我最近把自己在加密量化投研里用的一套“自动化研究流水线”整理成了一个开源项目：LLM Alpha （ llmalpha ） Repo： https://github.com/JiangZhihao123/llmalpha
它解决什么痛点？
做量化研究最耗时间的往往不是“写回测框架”，而是重复劳动： • 想一个假设 / 因子 → 写代码 → 回测 → 发现不行 → 改 → 再回测 • 更麻烦的是：回测好看不代表稳，得做 WF 、滚动窗口、看衰减、看换手成本…… 这些流程如果靠人工做，速度慢且容易漏。
llmalpha 的目标就是把这套流程自动化：让 LLM 负责提出候选（因子/信号/策略逻辑）并生成代码，让系统负责分层验证、防过拟合、以及把成功/失败沉淀成可复用的经验。
核心思路（不是端到端黑盒下单）
项目按行业更常见的方式拆成三层： Factor （因子）→ Signal （信号）→ Strategy （策略） 并且把验证写进默认流程里： • 因子层：IC/IR 、单调性、换手等（先拦住纯噪声） • 信号层：胜率/盈亏比/频率/衰减等 • 策略层：Walk-Forward （ 60/20/20 ）+ 多时间段滚动一致性（尽量筛掉只在某段行情成立的东西）
此外会把每次研究的成功/失败原因写入 SQLite 知识库，后续生成假设会参考历史经验，形成闭环。
工程上都包含什么？ • LLM 智能体：支持 OpenAI / Anthropic / Ollama （本地） • Binance 数据下载（异步高并发） • 向量化回测（ VectorBT ） • 参数优化（ Optuna ） • CLI：research / improve / analyze / backtest / kb 查询等 • 自动补数据、early-stop 等
3 分钟上手
初始化知识库：
llmalpha kb init
让 LLM 开始全自动研究（缺数据会自动下载并继续）：
llmalpha agent research
指定研究目标/类别/迭代次数：
llmalpha agent research -r "创建一个使用 RSI 和 MACD 的动量策略" -c momentum -n 10
我希望收集的反馈 1. 现在的验证指标/阈值设置是否合理？有没有你们常用的更稳的做法 2. 你更希望它支持哪些数据（现货/合约、更多交易所、更多周期） 3. factors/signals/strategies 的扩展方式是否够清晰（欢迎 PR ）
最后：这个项目定位是“研究工具/框架”，不做收益承诺，也不鼓励跟单。 欢迎大家拍砖、提 issue / PR 🙏
目前尚无回复
Select Language