误解一：装了框架就不用数据接口库
不对。ZVT 解决的是「把数据按统一 schema 落库并在上面做研究」，它自己也需要通过 provider 去取数；而公告、研报、非结构化数据这类需求，框架并不覆盖。两者是分工，不是替代。
ZVT 项目研究站 · 工具分工
ZVT 与同类工具的分工：数据层、因子层、回测层各占哪一段
这几个工具经常被放在一起比较，但它们其实处在研究链条的不同位置：取数、因子、回测三段，各自强项不同。搞清分工，就不会纠结「选哪个」，而是知道「哪两段要串起来」。本页的对照事实以各工具的官方 PyPI 元数据与 ZVT 源码为依据，能力边界一律以各自官方文档为准。
三段链条与各工具的落点
数据层AkShare / Tushare / ZVT
因子层ZVT / Qlib / Alphalens（评估）
回测层ZVT / RQAlpha / Qlib
分析层Alphalens / Pyfolio
Facts
六个工具的官方元数据事实
下表全部来自各工具在 PyPI 上的公开元数据（2026-09-18 采集）。事实与「定位判断」分开列，避免把编辑观点当成事实。
| 工具 | 最新版本（发布日期） | Python 要求 | 许可 | PyPI 发布数 | 官方一句话定位 |
|---|---|---|---|---|---|
zvt | 0.13.5（2026-01-18） | >=3.9, <4 | MIT（license 字段为空，classifier 声明） | 86 | unified, modular quant framework for human beings |
akshare | 1.18.96（2026-09-17） | >=3.11 | MIT | 221 | 财经数据接口库（Python 封装） |
tushare | 1.4.29（2026-03-25） | 未标注 | BSD | 229 | Tushare Pro 数据接口 SDK |
alphalens | 0.4.0（2020-04-27） | 未标注 | Apache | 9 | 因子绩效分析（Quantopian 开源，主库多年未更新） |
rqalpha | 6.4.0（2026-09-18） | >=3.8 | Apache | 186 | 事件驱动回测与实盘框架 |
pyqlib | 0.9.7（2025-08-15） | >=3.8.0 | MIT | 29 | 面向 AI 的量化投资平台（微软） |
三个可直接观察的事实：①ZVT 与这几个工具不是同一层的东西——只有它是「统一取数 + 因子 + 回测」都覆盖；②
akshare 现在要求 Python ≥3.11，而 ZVT 要 ≥3.9 且 <4，两者装在同一环境时版本约束会先打架；③alphalens 主库最后一次发布是 2020 年，社区维护分支另有其人，用之前先确认版本策略。By layer
按链条分段看：每一段谁更顺手
「顺手」是编辑判断，判断依据是各工具官方定位与 ZVT 的源码结构（下面注明依据）。
| 环节 | ZVT 的做法 | 同类工具的常见做法 | 搭配建议 | 判断依据 |
|---|---|---|---|---|
| 取数并落本地库 | record_data(provider=...) 写本地库并增量更新，8 组 provider 目录 | 多为「调用即返回」，不强制建本地库 | 需要反复做因子与回测 → 用 ZVT 落库；一次性取数 → 直接用数据接口库 | ZVT 源码 recorders 目录与 README 数据章节 |
| 标的与行情口径 | 7 类标的、33 张 K 线表，前复权/后复权按表名区分 | 接口维度多、以单次查询为主 | 口径要求严格 → ZVT；只要原始数据 → 数据接口库 | ZVT domain/quotes 目录实际文件清单 |
| 财务数据 | 四个财务 schema + important_cols() | 数据接口库通常覆盖更广（含公告等非结构化入口） | 结构化财报做因子 → ZVT；要公告原文 → 另找来源 | domain/fundamental/finance.py |
| 因子计算 | 二维索引 factor_df / result_df + TargetSelector | Qlib 提供因子表达式与模型库；Alphalens 只做因子绩效评估 | 做可复现因子流水线 → ZVT；做因子有效性统计 → Alphalens | ZVT README 因子章节 |
| 回测 | StockTrader.on_time + trade_the_targets 记录调仓 | RQAlpha / Qlib 的回测与撮合建模更细 | 需要更细的撮合与成本建模 → 把因子结果导出后接 RQAlpha | ZVT README 策略章节；其余工具按其官方文档 |
| 绩效与报告 | 界面与本地记录；不含专业绩效报告 | Alphalens 出因子分析图，Pyfolio 出组合绩效报告 | 因子评估接 Alphalens，组合绩效接 Pyfolio（两者主库均已停更） | 各工具官方定位 |
Workflow
把两三个工具串起来：一条可落地的工作流
顺序很重要：先固定口径再算因子，先算因子再做评估，最后才是回测与绩效。
ZVT 取数并落库
标的清单 + 行情 + 财务，各自
record_data写进本地库，之后所有查询都打本地。这一步决定了后续口径是否统一。ZVT 算因子
用
data_df → factor_df → result_df产出因子值；注意时间轴要对齐到「当时可获得」的日期（见点时数据页）。导出成下游需要的格式
Alphalens 需要「因子值 Series + 价格 DataFrame」两样东西，且价格表要按交易日对齐；这一步需要你自己写转换代码，框架之间没有官方集成。
Alphalens 看因子有效性
IC、分位收益、换手率这几项决定因子值不值得继续做。注意主库停更，现代 pandas 下需自行处理兼容问题。
回测与绩效
留在 ZVT 里跑用
StockTrader；需要更细的撮合与成本模型时，把选股结果导出到 RQAlpha 之类的框架里执行。结果复核
回到「从信号到可信回测」与「数据避坑」两页的清单，逐项确认后再下结论。
重要边界：上面这条链路里的每一次衔接（尤其是第 3 步）都是你自己写的胶水代码——ZVT、Alphalens、RQAlpha 之间没有官方集成，本站也没有在本机验证过端到端跑通。把它当作规划而不是承诺。
Choose
选型决策表：先问你要产出什么
把「我要什么」放在最左边，选择就清楚了。
| 你的目标 | 建议起点 | 理由 | 注意点 |
|---|---|---|---|
| 先取一批数据看行情与财务 | 数据接口库（akshare / tushare 类） | 装上就能调，无需建库 | 不落本地库，反复用要重复取 |
| 把口径固定下来、反复做因子 | ZVT 落库 + 因子层 | 先写库再查询，口径与结果可复现 | 要接受 19 项钉版本依赖与 Python 版本约束 |
| 判断一个因子有没有用 | ZVT 算因子 + Alphalens 做评估 | 一个负责算，一个负责统计口径 | 两者格式需要自己转换 |
| 要接近实盘的撮合与成本建模 | RQAlpha 类回测框架 | 事件驱动、撮合与费用建模更细 | 数据格式要适配，学习成本更高 |
| 做机器学习选股流水线 | Qlib 类平台 | 数据层 + 模型库 + 回测一体化 | 数据准备通常是主要工作量 |
| 只想先问几个问题、不想搭环境 | 免部署的对话式技能路线 | 装客户端即可，当天就能得到结果 | 一次性结果、不落库；详见「对比」页 |
Misconceptions
关于工具搭配的三条常见误解
这三句话在本领域的讨论里反复出现，但都可以用官方事实纠正。
误解二：几个工具之间可以无缝衔接
没有官方集成。ZVT、Alphalens、RQAlpha 之间的数据格式、时间口径、复权方式各不相同，衔接层要你自己写并测试——本文把它写成规划而不是承诺。
误解三：数据都一样，用哪个都行
恰恰相反。同一只标的在不同数据源、不同复权口径下数值可能明显不同（ZVT 官方示例里默认口径与后复权的收盘价差了一个数量级）。研究里必须固定口径并记录来源，否则结果无法复现。
一个务实的判断顺序：先看你的数据条件（有没有账号、能不能落本地库）→ 再看你要的产出（研究结论 / 可复现流程 / 接近实盘的回测）→ 最后才选工具。反过来先选工具，通常会卡在数据上。
FAQ
工具选型常见问题
事实类问题给出来源；能力边界问题一律以各工具官方文档为准。
ZVT 和 AkShare、Tushare 是什么关系？
不是替代关系，层级不同：AkShare / Tushare 主要解决「把数据取到手」，ZVT 解决「把数据按统一 schema 落到本地库，并在上面做因子与回测」。事实上 ZVT 的依赖里既没有 akshare 也没有 tushare，它走的是自己的 provider 体系（东财、新浪、交易所、聚宽等）。
可以同时装 ZVT 和 AkShare 吗？
要小心版本约束：PyPI 显示 akshare 当前要求 Python ≥3.11，而 ZVT 要求 ≥3.9 且 <4。3.11 同时满足两者，但依赖版本仍可能冲突——建议放在不同虚拟环境里，用文件交换中间数据。
ZVT 和 Qlib 更像吗？
定位上有重叠：两者都覆盖数据层与因子/模型层。Qlib 的强项是面向 AI 的模型库与流水线，ZVT 的强项是统一取数与「先落库再查询」的数据组织方式。选哪个更多取决于你已有的数据条件与工程习惯，本站不做优劣结论。
Alphalens 停更了还要用吗？
它的分析口径（IC、分位收益、换手）至今仍是因子研究通用语言，所以方法层面仍值得用；但主库最后一次发布是 2020-04-27（PyPI 数据），在现代 pandas 下需要自行处理兼容问题，或改用社区维护分支。
这些工具之间要写很多胶水代码吗？
要。数据格式、时间口径、复权方式在工具之间并不统一，衔接层需要你自己写并测试。这也是本页反复强调「分工」而不是「替换」的原因。
本站的对照结论可信吗？
事实部分（版本、日期、Python 要求、许可、发布数）全部来自 PyPI 公开元数据，可自行复核；ZVT 的部分另外以源码与 README 为依据。表格里的「建议」与「落点」属于编辑判断，已在图注与表头标明。其余工具的具体能力，本站没有逐项核验。