能自演化能力：Agent 自身具备 技能的 CRUD 操作——它可以动态创建、修改、删除技能， 实现工作流的自我进化。这在传统量化框架中几乎不可见。

多市场组合回测引擎

对比常见的单市场回测框架，一个核心差异在于 CompositeEngine：它允许把 A 股、美股、加密货币放在 同一个共享资金池里做组合回测，各市场各自执行信号逻辑 和交易规则。这对于评估跨市场配置策略天然适用。

引擎层输出 15 项以上绩效指标，并内置 Monte Carlo 模拟、 Bootstrap 置信区间和 Walk-Forward 验证—— 这些统计验证方法在 backtrader 和 vnpy 中需要额外实现。

Shadow Account 的逆向推导思维

不是从假设出发验证策略，而是从真实交易记录中 逆向推导隐含策略规则，再跨市场回测。规则提取器扫描 交割单中的开平仓规律（买入触发条件、止盈止损阈值、 持仓周期偏好），构建 ShadowProfile，渲染为可运行的 signal_engine.py 执行回测，量化「你本可以赚多少」。

零配置数据源与自动 Fallback

5 类数据源（akshare、yfinance、OKX、CCXT、Tushare） 通过 Protocol 接口统一抽象，运行时按市场自动选择优先级 并 fallback。akshare 和 yfinance 完全免费，即使不配 任何 API Key，A 股、港股、美股、加密货币、期货、外汇的 基础行情仍然可用。零配置门槛对新手和快速原型场景非常关键。

落地应用与演进空间

可立即落地的场景

个人投资者最直接的用途是策略快速验证。有一个 A 股选股 想法——比如「低市盈率 + 高 ROE + RSI 大于 50」—— 不必搭建本地数据管线，直接一句自然语言输入就能看到 过去两年的回测绩效，一键导出为 Pine Script（TradingView）、 TDX（通达信）或 MQL5（MetaTrader 5），无缝接入现有环境。

研究团队可以利用 29 套多 Agent 预设构建可复用的 投研流水线。以 investment_committee 为例，标准化输出 （多头论点 -> 空头论点 -> 风险评估 -> PM 决策） 本身就是一套可审计的投研 SOP，适合需要留痕复查的机构场景。

更广阔的演进方向

Agent 已经在自我进化方向上迈出了第一步（技能 CRUD）。 路线图中的 Autonomous Research Loop——让 Agent 在 无人值守时持续运行假设迭代——如果落地， 将实现 7×24 的策略挖掘能力。

另一个值得关注的方向是 WebSocket 实时行情接入后的实盘监控。 当前架构偏重离线/历史场景，加入实时管道后可以支撑 信号盘中提醒或仓位预警。

Vibe-Trading 的开放生态也是加分项。它提供了 MCP 服务端， 可以作为 Claude Desktop、OpenClaw 或任何 MCP 兼容 Agent 的金融数据插件。这意味着它不只是一个独立应用， 也是可以被更大 AI 编排框架调用的工具模块。