Vibe-Trading 深度拆解：当 LLM 学会「炒股」——自然语言量化交易的多智能体架构与工程实践

前言：从「写代码」到「说话」的交易革命

2024年，如果你想做量化交易，需要先搞定三件事：学 Python、搭回测框架、找数据源。一套流程走下来，没三个月下不了手。数据怎么清洗、策略怎么写、回测参数怎么调，每一步都是代码活——这不是量化研究，这是在做软件工程。

2026年，事情变了。

香港大学数据科学实验室（HKUDS）于2026年4月开源了一个叫 Vibe-Trading 的项目，GitHub 仓库地址 HKUDS/Vibe-Trading，MIT 许可证许可，截至本文发稿前已获得 138,000+ Star，从立项到破万星仅用了约40天。它做的事用一句话概括就是：把量化研究的门槛从「写代码」砍到「说话」。

你对着终端说一句：

"帮我回测一下 BTC 过去一年的均线策略赚了多少？"

Agent 自己拉数据、写策略、跑回测、出报告——整个过程30到60秒，不需要你知道 AKShare 的 API 参数，不需要手写协整检验代码，不需要调 Backtrader 的回测引擎。

这听起来像是又一个「AI 炒股」的噱头产品。但当你把它拆开来仔细看，你会发现它的真正价值：它是一套把「自然语言 → 策略代码 → 回测 → 风控 → 报告导出」整条链路工程化的研究工作台，核心目标是把量化研究的摩擦成本降到最低。

本文从工程师视角，深度拆解 Vibe-Trading 的核心架构、多智能体设计、跨市场回测引擎，以及它的工程边界与局限性。

一、背景：量化研究的「最后一公里」问题

在聊 Vibe-Trading 之前，先搞清楚它解决的是什么问题。

1.1 传统量化研究的四层架构

当前开源量化生态可以分为四层：

这套体系的断点在于：每一层都独立运作，你需要自己用代码把它们串起来。数据怎么清洗成因子需要的格式？配对交易的协整检验怎么写？回测引擎怎么正确处理 A 股的 T+1 制度？这些问题每一个都是工程量。

1.2 大模型时代的解题思路

2025到2026年，随着 LLM 在代码生成和工具调用能力上的突破，业界出现了两条路：

第一条路：端到端生成交易信号。让 LLM 直接读 K 线图输出「买/卖」——这条路问题很多，幻觉严重，不可解释，不适合严肃量化。

第二条路：用 LLM 替代「翻译层」。把人的自然语言意图翻译成已有的专业工具调用，不重新造轮子，而是做一个 AI 管道把现有生态串起来。Vibe-Trading 走的是第二条路。

二、核心架构：三层设计与 ReAct 循环

2.1 整体架构

Vibe-Trading 的架构可以分为三层：

┌─────────────────────────────────────────────┐
│           用户交互层                          │
│   (CLI / Web UI / MCP Server / REST API)    │
├─────────────────────────────────────────────┤
│           Agent 智能体层                      │
│   (ReAct Loop + Skill Loader + Swarm)       │
├─────────────────────────────────────────────┤
│           金融工具层                          │
│  (69个技能文件 + 6个数据源 + 回测引擎)         │
└─────────────────────────────────────────────┘

用户交互层负责接收自然语言指令，提供 CLI、Web UI、MCP 协议插件和 REST API 四种接入方式。Agent 层是核心——一个基于 ReAct（Reasoning + Acting）模式的 AI 智能体，拥有工具箱和技能加载器。金融工具层是基础设施，包含69个金融技能文件、六个数据源通道（自动切换）和四个专用回测引擎。

2.2 ReAct 循环：不是一次性规划，而是边想边做

传统的方法是 CoT（Chain of Thought）——让模型一次性把计划全部想清楚再执行。但金融研究的特点是：每一步的结果会影响下一步的决策，无法预先穷举所有步骤。

Vibe-Trading 采用的是 ReAct 循环（Reasoning + Acting），核心思想是：

推理(Reason) → 行动(Act) → 观察(Observation) → 推理 → 行动 → ...

以一个具体例子说明这个过程。假设用户说：

"帮我分析茅臺（600519）和五粮液（000858）过去三年的股价相关性，跑一个配对交易策略的回测。"

Agent 的处理链路如下：

第一步（推理）：用户说的是两只 A 股的相关性分析，需要配对交易。我需要先拉两只股票的历史价格数据。

第一步（行动）：调用 load_skill("get_stock_data") 加载股票数据技能，然后调用 get_stock_data(symbol="600519", days=1095) 和 get_stock_data(symbol="000858", days=1095)。

第一步（观察）：收到两只股票1095个交易日的日线数据，格式为 [date, open, high, low, close, volume]。

第二步（推理）：数据到手了，现在需要做协整检验（Cointegration Test）来判断两只股票是否存在均值回归关系。需要加载 pair_trading 技能。

第二步（行动）：调用 load_skill("pair_trading") 加载配对交易技能，然后用 Engle-Granger 两步法做协整检验。

第二步（观察）：协整检验结果 p-value = 0.0032 < 0.05，显著，存在均值回归关系。spread = 茅台价格 - 1.73 × 五粮液价格。

第三步（推理）：协整关系成立，现在需要基于 spread 设定布林带进出场信号，并调用回测引擎跑历史回测。

第三步（行动）：调用 load_skill("backtest") 和 load_skill("pair_trading_strat")，参数为 spread、标准差周期20天、上轨2σ、下轨-2σ。

第三步（观察）：回测完成。年化收益率 12.3%，最大回撤 8.7%，Sharpe Ratio 1.42。

第四步（推理）：结果不错，生成一份 Markdown 报告，包含协整检验结果、spread 走势图、回测 equity curve 和风险指标。

第四步（行动）：调用 load_skill("report") 生成报告。

第四步（观察）：报告生成完毕，输出到 reports/pair_trading_moutai_wuliangye_20230715.md。

这个循环的关键优势在于：每一步的输出都会影响下一步的决策。如果协整检验不通过（p-value > 0.05），Agent 会自动调整策略方向——比如换成 momentum 策略，而不是强行继续配对交易。这种灵活性是一次性规划做不到的。

2.3 技能系统：69个金融专项能力，按需加载

Vibe-Trading 的技能系统是它区别于普通聊天机器人的核心。每个技能是一个独立的文件，包含：

skill_name/
├── SKILL.md       # 技能定义：功能描述、参数说明、使用限制
└── example.md     # 示例：标准输入输出对

Agent 通过 load_skill(skill_name) 按需加载技能，不会一次性把69个技能的说明全部塞入 LLM 的上下文窗口（那会直接撑爆128k的上下文）。

69个技能分为八大类：

数据类（6个）：包括 akshare_stock（A股数据）、tushare_data（专业财务数据）、yfinance_market（美股数据）、okx_ohlcv（OKX K线）、ccxt_unified（加密统一接口）、futu_quote（港股实时行情）。系统自动选择最优数据源，一个挂了自动切换下一个。

策略类（12个）：覆盖 momentum（动量策略）、moving_average_cross（均线交叉）、pair_trading（配对交易）、mean_reversion（均值回归）、布林带策略、RSI 策略、MACD 策略等。

分析类（14个）：波动率分析（GARCH 模型）、VaR 计算（历史模拟/Monte Carlo）、相关性分析（Pearson/Spearman/Kendall）、Granger 因果检验、协整检验等。

资产类别类（8个）：A股、美股、港股、期货、期权、外汇、加密现货、永续合约各有专门的处理器。

加密专项（10个）：链上数据分析（Glassnode 接口）、Gas 费预测、永续合约资金费率分析、交易所深度图等。

资金流类（7个）：北向资金追踪、主力资金流向、龙虎榜分析、期权 Put/Call Ratio 等。

工具类（6个）：可视化（Matplotlib/Plotly）、报告生成（Markdown/HTML/PDF）、数据导出（CSV/Parquet）等。

风险类（11个）：最大回撤、Calmar Ratio、Sortino Ratio、Omega Ratio、盈亏比分析等。

技能的自进化机制

这是 Vibe-Trading 最有趣的设计之一：技能不是静态的，会自我进化。

Agent 运行流程：
  → 某次成功的工作流被执行
  → Agent 调用 save_skill(workflow_name, steps)
  → 新技能保存到 skills/ 目录
  → 下次相同场景可直接调用，无需重新规划

数据源变更时：
  → 某次调用失败（API 错误）
  → Agent 分析错误原因
  → 调用 patch_skill(skill_name, fix_description)
  → 技能文件自动更新

这意味着 Vibe-Trading 越用越聪明——不是一个每次都从零开始的「对话型」问答，而是一个有积累的研究助手。

三、多智能体 Swarm：29个预设团队，像真实交易室一样协作

3.1 为什么需要多智能体？

单个 Agent 的能力有上限。当你需要对一个策略做全面评估时，你会希望有不同视角的专家同时参与——有人负责找多头理由，有人负责挑毛病，有人在乎风险，有人综合决策。

这对应了真实交易室的分工：多头分析师（Long Analyst）提出买入理由，空头分析师（Short Analyst）提出做空理由，风险评估师（Risk Evaluator）识别风险敞口，投资经理（PM）综合决策。

Vibe-Trading 通过 Swarm 模式实现了这个分工。

3.2 Swarm 的工作原理

Swarm 的核心是一个多智能体协调框架。每个 Agent 有明确的角色定义（role）、目标（goal）和约束（constraints）：

# Swarm Team 定义示例（investment_committee）
team = {
    "name": "investment_committee",
    "members": [
        {
            "role": "Long Analyst",
            "goal": "提出基于数据和逻辑的多头论点",
            "constraints": "必须引用真实市场数据，不允许空洞判断",
            "llm": "claude-sonnet-4",
            "tools": ["get_stock_data", "get_financial", "technical_analysis"]
        },
        {
            "role": "Short Analyst", 
            "goal": "从相反角度识别风险和做空理由",
            "constraints": "需要量化支撑，空头论点必须有数据依据",
            "llm": "claude-sonnet-4",
            "tools": ["get_valuation_metrics", "get_short_interest", "risk_analysis"]
        },
        {
            "role": "Risk Evaluator",
            "goal": "识别最大可能亏损、流动性风险、系统性敞口",
            "constraints": "保守评估，优先考虑尾部风险",
            "llm": "claude-sonnet-4",
            "tools": ["var_calculation", "liquidity_check", "stress_test"]
        },
        {
            "role": "Portfolio Manager",
            "goal": "综合三方意见，给出最终交易建议",
            "constraints": "只能在 Long 和 Short 都通过的方向上做决策",
            "llm": "claude-sonnet-4",
            "tools": ["portfolio_optimize", "risk_report"]
        }
    ],
    "orchestrator": "sequential",  # 依次发言（也可 concurrent）
    "output_format": "streaming"    # 实时输出每个 Agent 的思考过程
}

3.3 预设团队：30个垂直场景

Vibe-Trading 内置了30个预设 Swarm 团队，每个团队针对一个特定场景：

3.4 关键工程细节

Swarm 模式下有一个重要的工程设计：每个 Agent 发言前必须先拉取真实市场数据。

这避免了「对着空气辩论」的问题——如果多头分析师的分析基于的是三个月前的数据，系统会先触发数据刷新，再让 Agent 发言。这保证了讨论的时效性。

另外，整个讨论过程实时流式输出，你可以在 CLI 中实时看到每只「龙虾」在想什么：

[Long Analyst] 正在分析贵州茅台基本面...
  → 已获取最新财报数据 (PE=28.3, ROE=32.1%)
  → 技术面：股价处于20日均线上方，多头排列
  → 多头论点：Q2净利润同比增长15.3%，超市场预期

[Short Analyst] 正在分析潜在风险...
  → 已获取估值指标和空头数据
  → 风险点：当前PE处于历史80分位，估值偏高
  → 北向资金近30日净流出12.3亿

[Risk Evaluator] 正在评估风险敞口...
  → 最大回撤估计：15.7%（基于历史波动率）
  → 流动性：无明显风险，日均成交额超过50亿
  → 系统性敞口：消费板块β=0.82

[Portfolio Manager] 综合决策...
  → 多头论点：业绩超预期，技术面健康
  → 空头论点：估值偏高，资金外流
  → 建议：轻仓试探（10%仓位），设置8%止损

四、跨市场回测引擎：六大市场，各有各的规则

量化回测中最大的坑之一是：不同市场有不同的交易规则。A股 T+1，美股 T+0+日内保证金，期货有合约到期日，加密有资金费率——如果你用同一个引擎处理所有市场，要么踩规则坑，要么得到错误的回测结果。

Vibe-Trading 的解决方案是为每个市场提供独立的回测引擎：

4.1 四大市场引擎

4.2 数据源与智能切换

六个数据源通道，系统自动选最优：

# 数据路由优先级
data_source_priority = {
    "A_stock": ["TusharePro", "AKShare", "Baostock"],      # Tushare优先（有Token时）
    "US_stock": ["yfinance", "AlphaVantage", "IEXCloud"],
    "HK_stock": ["FutuOpenAPI", "AKShare", "Tushare"],
    "Crypto": ["OKX", "Binance", "CCXT"],                   # OKX优先（公共数据免费）
    "Futures": ["AKShare", "Tushare", "Wind"],
    "FX": ["yfinance", "exchangerate-api"]
}

# 自动降级逻辑示例
def get_stock_data(symbol, market="A"):
    for source in data_source_priority[market]:
        try:
            data = call_data_source(source, symbol)
            return data
        except (APIError, RateLimitError):
            continue  # 自动切换到下一个数据源
    raise DataSourceUnavailableError(f"所有{market}数据源均不可用")

4.3 PIT 财报数据：避免未来信息泄露

这是量化初学者最容易踩的坑：在回测中使用「未来数据」——比如用已发布的财报数据回测股价，但在实际历史时点该财报尚未发布。

Vibe-Trading 的 A 股回测引擎支持 PIT（Point-in-Time）财报数据，保证每个回测时点只能用到该时点已公告的财务数据。例如：

• 茅台2025年年报公告日期是2026年4月28日
• 如果你回测的时间范围是2024年1月至2025年12月，引擎会自动将2025年年报数据排除在外
• 如果你回测的时间范围从2026年5月开始，才会使用该年报数据

4.4 代码示例：一次完整的自然语言回测

# 安装
pip install -U vibe-trading-ai

# 初始化配置
vibe-trading init
# 选择 LLM Provider: DeepSeek V3 / Claude Sonnet
# 配置 API Key

# 配置文件 .env 关键字段
# LANGCHAIN_PROVIDER=deepseek
# DEEPSEEK_API_KEY=sk-xxxx

# 用自然语言跑回测（CLI）
vibe-trading backtest "
    用OKX的BTC-USDT永续合约数据，
    回测一个EMA12/EMA26金叉死叉策略，
    看最近半年（2026年1月-6月）的表现，
    初始资金10000 USDT，每笔开多10倍杠杆
"

# API 调用（Python）
from vibe_trading import VibeTrading

vt = VibeTrading(provider="deepseek")
result = vt.backtest(
    instruction="分析茅台和五粮液的配对交易机会，"
                "用过去三年的日线数据，"
                "设定布林带2σ作为进出场信号，"
                "输出年化收益率、最大回撤和Sharpe比率",
    market="A",
    data_source="akshare",
    backtest_engine="ChinaAEngine",
    initial_capital=100000
)
print(result.summary())  # Markdown 格式报告
print(result.equity_curve)  # Equity Curve DataFrame

五、Alpha Zoo：456个预构建量化因子

Vibe-Trading 内置了 Alpha Zoo，收录了456个预构建量化因子，来自四个权威来源：

5.1 因子使用示例

# 列出所有动量类因子
vibe-trading alpha list --theme momentum --limit 10

# 查看具体因子公式（以 GTJA191 Alpha#006 为例）
vibe-trading alpha show gtja191_006

# 在选股池上测试因子 IC/IR
vibe-trading alpha test gtja191_006 \
    --pool 沪深300 \
    --start 2023-01-01 \
    --end 2026-06-30 \
    --rank_ic

# 多因子组合策略回测
vibe-trading backtest --alpha-zoo gtja191 \
    --pool 沪深300 \
    --strategy factor_weighting \
    --rebalance monthly

5.2 IC/IR 评估体系

因子有效性通过 IC（Information Coefficient） 和 IR（Information Ratio） 两个核心指标评估：

• IC：因子值与下期收益的相关系数，衡量因子预测能力
• IR：IC 序列均值/标准差，衡量因子稳定性（类似 Sharpe Ratio）

# 因子 IC 分析示例
ic_result = vt.alpha.ic_analysis(
    factor_name="gtja191_006",
    pool="沪深300",
    start="2023-01-01",
    end="2026-06-30"
)
print(f"IC均值: {ic_result.mean():.4f}")
print(f"IC标准差: {ic_result.std():.4f}")
print(f"IC_IR: {ic_result.mean() / ic_result.std():.2f}")
print(f"IC > 0 占比: {(ic_result > 0).mean():.1%}")
# IC_IR > 0.5 的因子具有较好的稳定性

六、Shadow Account：量化你的心理偏见

这是 Vibe-Trading 最特别的功能，也是其他开源量化框架（如 Backtrader、vnpy）都没有的功能。

它不回测策略，而是分析你自己的真实交易记录，找出你的交易行为模式中的系统性偏差。

6.1 支持的交易记录格式

6.2 行为诊断流程

上传交割单 → 解析交易行为 → 生成行为画像 → 识别心理偏见 → 生成改进建议

行为画像维度：

• 持仓周期分布：平均持仓天数、胜率 vs 持仓天数的关系
• 仓位管理：加仓/减仓时机、满仓时间占比
• 亏损处理：止损执行率、扛单时长
• 盈利处理：止盈执行率、提前卖出 vs 持有到目标价的比例
• 交易频率：日/周/月交易次数、频率稳定性

识别的典型心理偏见：

6.3 使用示例

# 上传交易记录
vt.shadow_account.upload(
    source="tonghuashun",
    file="path/to/settlement_2026Q1.txt"
)

# 生成行为分析报告
report = vt.shadow_account.analyze(
    benchmark="沪深300",
    period="2026Q1"
)

# 关键输出
print(report.summary())
# 行为画像摘要:
# - 平均持仓周期: 8.3 天 (同类投资者均值: 12.5 天)
# - 止损执行率: 42% (建议: > 80%)
# - 处置效应强度: 0.73 (0-1，>0.5 表示存在)
# - 过度交易警告: 是 (日均交易 6.7 笔，基准 2 笔)
# - Sharpe 比率(你的策略): 0.83
# - Sharpe 比率(持有不动): 1.24  ← 你需要反思

# 生成改进建议
advice = vt.shadow_account.suggest()
print(advice)
# 建议1: 设置硬止损规则，触发后强制执行，不允许手动取消
# 建议2: 将持仓周期目标从 8 天提升至 15 天，减少噪音交易
# 建议3: 建立交易清单，每次买入前必须勾选清单，抵御 FOMO

七、部署与集成：从零到跑起来

7.1 安装方式

# 方式1: pip 安装（推荐）
pip install -U vibe-trading-ai

# 方式2: uv 工具安装
uv tool install vibe-trading-ai

# 方式3: Docker 一键部署（包含所有依赖）
docker pull hkuds/vibe-trading:latest
docker run -it -p 7860:7860 hkuds/vibe-trading:latest

# 方式4: ClawHub 快速安装（OpenClaw 用户）
vibe-trading install --hub

7.2 MCP 插件集成

Vibe-Trading 提供了 MCP Server，可以用 MCP 协议连接到任意 AI 工具：

# 启动 MCP Server
vibe-trading-mcp --port 8080

# 在 Claude Code / Cursor / Codex 中使用
# 在项目的 CLAUDE.md 或 .cursorrules 中添加：
/server mcp://localhost:8080

# 然后在 AI 对话中：
# > 用 vibe-trading 回测一下特斯拉最近一年的动量策略

7.3 LLM Provider 配置

# .env 配置文件
# 推荐配置（按性价比排序）

# 选项1: DeepSeek V3（推荐，性价比最高）
LANGCHAIN_PROVIDER=deepseek
DEEPSEEK_API_KEY=sk-xxxx
DEEPSEEK_MODEL=deepseek-chat

# 选项2: Claude Sonnet（推理能力最强）
LANGCHAIN_PROVIDER=anthropic
ANTHROPIC_API_KEY=sk-ant-xxxx
ANTHROPIC_MODEL=claude-sonnet-4-20250514

# 选项3: OpenRouter（聚合多模型）
LANGCHAIN_PROVIDER=openrouter
OPENROUTER_API_KEY=sk-or-xxxx
OPENROUTER_MODEL=anthropic/claude-sonnet-4

八、工程边界与局限性：它不是银弹

作为一个工程师，我必须告诉你 Vibe-Trading 的局限性：

8.1 数据质量依赖外部源

Vibe-Trading 本身不存储数据，依赖 AKShare、Tushare 等第三方数据源。如果数据源 API 变更（比如 Tushare 修改了接口），系统需要等待技能文件更新才能恢复正常。在中国A股数据场景下，AKShare 的数据完整性偶尔不如专业数据源（如 Tushare Pro）。

8.2 LLM 的幻觉风险

ReAct 循环中，Agent 有可能在「推理」阶段产生错误推论，导致后续步骤基于错误前提执行。例如，Agent 可能错误解读协整检验结果。建议对关键策略决策进行人工复核。

8.3 回测的过拟合问题

预构建因子库（Alpha Zoo）中的因子经过了历史数据验证，但历史表现不等于未来表现。特别是 GTJA191 因子库发布于2014年，部分因子在2020年后的A股市场有效性已下降。使用因子库时应该做自己的 IC/IR 分析，而不要盲目信任预构建结果。

8.4 实盘执行的风险

Vibe-Trading 的回测引擎在模拟环境中运行，与实盘有以下关键差异：

• 滑点：实盘成交价与回测设定价的差异，高频策略影响最大
• 流动性：回测假设订单100%成交，实盘中大单可能冲击价格
• 延迟：API 调用存在延迟，实盘中高频信号可能失效
• 风控：实盘中需要券商 API 支持和人工复核机制

重要提示：Vibe-Trading 的 Shadow Account 功能可以帮助你发现自己的交易偏见，但任何策略在实盘前都必须经过充分的风险评估。

8.5 与专业量化框架的对比

九、总结：LLM 在金融领域的工程化样本

Vibe-Trading 给我们最重要的启发，不是它能不能帮你赚钱（这个我不保证），而是它展示了 LLM 在垂直领域工程化的一条可行路径：

第一条原则：用 LLM 做「翻译层」，不重新造轮子。它不替代 AKShare、Backtrader 这些专业工具，而是让它们可以被自然语言驱动。这比让 LLM 直接做决策要可靠得多。

第二条原则：ReAct 循环比一次性规划更适合交互式研究。金融研究的特点是每一步的输出影响下一步的决策，需要边做边调整，而不是预先规划好所有步骤。

第三条原则：多智能体可以用分工换深度。用多个专门训练的 Agent 分别负责不同视角的分析，最终决策质量可以超过单个通用 Agent。

第四条原则：有积累的系统比每次从零开始的系统更有价值。技能自进化机制让 Vibe-Trading 越用越聪明，这个设计值得任何需要长期使用的 AI 工具借鉴。

最后提醒一句：量化有风险，投资需谨慎。Vibe-Trading 是一个研究工具，不是理财建议。在把它用于任何实盘决策之前，请确保你理解背后的风险。

项目信息

• GitHub: HKUDS/Vibe-Trading
• 许可: MIT
• 语言: Python
• Star: 13,800+
• 最新版本: v0.1.11
• 文档: vibe-trading --help
• MCP插件: vibe-trading-mcp

延伸阅读

• Vibe-Trading GitHub: https://github.com/HKUDS/Vibe-Trading
• Alpha Zoo 因子库: 内置 456 个预构建因子
• ReAct 论文: "ReAct: Synergizing Reasoning and Acting in Language Models"
• GTJA191 原始研报: 国泰君安证券 2014 年短周期 Alpha 研究