1. 项目概述一个为量化交易者打造的AI驱动回测框架如果你在量化交易或者算法交易这个领域摸爬滚打过一阵子大概率会和我有同样的感受回测这件事从“跑起来”到“跑得准、跑得快、跑得明白”中间隔着十万八千里。市面上有Backtrader、Zipline这些成熟的回测引擎功能强大但想把它集成到自己的工作流里尤其是想和现在火热的AI智能体AI Agent结合让Claude、GPT这样的模型帮你分析策略、跑回测你会发现需要自己搭的桥、补的轮子实在太多了。这就是我花时间打磨ai-trader这个项目的初衷——它不是一个全新的轮子而是一个基于Backtrader的、配置驱动的专业回测框架核心目标就是让策略开发、测试和AI集成变得丝滑。简单来说ai-trader是一个Python库也是一套命令行工具。它把回测的各个环节——数据获取、策略定义、参数配置、结果分析——都做了标准化和封装。你不再需要写一大堆重复的样板代码来初始化Cerebro引擎、添加数据、设置佣金。更关键的是它内置了一个MCP模型上下文协议服务器。这意味着你可以直接把你的回测引擎“喂”给像Claude Desktop这样的AI助手然后直接用自然语言对话“帮我用双均线策略回测一下台积电TSM2020年到2023年的数据初始资金100万佣金按千分之1.425算。” AI就能理解并执行。这对于快速探索策略想法、进行参数敏感性分析或者教育演示来说效率提升是颠覆性的。这个框架适合几类人一是量化交易的初学者想有一个结构清晰、例子丰富的起点避免在Backtrader繁杂的API里迷路二是已经有经验的开发者希望提升策略迭代的效率尤其是想尝试AI辅助量化研究的三是教育或研究机构需要一个易于配置、结果可复现的工具来演示或验证交易想法。它原生支持美股、台股、加密货币和外汇多个市场自带超过20个经典策略从简单的均线交叉到自适应的卡尔曼滤波都有覆盖开箱即用。2. 核心设计思路为什么是“配置驱动”与“AI原生”在动手造轮子之前我反复思考过现有工具的痛点。Backtrader很强大但它的使用模式更偏向“代码即配置”。每一个回测都是一个Python脚本策略逻辑、数据路径、交易成本都硬编码在里面。这带来了几个问题第一可复现性差。今天改个参数明天换个数据源如果没有严格的版本管理很难精确复现上一次的回测结果。第二协作成本高。团队成员之间分享一个策略需要分享整个脚本和环境对方可能因为路径问题、依赖版本问题跑不起来。第三与AI交互门槛高。你很难让一个语言模型去阅读理解并执行一个复杂的Python脚本它需要更结构化、更声明式的接口。因此ai-trader的核心设计锚定了两个原则配置驱动和AI原生。2.1 配置驱动将一切参数化与版本化配置驱动的本质是把回测的所有可变部分——数据、策略、参数、资金、风控——都抽取出来定义在一个结构化的配置文件比如YAML里。这样做的好处立竿见影一键复现回测配置就是一个YAML文件。把它放进Git每次运行的结果都和这个文件快照绑定。任何人拿到这个文件和对应的数据运行ai-trader run config.yaml命令得到的结果是完全一致的。这彻底解决了量化研究中“结果无法复现”这个老大难问题。参数扫描与优化由于策略参数被明确定义在配置中你可以很容易地写个脚本批量生成不同参数组合的YAML文件然后并行跑回测。这比在代码里写多层for循环要清晰和高效得多。策略与执行的解耦策略开发者只需要关心策略逻辑本身继承BaseStrategy实现next方法。回测的执行者可能是你自己也可能是AI只需要修改配置文件无需触碰策略代码。这符合单一职责原则。举个例子下面这个sma_example.yaml配置文件定义了一个完整的回测任务broker: cash: 1000000 # 初始资金100万 commission: 0.001425 # 交易佣金这里模拟台股常见的千分之1.425 data: file: data/us_stock/TSM.csv # 数据文件路径 start_date: 2020-01-01 # 回测开始日期可覆盖文件内部分数据 end_date: 2023-12-31 # 回测结束日期 strategy: class: CrossSMAStrategy # 使用的策略类名 params: # 传递给策略的参数 fast: 10 slow: 30 sizer: type: percent # 仓位管理类型百分比下单 params: percents: 95 # 每次动用95%的可用资金这个文件本身就是一个完整的、可执行的“回测任务描述”。你甚至可以把不同的配置文件看作不同的“回测实验”用目录来组织它们。2.2 AI原生通过MCP协议暴露能力“AI原生”不是噱头。我的目标是让回测引擎不再是只有程序员能用的黑盒子而是能通过自然语言交互的服务。这通过实现MCPModel Context Protocol协议来实现。你可以把MCP理解为一个标准化的“插座”协议。ai-trader启动一个MCP服务器就相当于把一个功能丰富的“插座”暴露在网络上。Claude Desktop这类支持MCP的AI应用就像是一个“插头”可以插到这个插座上从而获得调用ai-trader所有功能的能力——获取数据、列出策略、运行回测、分析结果。技术实现上我们在ai_trader/mcp.py模块中创建了一个MCP服务器它注册了几个核心“工具”Toolslist_strategies: 列出所有可用的交易策略。fetch_market_data: 根据代码、市场类型、日期范围获取历史数据。run_backtest_from_config: 读取一个YAML配置文件并执行回测。run_quick_backtest: 快速运行一个指定策略和数据的回测。当你在Claude Desktop里输入“帮我获取苹果公司2023年的股票数据”时Claude会通过MCP协议调用fetch_market_data工具并传入参数symbolAAPL, marketus_stock, start_date2023-01-01。服务器执行命令将数据返回给ClaudeClaude再以友好的格式呈现给你。这个过程对用户是完全透明的感觉就像Claude“天生”会做回测一样。注意配置Claude Desktop时cwd当前工作目录参数至关重要。必须将其设置为ai-trader项目的根目录路径这样服务器才能正确找到策略模块、配置文件和数据目录。如果路径错误你会遇到“ModuleNotFoundError”或文件不存在的错误。3. 从零开始安装、数据准备与第一个回测理论说了不少我们直接上手看看如何在几分钟内完成从安装到跑出第一个回测结果的全过程。这里我会给出最推荐、也是最稳定的路径。3.1 安装方式抉择PyPI还是源码项目提供了两种安装方式适用不同场景方式一通过PyPI安装推荐大多数用户pip install ai-trader这是最干净、最省事的方法。安装后你可以在系统的任何地方使用ai-trader命令行工具。适合以下场景你主要想使用CLI命令来跑回测、下数据。你已经有自己的数据文件CSV格式不需要项目内的示例数据。你想在自己的Python项目中把ai-trader作为库来调用run_backtest函数。方式二从源码安装推荐深度用户和开发者git clone https://github.com/whchien/ai-trader.git cd ai-trader uv sync # 强烈推荐使用uv依赖解析和安装速度极快 # 或者 poetry install # 或者 pip install -e .从源码安装能获得最完整的体验因为你可以直接访问项目根目录下的config/,data/,scripts/examples/等目录。这些目录里包含了大量预先写好的配置模板、示例数据和演示脚本是学习和探索的绝佳材料。如果你打算贡献代码、修改策略或者运行项目自带的示例必须选择这种方式。实操心得包管理工具我首推uv。它在处理依赖冲突和安装速度上比传统的pip快一个数量级特别是项目依赖较多时。安装uv只需pip install uv然后用uv sync代替pip install -e .你会回来感谢我的。3.2 获取历史数据从API到本地缓存没有数据回测就是无米之炊。ai-trader的fetch命令封装了从不同市场获取数据的过程并且做了一个非常实用的功能SQLite持久化缓存。基础数据获取 假设我们想获取台积电美股代码TSM从2020年至今的日线数据。ai-trader fetch TSM --market us_stock --start-date 2020-01-01这条命令会默认将数据保存为CSV文件路径大概是./data/us_stock/TSM.csv。--market参数支持us_stock美股,tw_stock台股,crypto加密货币,forex外汇。为什么需要缓存每次回测都从网络API下载数据不仅慢可能耗时2-3秒还可能遇到API调用次数限制。对于反复进行的策略优化和参数扫描这是不可接受的。因此我引入了SQLite缓存层。使用SQLite缓存加速# 第一次获取从API下载并存入SQLite缓存 ai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite # 输出[INFO] Fetching AAPL (us_stock) from 2024-01-01 to 2024-05-17... # [INFO] Data saved to SQLite cache. # 第二次获取可能几分钟或几小时后直接从SQLite缓存读取毫秒级响应 ai-trader fetch AAPL --market us_stock --start-date 2024-01-01 --storage sqlite # 输出[INFO] Loading AAPL (us_stock) from SQLite cache... # [INFO] Data loaded from cache.这个改进让重复性的数据准备工作变得极其高效。你还可以用ai-trader data list查看缓存了哪些数据用ai-trader data clean清理过期数据。注意事项缓存功能依赖于数据源的稳定性和数据本身的正确性。如果发现缓存的数据有误比如价格异常你需要手动删除SQLite数据库文件默认位于~/.ai_trader_cache.db或使用--storage csv参数绕过缓存重新获取。建议在重要回测前对关键数据做一次完整性校验。3.3 运行你的第一个回测有了数据我们就可以开始回测了。这里演示最经典的“双均线交叉策略”CrossSMAStrategy当短期均线上穿长期均线时买入下穿时卖出。方法一使用CLI快速回测最快捷如果你已经有一个数据CSV文件比如刚才下载的TSM.csv可以用quick命令ai-trader quick CrossSMAStrategy ./data/us_stock/TSM.csv --cash 100000 --plot这个命令会使用策略的默认参数快线周期10慢线周期30用10万美金本金在TSM的数据上跑回测并自动弹出PyPlot图表展示资金曲线和交易信号。方法二使用配置文件回测最规范、可复现这是项目主推的方式。我们创建一个简单的配置文件my_first_backtest.yaml# my_first_backtest.yaml broker: cash: 100000 commission: 0.001 # 假设千分之一佣金 data: file: ./data/us_stock/TSM.csv # 可以指定回测的时间范围不指定则用数据文件的全部范围 # start_date: 2021-01-01 # end_date: 2023-12-31 strategy: class: CrossSMAStrategy params: fast: 5 # 尝试更敏感的参数 slow: 20 sizer: type: fixed params: stake: 100 # 每次固定交易100股然后运行ai-trader run my_first_backtest.yaml --plot运行结束后命令行会输出一份简明的统计报告包括总回报率 (Total Return)年化回报率 (Annual Return)夏普比率 (Sharpe Ratio)最大回撤 (Max Drawdown)总交易次数 (Total Trades)胜率 (Win Rate)图表则会直观地展示价格曲线、均线、买卖点以及资产净值曲线。通过修改YAML文件中的参数你可以轻松地进行对比实验。4. 策略宝库解析与自定义策略开发框架自带了二十多个策略放在ai_trader/backtesting/strategies/目录下分成了几个大类这本身就是一份很好的学习资料。4.1 内置策略分类与选用指南经典趋势策略 (Classic Trend)CrossSMAStrategy: 双均线交叉如上所述。MACDStrategy: MACD指标策略金叉买入死叉卖出。BollingerBandsStrategy: 布林带策略价格触及下轨买入触及上轨卖出。适用场景这些策略在趋势明显的市场中表现较好如单边上涨或下跌的牛市/熊市。在震荡市中容易产生连续亏损。均值回归策略 (Mean Reversion)RSIStrategy: RSI超买超卖策略例如RSI低于30买入高于70卖出。MeanReversionStrategy: 基于价格偏离移动平均线一定百分比进行交易。适用场景适用于震荡市或区间波动的市场。假设价格会围绕一个均值波动在极端位置反向操作。波动性策略 (Volatility)ATRStopStrategy: 使用平均真实波幅ATR来设置动态止损止盈。KeltnerChannelStrategy: 利用肯特纳通道捕捉波动突破。适用场景在波动率放大或突破行情中寻找机会。需要谨慎设置参数避免在假突破时被反复止损。高级/实验性策略 (Advanced/Experimental)KalmanFilterStrategy: 使用卡尔曼滤波动态估计价格趋势适应性更强。MLPredictStrategy: 一个简单的机器学习策略框架需自行实现预测模型。适用场景适合有一定量化基础的研究者进行探索。这些策略参数更复杂需要更深入的理解和调优。实操心得没有“圣杯”策略。选择策略时首先要理解其核心逻辑和盈利假设是赚趋势的钱还是震荡的钱然后结合你对当前市场状态的判断。我通常的做法是先用ai-trader list-strategies命令查看所有策略然后选2-3个不同逻辑的用同一段历史数据跑一遍对比它们的夏普比率、最大回撤和交易频率找到最适合该品种特性的策略雏形。4.2 手动创建自定义策略虽然用Claude技能/add-strategy交互式创建非常方便但理解手动创建过程对深入掌握框架至关重要。所有策略都继承自BaseStrategy它本身又继承自Backtrader的Strategy类并添加了一些便利功能比如自动记录交易日志。假设我们要创建一个“均线RSI复合策略”当价格在20日均线以上且RSI低于40超卖时买入当价格跌破20日均线或RSI高于80超买时卖出。步骤1创建策略文件在ai_trader/backtesting/strategies/下找一个合适的子目录比如classic/新建文件ma_rsi_combo.py。步骤2编写策略逻辑# ai_trader/backtesting/strategies/classic/ma_rsi_combo.py import backtrader as bt from ai_trader.backtesting.strategies.base import BaseStrategy class MARsiComboStrategy(BaseStrategy): 均线与RSI复合策略。 买入条件收盘价 20日均线 且 RSI 40。 卖出条件收盘价 20日均线 或 RSI 80。 params dict( ma_period20, # 均线周期 rsi_period14, # RSI周期 rsi_oversold40, # RSI超卖线 rsi_overbought80 # RSI超买线 ) def __init__(self): # 初始化指标 self.ma bt.indicators.SimpleMovingAverage( self.data.close, periodself.p.ma_period ) self.rsi bt.indicators.RelativeStrengthIndex( self.data.close, periodself.p.rsi_period ) # 为了在next中判断我们可以将条件计算为布尔序列 # 但更简单的方式是直接在next中访问指标的当前值 def next(self): # 如果当前没有持仓 if not self.position: # 检查买入条件价格上穿均线且RSI超卖 # 注意这里使用[0]访问当前bar的值[-1]访问前一个bar的值 # 我们检查价格是否在均线之上可以简单用 close ma if self.data.close[0] self.ma[0] and self.rsi[0] self.p.rsi_oversold: self.buy() # 默认买入全部可用资金 self.log(fBUY EXECUTED, Price: {self.data.close[0]:.2f}, RSI: {self.rsi[0]:.2f}) else: # 如果已有持仓检查卖出条件价格跌破均线或RSI超买 if self.data.close[0] self.ma[0] or self.rsi[0] self.p.rsi_overbought: self.close() # 平仓 self.log(fSELL EXECUTED, Price: {self.data.close[0]:.2f}, RSI: {self.rsi[0]:.2f})步骤3策略自动注册框架利用了Python的入口点entry_points机制和动态发现。只要你把文件放在正确的目录下strategies/的任意子目录并且类继承自BaseStrategy它就会被自动扫描并注册到策略列表中。你不需要手动修改任何__init__.py文件。这是框架的一大便利之处。步骤4使用新策略创建完成后立即就可以使用# 在CLI中查看应该能看到新增的 MARsiComboStrategy ai-trader list-strategies # 在配置文件中使用 # strategy: # class: MARsiComboStrategy # params: # ma_period: 20 # rsi_period: 14 # rsi_oversold: 40 # rsi_overbought: 80避坑指南在策略的next()方法中访问指标值一定要用self.ma[0]来获取当前Bar的值。self.ma本身是一个线对象Line[0]是当前值[-1]是前一个值。常见的错误是直接写if self.data.close self.ma这会导致逻辑错误。另外self.log()方法对于调试非常有用它会在控制台和交易记录中输出信息。5. 高级用法与AI智能体深度集成ai-trader最酷的功能莫过于与AI的深度集成。这不仅仅是调用一个API生成代码而是让AI成为你回测工作流中的一个主动参与者。5.1 配置Claude Desktop作为你的量化助手要让Claude Desktop连接上你的回测引擎需要正确配置MCP服务器。以下是详细步骤和常见问题排查找到配置文件macOS/Linux: 配置文件位于~/.config/Claude/claude_desktop_config.json。Windows: 配置文件位于%APPDATA%\Claude\claude_desktop_config.json。编辑配置文件在mcpServers部分添加ai-trader的配置。最关键的是cwd字段它必须指向你ai-trader项目的根目录。{ mcpServers: { ai-trader: { command: python, args: [-m, ai_trader.mcp], cwd: /Users/yourname/code/ai-trader // 必须修改为你的实际路径 } } }关于Python解释器路径如果你在系统全局安装的ai-tradercommand用python或python3通常没问题。如果你在虚拟环境venv, conda中command需要指向虚拟环境内的Python解释器绝对路径例如/path/to/your/venv/bin/python。一个更稳健的做法是在ai-trader项目根目录下创建一个启动脚本如start_mcp.sh或start_mcp.bat在脚本中激活虚拟环境并启动模块然后在配置中指向这个脚本。重启与测试保存配置文件后完全关闭并重启Claude Desktop。在Claude的聊天框中你可以尝试问“你能用哪些工具” 或者 “列出所有可用的交易策略。” 如果配置成功Claude会调用工具并返回策略列表。5.2 自然语言驱动的回测工作流连接成功后你的工作流将彻底改变。以下是一些真实的对话示例场景一快速探索策略想法你“我想测试一个简单的策略当收盘价高于20日均线时买入低于20日均线时卖出。用苹果公司AAPL2023年的数据初始资金5万美金佣金万分之五。”Claude调用fetch_market_data获取AAPL数据然后调用run_quick_backtest “好的我已经用CrossSMAStrategy快线1慢线20在AAPL 2023年的数据上运行了回测。总回报率为XX%夏普比率为XX最大回撤为XX%。这是资金曲线图附上图表链接或描述。需要我调整参数再跑一次吗”场景二参数优化与对比你“刚才那个策略把快线周期改成5慢线改成60再跑一次和之前的结果做个对比。”Claude再次运行回测并可能调用其他工具或自行计算对比关键指标 “这是新参数560的结果总回报率YY%夏普比率YY。对比来看原参数120交易更频繁但回撤更大新参数交易次数减少夏普比率更高但可能错过了部分短期趋势。”场景三分析回测结果你“上一个回测的最大回撤发生在什么时候当时市场发生了什么”Claude无法直接访问外部新闻但可以分析回测输出的详细日志或交易记录 “根据回测日志最大回撤发生在2023年8月左右资产净值从峰值下跌了约Z%。我可以帮你导出这段时间的详细交易记录或者我们可以获取更长时间的数据来分析这个回撤期在整个市场周期中的位置。”注意事项AI的强大在于理解和执行你的意图但它对金融市场的“理解”仅限于你提供的数据和策略逻辑。它无法预测未来也无法理解策略逻辑背后的经济含义。所有决策的最终责任仍然在你。AI在这里的角色是“超级执行助理”帮你快速验证想法、处理繁琐的数据和参数调整将你从重复劳动中解放出来专注于策略逻辑本身和市场洞察。6. 生产环境部署与性能调优指南当你的策略从实验阶段走向实盘模拟甚至实盘时就需要考虑更严肃的部署和性能问题。ai-trader本身是一个回测框架但围绕它可以构建一套稳健的工作流。6.1 组织你的项目结构一个典型的、可维护的量化项目目录可能如下所示my_quant_project/ ├── configs/ # 存放所有YAML回测配置 │ ├── production/ # 用于实盘模拟的配置 │ │ ├── strategy_a.yaml │ │ └── strategy_b.yaml │ ├── research/ # 用于研究探索的配置 │ └── optimization/ # 参数扫描配置 ├── data/ │ ├── us_stock/ # 按市场分类 │ ├── tw_stock/ │ └── cache.db # 集中管理的SQLite缓存数据库 ├── scripts/ │ ├── run_backtests.py # 批量运行回测的脚本 │ ├── fetch_all_data.py # 定期更新数据的脚本 │ └── analyze_results.py # 分析回测结果的脚本 ├── strategies/ # 你的自定义策略 │ └── my_prod_strategy.py └── requirements.txt关键点将配置文件与代码分离方便版本管理和参数追踪。使用统一的SQLite缓存数据库路径可以在ai-trader fetch时通过环境变量AI_TRADER_CACHE_PATH来指定。用脚本自动化日常任务比如每天收盘后自动更新数据并运行当日复盘回测。6.2 性能优化技巧回测速度对于参数优化和策略迭代至关重要。以下是一些提升ai-trader回测性能的经验数据缓存是王道务必使用--storage sqlite。从SQLite读取数据比从CSV文件读取快更比从网络API下载快几个数量级。对于需要反复测试的标的这是第一道优化。调整Backtrader引擎参数在配置文件的engine部分可以设置一些Backtrader的核心参数engine: preload: true # 预加载所有数据到内存大幅提升速度适合内存充足时 runonce: true # 启用向量化回测模式如果策略支持。对于简单策略如纯指标判断速度可提升10倍以上。 cheat-on-open: false # 是否在开盘时“作弊”获取收盘价。通常保持false以保证回测真实性。runonce: true是性能提升的关键但它要求你的策略逻辑不能依赖self.data.X[-1]前一根K线这样的相对索引因为向量化模式下是一起处理的。对于大部分基于当前值判断的策略如if self.data.close[0] self.sma[0]都是兼容的。减少不必要的输出和绘图在批量回测时关闭--plot和减少self.log()的输出频率。I/O操作会显著拖慢速度。可以在配置文件中设置logging_level: WARNING来减少日志输出。使用更高效的数据结构如果你的策略非常复杂考虑将部分计算密集的逻辑如技术指标计算用pandas或numpy向量化然后在策略的__init__阶段将结果作为数据线Line添加进来而不是在next中逐Bar计算。6.3 常见问题排查实录在实际使用中你可能会遇到以下问题。这里记录了我的排查思路和解决方法问题1运行ai-trader run config.yaml时报错ModuleNotFoundError: No module named ai_trader原因这通常发生在从源码安装后直接在项目目录外运行命令时。系统的Python路径找不到ai_trader模块。解决确保你是在激活了项目虚拟环境如果用了的话的终端中运行。或者使用python -m ai_trader.cli run config.yaml这种方式从模块内部启动CLI。对于PyPI安装的用户通常不会出现此问题。问题2MCP服务器启动失败Claude连接不上原因AClaude配置文件中cwd路径错误。这是最常见的原因。排查在终端中手动运行python -m ai_trader.mcp看是否能正常启动通常会输出服务器已启动的日志。如果手动启动都失败那就是环境或项目本身的问题。原因BPython解释器路径错误特别是使用了虚拟环境。解决将command改为虚拟环境Python的绝对路径或者如前所述使用启动脚本。原因C端口冲突。MCP服务器默认使用某个端口可能被占用。解决目前ai_trader.mcp模块使用标准输入输出与Claude通信一般不存在端口问题。如果未来版本改用网络socket则需检查端口。问题3回测结果与预期不符没有交易信号排查步骤检查数据首先用ai-trader data info或直接查看CSV文件确认数据包含了你指定的回测时间范围并且有价格数据open,high,low,close,volume。检查策略逻辑在策略的next方法开始处添加self.log(f‘Close: {self.data.close[0]}, SMA: {self.sma[0]}’)这样的日志确保指标值被正确计算。可能是数据时间序列不对导致指标如SMA在开头若干Bar是NaN。检查买卖条件确认你的买入卖出条件逻辑正确。例如if self.data.close[0] self.sma[0]和if self.data.close self.sma有本质区别。检查仓位状态if not self.position:判断的是是否有持仓任何方向。如果你做空这个逻辑可能需要调整。问题4SQLite缓存的数据似乎不是最新的原因ai-trader fetch的缓存机制会检查本地是否已有数据。如果已有且请求的日期范围在缓存数据的日期范围内它会直接返回缓存数据而不会去检查远程数据是否有更新例如增加了最新的交易日。解决手动删除缓存数据ai-trader data clean --symbol AAPL --market us_stock然后重新获取。或者在fetch时使用--force参数如果该功能已实现或未来实现强制重新下载。对于需要每日更新的数据建议写一个脚本每天定时执行fetch并指定一个较短的、固定的历史窗口如--start-date $(date -v-30d %Y-%m-%d)这样每次都会获取最新的30天数据并更新缓存。问题5回测绘图不显示或报错原因Backtrader的绘图后端可能与环境不匹配。解决确保安装了必要的库pip install matplotlib。如果你在服务器或无图形界面的环境中需要设置聚合Agg后端。可以在运行命令前设置环境变量export MPLBACKENDAggLinux/macOS或set MPLBACKENDAggWindows。这样图表会保存为图片文件而不是尝试弹窗显示。在配置文件中可以设置plot: false来完全关闭绘图专注于获取数值结果。这个框架是我将多年量化开发中遇到的繁琐问题产品化的一个尝试。它的价值不在于发明了多牛的策略而在于提供了一套规范、高效且能与AI无缝协作的工具链。真正重要的永远是你对市场的洞察和策略的逻辑。工具的作用是让你更专注于此而不是浪费在环境配置和重复编码上。希望ai-trader能成为你量化探索路上的得力助手。如果在使用中遇到任何问题或者有改进的想法欢迎在项目的GitHub仓库中提出。