基建准备
语言
Python
后期为了追求性能可以转用C++或者Go
软件
VS Code
AI辅助编程工具
前期先用完Cursor余额，后期转尝试Claude Code
待选系统目标
- 研究型工具（回测 + 策略开发）
- 实盘自动交易机器人
- 完整桌面量化终端（像迷你版Bloomberg / 同花顺 + 策略）
- 高频 / 超低延迟交易系统
软件架构
数据采集层 (Data Provider)： 负责通过 API 抓取实时行情和历史 K 线数据。
策略层 (Strategy Logic)： 你的核心算法（如：均线突破、套利、情感分析等）。
回测引擎 (Backtesting Engine)： 在历史数据上测试你的策略逻辑，生成收益曲线、夏普比率等指标。
交易执行层 (Execution Handler)： 负责下单、撤单、查询余额，处理断网重连等异常。
监控/界面 (GUI/Dashboard)： 可选。简单的可以用日志输出，复杂的可以用 Web 页面展示。
推荐的工具栈（Python 生态）
数据处理与分析
Pandas：数据处理。
NumPy：数值计算。
Ta-Lib： 包含几百个技术指标（MACD, RSI, 布林带等）的标准库。
回测框架（不要从零开始写引擎）
VectorBT： 基于 NumPy 和 Numba，运行速度极快，适合暴力参数优化。 √
Backtrader： 功能最全、社区最广的回测框架，支持多资产同时回测。
Lean (QuantConnect)： 工业级的开源框架，支持多种语言。
数据来源
国内股票/期货： AkShare (非常推荐，免费开源，聚合了各种接口) 或 TuShare。
加密货币： CCXT 库（几乎支持全球所有数字货币交易所）。
美股/全球： Yahoo Finance (yfinance) 或 Alpha Vantage。
数据库 (存储行情数据)
SQLite： 小型项目的首选，无需安装服务器，一个文件就是一个数据库。 √
InfluxDB / QuestDB： 如果你的行情数据量达到千万级，建议使用这种专门的时间序列数据库。
可视化
Streamlit (快速搭建 Web 监控看板) √
Plotly (绘图)
其他建议
如果你在中国市场（A股/国内期货）：
VN.py： 这是国内最著名的开源量化交易系统框架，从数据、回测到实盘接口一应俱全。它自带图形界面，非常适合个人开发者。
聚宽 (JoinQuant) / 掘金量化： 使用他们的云端或本地 SDK，可以省去寻找和清洗数据的烦恼。
其他相关开源项目：
后续优化架构
Python：
- 策略逻辑
- 回测
- 因子研究
C++：
- 撮合模拟
- 高频订单执行
- 低延迟行情处理
这是很多私募用法：Python负责“大脑”，C++负责“手脚”。
起步
Python
- Pandas
- vectorbt
- SQLite
- Streamlit
两个月能做出：
K线数据下载
因子测试
策略回测
自动交易
收益曲线
简单风控
已经像个小型量化平台了。
第二版
Python
- FastAPI
- PostgreSQL
- Redis
- vectorbt
- Celery
- Streamlit
架构设计
core/ 文件夹下：
strategy/
backtest/
risk/
execution/
data/
broker/
ui/
开源项目可以抄（非常建议研究）
vn.py（国内非常成熟）
Lean
Freqtrade
直接学架构。
vn.py 你可以把它理解为一套专门为国内金融市场设计的、功能完整的"交易机器人开发工具箱"。它不是一个简单的策略回测库，而是一个覆盖了从数据获取、策略开发、历史回测到最终实盘自动化交易的全流程平台
AI建议
如果你是第一次做：
别想着“做个量化平台”。
先做：
回测器
自动下单机器人
简单监控页面
这其实已经是完整量化系统。
