金融 AI Skills：股票研究、金融数据与量化工具
EasyClaw Skills 是一个面向金融研究场景的 AI Skill 资源与使用知识库，整理股票研究、金融数据查询、行情分析、财报分析、量化交易等方向的 AI Skills，并提供项目介绍、适用场景、安装方法、使用教程和官方资源。
01什么是金融 AI Skill？
Skill 是一段可以被调用、能替你把某段金融工作跑完的能力：输入一句需求，输出可用结果——一份行情摘要、一张证券筛选清单、一次回测的绩效指标。金融 AI Skill 就是把这类能力用在金融任务上：它不同于给你界面的行情软件，也不同于要你自己写策略接数据的量化框架，交付的是一段可对话说清的任务执行过程，更适合「知道自己要研究什么，但不想为这一件事装一整套环境」的场景。本站只收录可在 GitHub、PyPI 或官方文档核验来源与安装方式的第三方开源项目。
| 类型 | 它给你什么 | 本站代表条目 |
|---|---|---|
| 财经数据接口库 | 一套取数与元数据接口，调用后返回结构化数据（如 pandas DataFrame） | akshare、FinanceDatabase、ccxt |
| 回测引擎 | 按历史数据撮合策略，输出绩效指标与图表 | backtrader、Backtesting.py、vectorbt |
| 量化研究平台 / 框架 | 数据、模型、回测、组合与执行的完整管道 | Qlib、vnpy、QUANTAXIS、RD-Agent |
| AI 智能体研究框架 | 用大模型分工完成研究与报告，输出研究材料而非信号 | TradingAgents、FinRobot、AI Hedge Fund |
| 桌面 / 终端工具 | 图形界面的看盘、分析与预警 | go-stock、FinceptTerminal |
| 精选清单 / 知识库 | 「该用哪些库」的地图与学习路径 | awesome-quant、Machine Learning for Trading |
02按金融任务查找 Skill
先确定你要完成的任务属于哪一类，点卡片即可筛选下方的 Skill 列表。
股票研究
个股分析 · 基本面分析 · 技术分析 · 投资研究 · 多 Agent 研究 13 个 Skill金融数据
股票数据 · ETF / 基金 / 指数数据 · 证券查询 · 数据接口 · 金融数据分析 9 个 Skill行情分析
实时行情 · 历史行情 · 技术指标 · 资金流向 · 盘前 / 复盘 13 个 Skill财报与公司分析
财报分析 · 公司研究 · 财务数据 · 行业研究 · 估值 6 个 Skill量化交易
量化策略 · 回测 · 参数优化 · 组合与风险 · 自动交易 32 个 Skill本站不为这些任务另建分类页（如 /skills/stock/、/skills/quant/），分类只在当前页面内完成：这样每个条目始终指向真实存在的研究页，也不会产生内容单薄的分类页。
03金融 AI Skill
核心项目（10 个）
daily_stock_analysis
第三方开源股票研究日报工作流：按项目配置整理行情、公告、财报与新闻等材料，形成日报式研究输出。
适用场景愿意自己维护模型服务、数据来源、股票池、运行环境与定时任务的研究者。
官方来源GitHub：ZhuLinsen/daily_stock_analysis
安装方式按官方 README 克隆仓库，配置数据与模型服务后定时运行（站内「自建部署」页有分步）
TradingAgents
多智能体 LLM 股票研究框架：基本面、新闻、技术面与情绪分工分析，经多空讨论与风险审查后输出研究材料。
适用场景想用多个 AI 角色分工研究个股、能接受自建成本的研究者。
官方来源GitHub：TauricResearch/TradingAgents
安装方式仓库内 pip install .；需 Python 环境，另配模型与数据服务
Freqtrade
开源加密货币交易机器人：策略先做历史回测与模拟交易，再连接真实交易所自动运行。
适用场景有 Python 与策略基础、想自托管加密自动化交易的开发者。
官方来源GitHub：freqtrade/freqtrade
安装方式官方提供安装脚本与 Docker 镜像（站内「下载安装」页有分步）
OpenBB
开源金融数据平台：接入一次数据源，就能在 Python、REST、CLI 与 MCP 四种入口消费同一套能力。
适用场景分析师、量化研究者、数据工程师与 AI agent 开发者，从只读查询开始验证工作流。
官方来源GitHub：OpenBB-finance/OpenBB · PyPI：openbb · 文档：docs.openbb.co
安装方式官方 pip 安装，按 Provider 逐项配置数据源密钥（站内「安装与首次运行」页有分步）
AI Hedge Fund
开源多智能体股票分析系统：多个 AI 角色分工研究个股、按节奏构建基金组合并回测历史表现。
适用场景想看多角色研究流程与回测记录、用于学习与研究的研究者。
官方来源GitHub：virattt/ai-hedge-fund
安装方式按官方 README 准备 Python 环境与依赖，并配置模型 API Key（站内「安装」「配置」页有分步）
Qlib
微软开源、面向 AI 的量化投资平台：数据处理、模型训练、回测与组合优化覆盖完整研究链条。
适用场景想用 Python 自建量化研究管道、需要模型库与数据接口的开发者。
官方来源GitHub：microsoft/qlib · PyPI：pyqlib
安装方式pip install numpy、pip install --upgrade cython、pip install pyqlib（官方顺序）
vnpy
事件驱动的开源量化交易框架：把交易接口、策略应用、数据与数据库适配组织在同一套体系里。
适用场景国内期货、A 股方向的 CTA 策略开发者与交易系统工程师。
官方来源GitHub：vnpy/vnpy
安装方式官方三种方式：VeighNa Studio、Release 安装脚本（install.bat / install.sh）、Python 3.10+ 手动安装
FinceptTerminal
C++20 + Qt6 + Python 3.11 的开源金融终端：机构级金融分析、AI agents、数据连接器与模拟交易。
适用场景需要桌面终端做估值、组合与风险分析的研究者与分析师。
官方来源GitHub：Fincept-Corporation/FinceptTerminal
安装方式git clone 后进入 fincept-qt 目录执行 ./setup.sh 构建
Vibe-Trading
开源个人 AI 交易 Agent（HKUDS）：自然语言市场研究、多智能体交易团队、跨市场数据与回测、Shadow Account 诊断。
适用场景想用自然语言发起市场研究与策略回测的研究者。
官方来源GitHub：HKUDS/Vibe-Trading · PyPI：vibe-trading-ai
安装方式pip install vibe-trading-ai（官方另有 Docker、源码、MCP、ClawHub 方式）
backtrader
Python 开源交易策略回测库：Cerebro 引擎把策略、数据、指标、券商模拟与分析报告统一起来。
适用场景想快速用 Python 验证交易想法、做单标的或多标的回测的策略研究者。
官方来源GitHub：mementum/backtrader · PyPI：backtrader
安装方式pip install backtrader
更多金融 AI Skill（37 个）
zipline
Quantopian 开源的事件驱动回测引擎：策略按市场事件顺序推进，避免前视偏差。
查看详情 →Qbot
UFund-Me/Qbot 开源 AI 自动量化交易机器人（完全本地部署）：数据获取、策略开发、回测、模拟与实盘全闭环。
查看详情 →abuQuant 阿布量化
阿布量化交易系统（abupy）：择时 / 选股策略、回测、机器学习优化与 AI 量化，覆盖股票、期货、期权与比特币。
查看详情 →awesome-quant
GitHub 量化金融开源库精选清单：按 18 大类收录回测、数据、交易、组合、风险、因子与机器学习等资源。
查看详情 →QUANTAXIS
纯本地量化解决方案：股票 / 期货 / 期权的数据、回测、模拟、交易、可视化与多账户，支持任务调度与分布式部署。
查看详情 →FinGPT
AI4Finance 开源金融大语言模型：金融情感分析、命名实体识别、问答与股价走势预测，支持 LoRA 轻量微调。
查看详情 →Machine Learning for Trading
Stefan Jansen 的机器学习交易书配套代码仓库（第 3 版）：27 章、9 个案例、6 个生产级 Python 库，从数据一路走到实盘。
查看详情 →ccxt
加密货币交易所统一接口库：一套 API 接入 100+ 交易所的行情与交易，支持 Python、JS/TS、C#、PHP、Go、Java。
查看详情 →akshare
Python 开源财经数据接口库：一套接口获取股票、基金、期货、债券、宏观与加密数据，调用后返回 pandas DataFrame。
查看详情 →myhhub/stock
开源股票分析与量化平台：股票数据获取、技术指标、筹码分布、K 线形态识别、200+ 条件选股、回测与自动交易。
查看详情 →TA-Lib
TA-Lib C 技术分析库的 Python 封装：150+ 技术指标、8 大类函数组与 61 个蜡烛图形态识别，可与 numpy / pandas 集成。
查看详情 →QuantConnect Lean
QuantConnect 开源算法交易引擎（C# / Python）：研究、回测、优化与实盘交易覆盖在同一套模块化插件体系里。
查看详情 →Hummingbot
开源加密货币做市 / 套利机器人：覆盖 CEX 与 DEX 的做市、套利、回测与高频策略，Python 编写。
查看详情 →FinRL
金融强化学习框架：三层架构（市场环境 / DRL 智能体 / 金融应用）、多种 DRL 算法与 train-test-trade 工作流。
查看详情 →RD-Agent
微软开源的自动化研发代理（LLM-Agent）：用「提想法 + 实现」让 AI 自动挖掘因子、写代码并按回测反馈迭代。
查看详情 →gs-quant
高盛开源的量化金融 Python 工具包：衍生品定价、风险分析、策略回测、组合分析与 Marquee 数据访问。
查看详情 →QuantDinger
OpenByte 开源、可私有化部署的 AI 交易操作系统：AI 市场研究、Python 策略开发与回测、模拟与实盘交易。
查看详情 →StockSharp
C# 编写的开源算法交易平台（S#）：可视化策略设计、行情数据存储、交易终端与开发库，覆盖多类市场。
查看详情 →vectorbt
Python 向量化回测与策略研究库：基于 pandas / NumPy / Numba，用整列数组运算替代逐事件循环，适合批量参数扫描。
查看详情 →Backtesting.py
轻量 Python 回测库：Backtest + Strategy 两件套，内置优化器与交互式可视化，适合快速验证单标的策略。
查看详情 →bt
灵活 Python 回测框架：把调度 / 选券 / 权重 / 再平衡四类算法串成策略树，支持多资产组合、交易成本建模与固收/对冲证券。
查看详情 →FinanceDatabase
Python 金融证券数据库：30 万+ 股票、ETF、基金、指数、货币与加密货币的代码与元数据，提供 show / select / search 三系 API。
查看详情 →FinRobot
AI4Finance 开源金融 AI 智能体平台：多智能体工作流 + 确定性估值，从行情与财报走到估值研报。
查看详情 →QuantStats
Python 组合绩效分析库：60+ 绩效与风险指标、17 种绘图、一键生成 HTML 报告，支持基准对比与蒙特卡洛模拟。
查看详情 →QuantLib
开源 C++ 量化金融库：期权定价、利率模型、期限结构与四类定价引擎，并提供 Python 绑定。
查看详情 →go-stock
开源 AI 股票分析桌面客户端（Go + Wails）：A 股 / 港股 / 美股行情、AI 智能体与数据工具、资金流向、预警推送，数据存本地。
查看详情 →RQAlpha
米筐开源的 Python 量化回测与交易框架：bundle 数据下载、命令行运行策略、Mod 扩展体系与回测指标分析。
查看详情 →Sequoia-X
A 股自动选股系统：七个技术形态策略扫描全市场，baostock 免费日 K 存入本地 SQLite，收盘后定时运行并按策略推送飞书。
查看详情 →OctoBot
开源加密货币交易机器人：网格、DCA、加密篮子、TradingView 与 AI 等交易模式，经 CCXT 接入 15+ 交易所，含回测与模拟盘。
查看详情 →WonderTrader
C++ 核心的全品种量化研发交易框架：CTA/SEL/HFT/UFT 四大引擎按标的规模与延迟需求分工，wtpy 提供 Python 子框架，datakit 负责行情实时录制与收盘作业，组合层以 M+1+N 架构轧平净头寸后分发到多个交易账户。
查看详情 →Alphalens
Quantopian 开源的 Python 因子（alpha）绩效分析库：把因子值与价格清洗成统一结构后，输出 IC/IR 信息系数、分位分组收益、多空价差、换手率与 rank 自相关，并生成 tear sheet 报告。主库最后一次代码提交停在 2020 年，社区维护分支 alphalens-reloaded 仍在更新。
查看详情 →CZSC
waditu/czsc 是缠中说禅技术分析工具：1.0 起分型、笔、中枢等缠论核心算法全部迁移到 Rust，经 PyO3 暴露为 czsc._native，Rust workspace 含 9 个 crate；其上定义「信号-事件-交易」体系与 220+（官方另一处写 246）信号函数，支持多级别联立决策（CzscSignals/CzscTrader）、K 线合成（BarGenerator）、权重回测（WeightBacktest，来自 wbt）、plotly 与 lightweight-charts 自包含 HTML 可视化，以及天勤/Tushare/CCXT/本地缓存四类数据源连接器。本站按官方仓库、API 手册与变更记录整理中文上手路径，并如实并列许可证三处不一致、信号函数数量两处口径、0.9→1.0 迁移清单与官方已知限制；另附 EasyClaw 免编译技能路线对比（两者无已证实集成）。
查看详情 →Superalgos
Superalgos/Superalgos 是自托管的开源加密货币交易平台：策略在设计空间里用节点连出来而不是写代码，行情经数据挖掘的传感/指标 bot 加工成可复用的数据产品，再由 bot 链（行情→指标→交易→学习）执行，回测、模拟盘与实盘共用同一条链路。默认安装路径是 fork-first（要先 fork 再 clone 自己的 fork，并准备含 repo+workflow 权限的 GitHub 令牌），另有打包版、Docker、树莓派与公有云四条路径；仓库约 1.18 GB，Apache-2.0，2019 年建仓、2026 年 9 月仍在提交。本站整理安装前置、可视化设计器、机器人网络、数据挖掘、P2P 信号网络、SA 代币治理、Bitcoin Factory 众包机器学习与排错中文路径，并如实说明 TensorFlow 集成官方自述「部分且未完成」、与 EasyClaw 无已证实集成。
查看详情 →binance-trading-bot
chrisleekr/binance-trading-bot 是自托管的币安现货自动交易应用：用 Docker 跑在你自己的服务器上，用币安 API Key 接入账户后按策略规则自动下单。它把「账户与 Profile 两级隔离」「回测放行门禁（只有同一份配置指纹的回测才允许上线）」「三个风控断路器」与「三级急停」做成了系统自带机制，而不是一个连交易所的脚本；TypeScript 编写，Postgres/TimescaleDB 存状态，当前版本 v1.5.0，Apache-2.0。官方文档全英文，本站整理中文的部署 runbook、币安权限与 IP 白名单、Profile 运行模型、三套策略参数、回测门禁、风控与排错手册，并如实说明官方自述「不保证盈利、不建议投入真实资金」，以及与 EasyClaw 无已证实集成。
查看详情 →ZVT
zvtvz/zvt 是面向人类的统一模块化量化框架：用 TradableEntity + EntityEvent 统一七类可交易标的，record_data/query_data 把东财、新浪、聚宽、QMT 等八组数据源写进本地库并增量更新，因子层以（实体, 时间）二维索引组织 data_df/factor_df/result_df，自带 Dash 界面与 zvt_server REST 服务。README 明确不保证向后兼容，实时行情依赖 QMT 授权。
查看详情 →qBittorrent
qBittorrent 是 C++/Qt 写的开源 BitTorrent 客户端，底层用 libtorrent（libtorrent-rasterbar），自带 Web UI 与完整 WebAPI，可构建成无界面 qbittorrent-nox 跑在 NAS 或容器里。官方最新稳定版 v5.2.3（2026-07-07），源码 GPLv2+ / 二进制发行版 GPLv3+ 并附 OpenSSL 链接例外（所以 GitHub 许可字段显示 NOASSERTION），自 v3.3.4 起源码包与二进制均带 PGP 签名。本站只做三件事：客户端怎么选（12 项可核验维度）、装好之后怎么远程管理与排查没有速度、下载前后怎么做安全检查；只收官方自建渠道的合法来源形态，明确不提供盗版资源导航，也不写「绝对安全」这类不可验证的表述。注意：官方站点是 qbittorrent.org，把任何第三方中文下载站当成「官方」都可能跳过 PGP 校验环节。
查看详情 →FinMarketPy
cuemacro/finmarketpy 是 Cuemacro（Saeed Amen）维护的 Python 市场分析与策略回测库，前身 PyThalesians：用 BacktestRequest 描述一次回测的全部口径，Backtest/TradingModel 执行，TradeAnalysis 出统计；取数拆给 findatapy、出图拆给 chartpy，三个包可分别安装。它区别于通用回测框架的地方是 curve/ 包——外汇即期/远期/期权曲线加波动率曲面（拟合函数默认 CLARK5，另有 SABR/BBG 等，定价引擎可切 financepy），以及 economics/ 的事件研究与季节性。注意两点：PyPI 0.11.19 是扁平布局而 GitHub master 已改为 src/ 布局，README 写 Python 3.10 而 pyproject 写 >=3.9，numpy 被钉在 <2；A 股行情不在其数据源范围内，也无中文官方文档。
查看详情 →Blankly
blankly-finance/blankly 是 Python 量化交易框架，卖点是「同一份策略代码回测、模拟盘、沙箱、实盘只换一个入口」，覆盖股票、加密货币、期货、外汇，并配一整套内置技术指标与绩效函数。本站在本机 Python 3.11 上完整实测了它的可用性：pip install 会成功，但装完 import blankly 直接报 numpy C-ABI 错误，必须先钉 numpy<2 才能导入；PyPI 最新发行 1.18.25b0 停在 2023-07、默认分支最后提交停在 2024-12。站点同时审计回测可信度——工程文档写明当前没有滑点模型、假设无限挂单流动性，配置里 benchmark_symbol 默认 null、无风险利率默认 0，离线模式默认零手续费。
查看详情 →PyCryptoBot
whittlem/pycryptobot 是 Python 写的加密货币自动交易机器人（Apache-2.0），面向 Binance / Coinbase / KuCoin 现货，带 Windows/Linux/Docker/Helm 四种部署路径与 Telegram、Web GUI、Web Portal 三套控制面。它没有 PyPI 包——只能 clone 或跑容器，而且 main 分支与最新发行版 8.2.4 都停在 2024-03-04，beta 分支上有一条 2025-05-26 的修复至今未合并。本站的核心是把「你 clone 到的是哪一年的代码、依赖装不装得上、策略信号到底怎么算、交易所支持到什么维度」四件事用可核对的方式讲清楚，并如实写明仓库里没有滑点模型、模拟按最高手续费计算、未平仓交易不计入保证金。
查看详情 →以上均为第三方开源项目，与 EasyClaw 无隶属或官方集成关系；安装方式为官方路径摘要，具体版本、依赖与许可请以项目官方仓库与文档为准。
04如何选择金融 AI Skill？
- 写清需求要的是一份结论、一批证券清单、一段行情数据，还是一次回测。
- 归到任务对到股票研究 / 金融数据 / 行情 / 财报 / 量化五类中的一类或两类。
- 看运行环境语言与版本、是否需要 Docker、是否需要编译 C 库。
- 看数据来源是否需要 API Key、订阅或本地授权，能否覆盖你要的市场与频率。
- 跑最小示例先按官方 README 跑通一次，再决定是否投入配置与数据管道。
- 看维护与许可项目是否仍更新、许可能否用于你的场景、停更后能否接手。
| 你的需求 | 建议 Skill | 为什么适合 |
|---|---|---|
| 需要查询股票 / ETF 代码与元数据 | FinanceDatabase | 证券数据库定位，按国家、行业、市值筛选或按名称搜索，返回代码与元数据。 |
| 需要综合金融数据分析 | OpenBB | 一次接入数据源，Python / REST / CLI / MCP 四种入口消费同一套能力。 |
| 需要多 Agent 股票研究 | TradingAgents | 基本面、新闻、技术面与情绪分工，多空讨论后输出研究材料。 |
| 需要量化策略与回测 | Freqtrade | 同一套策略代码走回测、模拟到实盘，加密市场覆盖完整。 |
| 需要收盘后自动选股并推送 | Sequoia-X | 七个技术形态策略扫全市场，结果按策略路由推送到飞书。 |
| 需要给已有策略做绩效报告 | QuantStats | 输入收益率序列即可产出 60+ 指标与 HTML 报告，支持基准对比。 |
本节只说明哪个项目适合什么任务，不做横向排名；回测与研究所用数据、参数与结论由使用者自行负责。
05金融 AI Skill 常见问题
什么是金融 AI Skill？
金融 AI Skill 指能被调用、把某段金融工作跑完的能力：输入一句需求，输出可用结果（行情摘要、证券筛选清单、回测绩效指标）。它区别于行情软件的「界面」和量化框架的「引擎」，交付的是一段可对话说清的任务执行过程。定义与收录范围见 什么是金融 AI Skill；具体版本与能力以各项目官方仓库为准。
金融 AI Skill 可以用来做什么？
常见五类任务：股票研究、金融数据、行情分析、财报与公司分析、量化交易，见 按金融任务查找 Skill。一个项目也可能横跨多类任务，实际能力以官方文档为准。
如何安装金融 AI Skill？
基本流程：确认运行环境（Python 版本、是否需要 Docker 或 C 库）→ 按官方方式安装 → 配置数据源或模型密钥 → 跑通官方示例。例如 FinanceDatabase 是 pip install financedatabase，ccxt 是 pip install ccxt，vnpy 走官方安装脚本。安装要求与版本以项目官方 README / PyPI 为准。
金融 AI Skill 和普通金融软件有什么区别？
普通金融软件提供图形界面，你去看、去点、去判断；金融 AI Skill 提供可调用的执行过程，你用一句需求描述任务，它去取数、计算并给出结果。代价是通常需要环境与数据配置，也不承诺结论正确——它是研究与自动化工具，不是投资建议的来源。界面型项目（如 go-stock、FinceptTerminal）介于两者之间，属于自建软件而非 Skill。
如何选择适合自己的金融 AI Skill？
按「任务 → 环境 → 数据 → 维护」四步筛选，需求到项目的对照示例见 如何选择金融 AI Skill。本页只说明哪个项目适合哪类任务，不评判「哪个最好」；许可、依赖与数据要求请以项目官方资料为准。
哪些金融 AI Skill 支持股票数据分析？
证券代码与元数据可看 FinanceDatabase；综合数据平台可看 OpenBB、akshare；研究材料方向可看 daily_stock_analysis、TradingAgents、FinRobot、go-stock。数据覆盖与是否支持某一具体市场，以各项目官方文档为准。
哪些金融 AI Skill 可以用于量化交易？
回测方向有 backtrader、Backtesting.py、vectorbt、zipline、RQAlpha；平台方向有 Qlib、vnpy、QUANTAXIS、QuantConnect Lean、StockSharp；加密市场方向有 Freqtrade、Hummingbot、ccxt、OctoBot。多数项目定位为研究与回测，实盘风险由使用者自行评估。
06金融 AI Skill 官方资源
项目资料优先参考官方 GitHub、PyPI 与官方文档；具体版本、安装要求与项目状态以官方资源为准。以下为核心项目的官方仓库入口。
以上项目均为第三方开源项目，本站与各项目方没有隶属、赞助或官方集成关系；页面内容用于项目研究与安装判断，不构成投资建议。EasyClaw Skills 提供的是免去环境配置的金融 Skill 使用路线，与自建项目是两条独立路径。