在金融强化学习中，我们既可以自己实现环境，也可以利用现有工具快速搭建实验平台。本文重点介绍如何使用现成工具来简化金融 RL 实践。 1 选择金融的 RL 库 方式 代码量 学习成本 复用性 回测功能 适用场景 FinRL / gym-anytrading 低 低 高 完善 教学、快速实验、科研 自写 gym.Env 极简环境 中 低 低 需自写 简单实验 完全自研环境和回测 高 高 低 需自写 高度定制的金融研究 现成工具推荐： gym-anytrading：适合快速上手和教学实验，带示例数据（如 Open/High/Low/Close/Volume）。 FinRL：适合多资产、真实市场数据回测、科研和产业应用。 quantgym：适合专业衍生品市场建模，需要金融衍生品基础。 新手建议使用 gym-anytrading，快速完成实验，降低开发成本。 2 gym-anytrading 简介 gym-anytrading (https://github.com/AminHP/gym-anytrading) 2.3k star，主要支持股票和外汇市场，提供三 ...

1 引子 行情好的时候更容易赚钱，有时候等待一波行情可能需要十年。我最近开始开发股票分析相关工具。现在是个不错的时间点，也有足够的动力，加上关注这方面的人越来越多。 七月中参加一个股票相关的大数据比赛，在之后的学习会上，我想分享自己在建模比赛中的收获，又觉得所用的方法过于单一。然后开始系统地阅读相关论文，并试用 GitHub 上高星级的股票工具，最终决定自己动手做工具，一两周后，我完成了一个版本并开源，同时写了简要介绍。没想到，收到了很多老友的反馈，好像中年人都在玩这个。 在开发过程中，我也在操作自己的账户，产生了很多疑问，关注了一些公众号和 UP 主，听他们的实盘分析，同时读一些经典书籍，涉及长线短线、背后逻辑和具体方法等。为了每次分享都能增添一些亮眼的内容，不断寻找更前沿的方向。在与朋友的讨论中，一次次的质疑，反驳，也激发出更多的思路和激情。 于是继续更新，将更多的理解融入工具中。制作工具时添加的每个功能都旨在解决具体问题，不因他人有此功能而盲目跟风。接下来介绍的是我对这些数据的理解，也是当前版本的新增的功能。 先对工具做个简要介绍：XYStock 开源工具支持对 A 股市场全部股 ...

原来我总是以累积的方式看问题， 所以很难接受犯错。 仿佛一旦有了失误，或者让别人不高兴， 就被钉上耻辱柱，永世不得翻身。 后来发现，还有另一种思考方式： 就像超级马里奥里的那个“我”—— 世界只有屏幕那么大， 过去的就过去了，既无历史，也无未来。 过关与否，只与当下的操作有关。 经验会沉入肌肉记忆， 而得分与失误，都只是临时的失血。 即使“死了”，也不过是重新开始游戏。 也许人生该像游戏，不惩罚失败，只奖励继续。 没有自我，没有过去，也没有未来，只有现在，就是游戏的过程。 Yan 人的可预测性和延续性似不是这么理解，对吧！不是说我之前什么样，我之后就必须怎么样。 5 我们习惯把“我是怎样的人”当作一个定语句，好像确定后就得维持一致。但实际上，“人”的延续性更像是流动中的连贯，不是静态的重复。 别人能预测我们的一部分——比如偏好、反应模式——那是基于统计意义上的倾向，而不是宿命。 而真正的成长，恰恰是当你自己都意外地，选择了不同于以往的反应。那一刻，旧的剧本就被打破了。 Yan 所以我命由我不由天（虽然那个电影我也没看过），有一部分讲的是人的可塑性，不需要接受“命定”或者别人期待的 ...

我只有一个人，整个过程差不多都是公交和拼车，路径不是最优的哈~ 第一天： - 乌鲁木齐到布尔津，全程约700公里，无火车，需自驾或乘巴士，至少需7小时。 - 或先坐火车到阿勒泰/北屯，再转汽车去喀纳斯（包车/拼车）。 第二天： - 从布尔津到喀纳斯。单程约2小时，景区内排队等车1小时起，景区通勤车程1小时。 - 喀纳斯核心区内各景点间需再次排队换乘，但时间较短。 - 我住在景区内的白哈巴村（我的阿勒泰在那儿拍的），喀纳斯核心区到白哈巴村需1小时。 - 喀纳斯门票需提前预约。 第三天： - 玩白哈巴->玩喀纳斯，晚上返回布尔津。 第四天： - 布尔律->五彩滩->布尔津。 - 因天气预报山上下雨，在布尔津逗留，实在无聊去了五彩滩，游客不是很多，但建议提前预约门票。 第五天： - 从布尔律去禾木，当天返回。 - 禾木门票需提前预约。 - 禾木小木屋紧俏，需要预订。如在禾木住宿，建议次日沿阿禾公路直接去阿勒泰。 第六天： - 从布尔律返回乌鲁木齐。 第七天： - 乌鲁木齐博物馆，需提前预约门票。 - 如果游客不多，参观体验极佳。 - 逛和田二街或二道桥，买特产，晚上返家。 ...

1 项目介绍 项目地址：https://github.com/wangshub/RL-Stock 我修改后的地址：https://github.com/xieyan0811/RL-Stock-XY 我修改的内容： 更新了工具链和相关 API 添加参数以支持只下载指定的股票 对空数据进行了插补 为强化学习部分添加了更多注释 2 代码说明 代码只有几百行，比我想象中简单得多，没想到强化学习工具如此易用。 下载数据：get_stock_data.py 训练模型入口：main.py（stock_trade 函数），包括训练和测试功能。 逻辑核心：StockTradingEnv0.py，负责处理股票数据、定义状态空间和动作空间等。 3 用后感 股票数据集来源于 baostock，可直接下载 1990 年起的数据，无需注册，K 线数据除了开盘、收盘、最高、最低，还包含 市盈率、市争率等等。。 使用强化学习的方法并不复杂，项目中使用的是 stable_baseline 强化学习库，无需深入 PPO 和深度学习库，仅需几句代码即可训练。只需定义状态、动作、奖励，进行数据转换，并实现 ste ...

1 摘要 用 AI 辅助做股票相关决策，原理很简单：首先获取你关注的股票相关数据，然后提取一些特征，结合用户的需求交给 AI。AI 会充当投资经理的角色，进行分析和决策。用户说“我不懂资产负债表、利润表、蜡烛图、筹码分布，也不会看财报研报……”。而有一定能力的大模型，基本具备普通投资经理的素质，可以帮你解释和决策。 这东西没什么门槛，谁都能做，关键在于工具是否好用，比如：抓取哪些信息、如何处理、怎样交给大模型，以及如何呈现出来，怎么做又省时又省钱。 最近，我开发了一个股票辅助决策工具 XYStock，并已在 GitHub 上开源。我和朋友们使用后都感觉不错，下面就来介绍一下。 项目地址：https://github.com/xieyan0811/xystock 2 引言 最近股票市场非常活跃。前几周，我在分享会上分析了 TradingAgents 的论文和源码，第二周小伙伴又分析了其他中文的开源股票辅助工具。我们把“星”数较高的都试了一遍。各有千秋，确实有很多让人眼前一亮的功能，但还没找到一个完全够用的工具。喜欢 A 工具的某个功能，又喜欢 B 工具的另一个功能，但不能对单支股票逐个使 ...

1 引子 对于不太熟悉的股票和行业，可以通过与大型模型对话来获取进一步的信息。本文是一个示例，展示如何在短时间内，通过一系列问题初步了解股票的所属行业、行业周期、市场地位、优劣势及竞争对手等。这个套路可能对大多数股票都适用。 在与模型交流后，我请一位朋友帮忙看了一下，他提供了额外的见解，比如公司的核心优势、解决的痛点问题，还推荐了官网的介绍。整体感觉是：来自人的建议更有针对性，能够直击重点。但不是所有感兴趣股票我都能找到熟悉的朋友，而我也有很多问题，人家也没空一一解答。 综上，我觉得用大模型可以解决50-70%的问题，它可能是未来操作的重要环节，毕竟不能只买自己熟悉的领域，还是需要扩展一下能力范围。 2 讨论 Yan 我想了解一下赣锋锂业这支股票以及公司，能简单帮我介绍行业的吗？ 5 公司自称是“世界领先的锂生态企业”，业务贯穿锂产业链多个环节。赣锋锂业的业务可以从“上游 → 中游 → 下游 → 回收”几个环节来看，构成其所谓的“锂生态”布局。产品线丰富—不仅单一锂盐，还做金属锂、锂化合物、锂电池等。 根据英文维基资料，公司被认为是中国最大的锂盐生产商之一，在全球也排名靠前。 Yan ...

据私募排排网数据显示，截至 2025 年 8 月底，管理规模在 100 亿元以上的私募基金（“百亿私募”）数量增至 91 家。其中，量化私募 45 家，占比约 49.45%；主观私募 39 家，占比约 42.86%；混合型（主观＋量化）6 家，占比约 6.59%。在年内收益超过 20% 的 40 家百亿私募中，量化私募占据 31 席。 来源：财联社报道，私募排排网数据（cls.cn）。 量化私募一般是指采用量化投资方法的私募基金管理公司。量化投资：指利用数学模型、计算机技术和海量数据来发现投资规律、制定投资策略并执行交易的投资方式。它依赖数据、算法和程序，目的在于减少主观判断和情绪干扰。 量化与人工交易的对比如下表所示： 对比维度 人工交易 量化交易 决策方式 依赖经验、直觉、新闻、主观判断 预设规则或模型，由程序自动执行 执行一致性 易受情绪和偏差影响，操作不一致 稳定一致，按既定规则执行 情绪干扰 高：贪婪、恐惧、冲动 较低：程序不具备情绪，但模型假设可能隐含人为偏见 速度 慢，依赖人工下单 快，能在毫秒级别响应信号 回测 & 验证性 ...

1 量化工具比较 使用量化工具时，用户通常会编写程序，区别只是熟练程度不同。所以，即使不使用量化平台，理论上程序员也能实现相关功能。接下来，我们将探讨量化平台具体提供了哪些功能，以及如何根据不同用户的需求进行选择。 首先，进行一个简要比较。 vn.py 掘金/米筐 上手难度 高，需要会 Python，自己搭环境 低，注册后直接写策略 灵活性 高，能接国内外期货/股票/币等 中，受限于平台支持的市场 成本 免费开源，但要自己配账户/服务器 免费额度 + 付费增值 实盘 可直接对接券商/交易所 API 模拟交易为主，部分券商支持 适合人群 想长期深耕量化、折腾框架的程序员/研究者 想快速验证策略、不想折腾环境的入门者 2 vn.py vn.py（全称 vn.py framework）是一个 基于 Python 的开源量化交易开发框架，GitHub star 32k+，维护十余年，生态完善。它不是现成的炒股软件，而是一个 量化开发工具箱，帮助快速搭建自己的策略系统。 项目地址：https://github.com/vnpy/vnpy，也可通过 ...

1 上传 image 1.1 基本门槛： 条件 说明 Docker Hub 账号 免费注册：https://hub.docker.com 本地安装好 Docker 有 docker build、docker login、docker push 能力 镜像命名规范 必须以 username/image-name[:tag] 命名 镜像体积 < 10GB 单个镜像最大 10GB（一般不会这么大） 1.2 上传步骤 请保证能连接外网 12345678# 1. 登录 Docker Hub，此时会引导网页登录docker login# 2. 为镜像打上标签（必须带用户名）docker tag local-image-name username/image-name:tag# 3. 上传docker push username/image-name:tag 注意：不要把自己的密码打包到 docker image 中 ### 1.3 小技巧 取名时建议遵循小写、短横线分隔，比如：mycompany/my-awesome-api:latest lates ...