标签
FinRL 是一个用于金融强化学习的开源框架，在 GitHub 上有约 1.6 万星，支持股票、加密货币等交易的训练和回测，并指向下一代版本 FinRL-X。
这条推文分享了书籍《Machine Learning in Finance: From Theory to Practice》的免费代码，该书将机器学习与量化金融整合，用于数据建模和金融决策。
Horizon 是一款由 AI 驱动的工具，允许交易员用自然语言描述交易策略，自动生成带有详细指标的回测，以进行迭代测试和改进。
本文讨论了Stephen Boyd于2006年出版的数学教科书对凸优化的影响，该书被谷歌、Renaissance Technologies等公司使用，并推广了他免费提供的斯坦福大学课程EE364A，该课程可在YouTube上观看。
这篇论文解释了如何通过移除市场贝塔和因子暴露来揭示真实的交易信号，强调严格的压力测试以避免过拟合和回测中的虚假信心。
论文报告了使用代理引导研究过程，信息系数（IC）从0.0613提升至0.0843，相较于GRU基线，在2021年至2025年的留出数据模拟结果。
Man Group 开源了 ArcticDB，一个专为 Python 数据科学和量化场景设计的高性能、无服务器 DataFrame 数据库，支持数十亿行时间序列数据、S3/LMDB/Azure 存储、时间回溯和快照，以及 C++ 引擎加速。
介绍了一个名为 tvscreener 的 Python 库，可直接获取 TradingView 选股器数据，支持多种市场和 13000+ 技术指标，返回 Pandas DataFrame，方便量化策略使用。
关于 Horizon 的推广帖，这是一个由 AI 驱动的交易策略平台，允许用户用简单的英语回测和部署策略，文中引用了一位教授用 AI 代理管理 2 亿美元、去年回报率为 56% 的例子。
Kirk Borne 重点介绍了 Stefan Jansen 所著的《Machine Learning for Trading》第3版，这是一本全面覆盖构建AI驱动交易系统的826页书籍，并宣布将于8月15日举办配套的线上直播研讨会。
该预印本介绍了AlphaSchema，一个为基于LLM的Alpha挖掘构建并探索结构化交易语义空间的框架，将语义探索与因子实现解耦。在中国股市上的实验表明，它能够发现具有强预测能力和投资组合表现的因子池。
本文研究了大语言模型在算法交易中母单执行的应用，提出了层次化框架PACE，在深圳证券交易所数据上优于传统基线，并表明大语言模型可以补充人类交易员。
Awesome AI in Finance 是一个开源的精选资源列表，涵盖AI和量化金融领域的论文、工具、数据集和交易框架，并按代理、研究、策略、数据和交易栈等类别组织。
哥伦比亚大学的一篇论文介绍了一个严格因果的隐马尔可夫模型，能适应不断变化的市场制度，实现了2.18的夏普比率，而SPX买入持有为1.18，并在2025年抛售期间将最大回撤从-14.62%降低到-5.43%。
前Citadel基金经理Brett Caughran总结了十点关于如何在投资中应用AI Agent的要点，作者认为其中第5和第6点尤其公允。
一位量化金融专家在PyData大会上系统讲解Python在量化金融中的实际用法，涵盖NumPy、SciPy、Pandas、Numba等工具，并推荐开源库DX Analytics和资源大全awesome-quant。
高盛开源了其内部量化交易工具库 gs-quant，提供机构级的衍生品定价、风险管理和策略开发工具，已获 11.3K GitHub Star。
精心挑选的10个免费GitHub仓库，用于算法交易和量化金融，涵盖回测、数据分析、投资组合优化以及AI驱动交易策略的工具。
该线程探讨了数学/编程奥赛背景如何批量培养科技创始人，指出竞赛范式内化的系统化解题能力、信念和同侪效应是核心引擎，量化金融作为中转站，但也提醒创业需要超越解题的技能。