quant-whisper

一、故事开局：把对冲基金装进笔记本

凌晨两点，量化交易爱好者李明（化名）盯着屏幕上跳动的 K 线发呆——他用 Python 写的那套趋势策略，回测年化收益 34%，但实盘跑了三个月，累计亏损 12%。问题出在哪？回测环境和实盘执行的差异、云端 API 的延迟抖动、策略修改后又要重新部署的繁琐流程……这些"基础设施问题"消耗了他 80% 的精力。

如果有一套工具，能够在本地终端里一键启动一个完整的量化交易模拟环境，用本地运行的 AI 模型做策略推理，数据完全留在本地不外传，修改策略只需要改一个文本文件——你会心动吗？

Quant Whisperer 正是为解决这个痛点而生。它的 slogan 直接喊出了核心价值："A hedge fund on your local machine. BYOB."——在你自己的机器上运行一套对冲基金级别的量化交易引擎。

二、项目背景与作者故事

Quant Whisperer 由独立开发者 Ritiksuman07 用 Go 语言构建，定位为"终端原生算法交易执行引擎"。项目发布于 2024-2025 年间，目前 GitHub 获得 71 颗星，虽然体量不大，但在量化交易 + 本地 AI 推理这个交叉领域找到了独特的产品定位。

作者的核心设计理念是 BYOB（Build Your Own Backend）——不依赖任何云服务，所有敏感数据（API Key、交易记录、P&L 历史）都保存在本地 SQLite 数据库中。交易决策可以由本地运行的 Ollama 模型生成，也可以选择性地回退到 OpenAI/Anthropic/DeepSeek 的云端 API。

三、核心功能：从纸面交易到实盘执行

3.1 双模式运行

项目支持两种核心运行模式：

• Paper Trading（模拟交易）：使用历史或模拟行情数据测试策略，不涉及真实资金。适合策略验证和参数调优阶段。启动命令：go run . paper --broker zerodha --symbol NIFTY50 --max-ticks 120
• Live Trading（实盘交易）：对接 Zerodha、Dhan、Interactive Brokers 三个券商的 adapter 层，严格的决策墙（confidence threshold、每日最大回撤熔断、每分钟最大交易次数）确保风控前置。

3.2 AI 驱动的策略推理

项目引入了一个创新设计：用 LLM 生成交易决策。用户只需在策略文件中写入自然语言描述的策略逻辑（如"寻找大幅日内下跌后的均值回归机会，配合成交量放量确认"），系统通过 Ollama 本地模型推理，返回严格 JSON 格式的决策：

{"action":"BUY|SELL|HOLD","confidence":0.0,"reasoning":"brief string"}

这套机制将策略开发门槛从"写代码"降低到了"写提示词"，对熟悉量化思想但不熟悉编程的交易者非常友好。

3.3 Bubble Tea TUI 仪表盘

项目采用 Charmbracelet 的 Bubble Tea 构建交互式终端 UI，实时展示：

• 券商连接状态
• 行情 ticker 实时流
• 当前 AI 决策置信度
• 交易历史与 P&L 曲线

所有界面元素均为终端原生，无需额外安装 GUI 依赖，SSH 远程连接即可操作。

3.4 多券商 Adapter 架构

项目设计了标准化的券商 adapter 层，对 Zerodha、Dhan、Interactive Brokers 三种不同券商的 API payload 格式进行归一化处理。虽然当前版本中实际市场数据/订单执行为模拟状态，但 adapter 层的架构已经为未来接入真实券商做好了准备。

四、技术架构：Go + Rust 双语言设计

4.1 主引擎：Go 1.23

项目主体使用 Go 1.23 开发，核心依赖包括：

• Bubble Tea（Charmbracelet 生态）：TUI 界面
• Cobra：命令行框架
• gopsutil：系统资源监控
• SQLite：本地数据持久化

4.2 量化引擎：engine-rs（Rust）

项目包含一个 engine-rs/ 子目录，使用 Rust 构建量化计算引擎（通过 cgo 或 FFI 与 Go 主进程交互），体现了作者对性能敏感的数值计算模块使用 Rust 的工程判断。Rust 部分使用 DuckDB 作为分析型数据库引擎。

4.3 数据层

• SQLite：存储交易决策、纸面交易、实盘交易、P&L 历史
• DuckDB（Python/quantflow 子包）：用于策略回测和数据分析

五、部署体验：上手门槛与注意事项

5.1 安装步骤

go mod tidy
go run . paper --broker zerodha --symbol NIFTY50 --max-ticks 120

依赖极简：只需 Go 1.23+ 即可运行，无需 Docker，无需 Python（Python 部分为可选的 quantflow 子包）。

5.2 注意事项

1. Ollama 必须提前安装：默认使用 qwen3:0.8b 模型，首次运行需执行 ollama pull qwen3:0.8b
2. 券商 API 凭证：需提前在对应券商平台申请 API 权限，将 Key/Secret/Access Token 写入本地环境变量
3. 风控参数：建议生产环境务必配置 --confidence-threshold（默认需调高）和 --max-drawdown
4. Python 量化包（可选）：项目还包含 quantflow Python 子包，需 Python 3.11+：pip install quantflow

5.3 硬件需求

资源	最低	推荐
内存	1 GB	2 GB
磁盘	500 MB	1 GB
GPU	不必需	可选（加速 Ollama 推理）

六、争议与局限性

6.1 策略效果存疑

将 LLM 直接用于交易决策是一个争议性极大的设计。qwen3:0.8b 是小型模型，在高频交易场景下：

• 推理延迟：即使 0.8b 模型，每次推理也可能需要数秒，而高频交易窗口可能只有数百毫秒
• 决策质量：小型模型对市场微观结构的理解有限，可能产生过度保守或过度激进的决策
• 回测缺失：README 未提及完整的回测框架，无法量化验证 AI 策略相对基准策略的真实超额收益

6.2 券商适配不完整

当前 adapter 层虽已建立，但市场数据获取和实盘订单执行均为模拟状态，接入真实交易仍需额外开发。这对于期待开箱即用的用户来说，存在一定落差。

6.3 安全性考量

BYOB 模式虽然避免了数据外传到第三方，但将 API Key 存放在本地环境变量中，在多用户共享机器环境下仍需额外注意文件权限管理。

七、行业意义与趋势

Quant Whisperer 代表了一个新兴方向：本地 AI 驱动的个人量化工具。随着 Ollama 等本地推理框架的成熟，量化策略开发正在从机构向个人渗透。个人交易者不再需要依赖昂贵的机构级基础设施，只需一台消费级笔记本 + Ollama 即可运行一套完整的策略开发→回测→模拟→实盘工作流。

尽管当前版本仍处于早期阶段（v0.1.0），但其架构设计清晰（Go+Rust 双语言、adapter 模式、Bubble Tea TUI），为后续功能扩展（如更多券商支持、实盘 adapter 完善、更丰富的 AI 策略模板）提供了良好基础。对于量化爱好者来说，这是一个值得关注的实验性项目。