第三方参考深研综合报告——可抬入模块总清单

本文汇总 AI Trading Matrix 第三方参考深研线对 15 个开源项目的逐项研究，加上此前对 nofx 的两篇专项研究，站在全部结果之上做去重归纳，产出一份按能力域组织的「我们能搬进来的模块总清单」，并提炼几条需要回写战略白皮书的校正。

逐项研究报告由本地个人域 Codex 多智能体按统一格式产出，每项一份，存于各项目的研究产物目录（见文末来源）。本文只做汇总、去重、归纳，不复述单项细节。方法遵循借鉴要移植真实设计、不重新发明：每条判定都能回溯到具体项目的代码依据，已证实与推测分开。

本报告另有单文件可视化 HTML 版（架构图内联、可点开各项目的交互式文档与图谱），见 可视化 HTML 版。

一、研究范围

15 个项目按四类研究，另加 nofx（已单独成篇，两份报告见 nofx 上游对照首查 与 nofx AI Native 架构深研）：

• 第一类·回测与执行框架：nautilus_trader、Lean、freqtrade、vnpy、backtrader
• 第二类·机器学习量化平台：qlib
• 第三类·信源跟单与绩效度量：darwinex（5 个子仓库）、quantstats
• 第四类·AI 智能体：TradingAgents、TradeHive-TradingAgents、AI-Trader、QuantMuse、moss-trade-bot-skills、Qbot、daily_stock_analysis

每个项目的整体画像（定位、原理、架构、典型场景、优势、劣势）见第七节；正文以下先给横向的主线结论与可抬入模块清单。

二、一条贯穿全部的主线结论

越靠近「可信验证 + 反操纵 + 资本分配」的核心，越没有现成品，必须自建；开源世界给的是零件，不是机器。 回测撮合、时间对齐、执行边界、绩效度量、结构化决策这些工程零件，开源项目做得很好、可以大量抬入；但验证引擎的完整闭环、蒸馏语料的一体化记录、榜单反操纵、信源评级与资本分配绑定这些核心能力，没有任何一个项目有完整实现。这与战略白皮书的判断一致：验证是稀缺品，我们的立身之本恰是别人的结构性缺失。

三、可抬入模块总清单（按能力域组织）

判定分四类：直接采用（基本原样搬）、改造后采用（思路好、需改造适配）、我们已有更好（自建）、反面教材（提醒别这么做）。

3.1 验证引擎（回测 → 模拟盘 → 实盘 → 收益归因）

模块	来源	判定	对我们的用法
双时间戳（事件发生时间 + 系统录入时间）	nautilus_trader	直接采用	每条行情、信源事件、AI 决策、订单回报都带 event_time 与 ingest_time，回测只发「当时可见」的数据
决策时点快照（把某一时刻可见的行情、事件、信号、回报合并成不可跨时点读取的输入包）	Lean 的 TimeSlice	直接采用	作为回放和实盘统一输入结构
专项前视偏差检测（切片重跑、比对完整与截断数据的信号差异）	freqtrade 的 LookaheadAnalysis	直接采用	做成策略上榜、上资金前的强制门禁
预热边界（指标预热、模型冷启动数据与可交易数据划清界限）	Lean	直接采用	防冷启动数据泄漏进决策
撮合、滑点、延迟模型可插拔	nautilus_trader、Lean、backtrader	改造后采用	保留接口，参数按加密交易所盘口深度、maker/taker、延迟重新校准；默认用保守滑点，不用「最好价立即成交」
统一引擎、语义分离（同一策略接口，环境配置切换回测/模拟/实盘，策略里不写模式分支）	Lean（最典范）	直接采用	验证环境用处理器组合切换
参数搜索输出参数面而非只输出最优点（稳定区、局部峰值、失败点）	Lean 的 Optimizer 分析	直接采用	作为策略上线的防过拟合门槛
时点数据可见性（按观察时间决定财务/事件特征当时是否可见、拒绝查未来）	qlib 的 PIT	直接采用	信号库/事件库存三个时间戳，训练回测只读决策时间前可见数据
绩效与风险度量库（夏普、索提诺、风险价值、最大回撤、回撤明细、基准对比）	quantstats	改造后采用	作验证结果的展示层，不进验证引擎

3.2 非结构化信息到决策的管线与蒸馏

模块	来源	判定	对我们的用法
决策记录表（把结构化决策、来源追溯、后验结果绑一起）	daily_stock_analysis 双表 + nofx 决策记录表	改造后采用	以 daily_stock 双表为字段起点，补上 nofx 强调的「输入提示词 + 思维链 + 结构化决策 + 执行结果四者绑成一条不可变记录」
蒸馏语料四要素表（原始信号 × 当时市场状态 × 结构化决策 × 验证结果）	全部项目都没有现成的	我们已有更好（自建）	别家只能供字段（Lean 的信号对象、freqtrade/vnpy 的训练集分段、qlib 的数据分层），一体化血缘必须自建
结构化输出契约 + 确定性解析（固定字段枚举，最终评级用代码解析、不做第二次大模型抽取）	TradingAgents、TradeHive	直接采用	我们决策合同层的落地方式
情绪因子字段集（情绪分、动量、波动、来源数、一致性、置信度）	QuantMuse	直接采用	非结构化信号的候选字段清单
大模型输出的三级降级解析 + 容错（标签→代码块→裸数组，全角标点转半角，取不到就兜底）	nofx	直接采用	非结构化管线解析大模型输出可整段移植

3.3 受控执行与账户

模块	来源	判定	对我们的用法
策略只发命令、账户只由成交事件更新（策略/AI 不直接碰交易所接口）	nautilus_trader（最强）、backtrader、vnpy、Lean	直接采用	AI 决策层锁在命令边界内，输出可被风控拒绝、被执行引擎路由
多交易所隔离三层（适配器 + 工厂 + 路由，每所独立配置）	nautilus_trader、Lean、vnpy	改造后采用	交易所接入用注册表 + 路由管理
能力协商 + 适配器兜底（核心接口保持窄，缺失能力用适配器模拟并诚实告警）	nofx 的网格适配器	改造后采用	多所能力差异用能力契约 + 优雅降级吸收
末端硬风控（连接器侧最大订单数、最大手数、最大滑点、交易权限检查）	darwinex 连接器	改造后采用	执行端不可绕过的本地限额
开平转换器（期货平今、平昨、锁仓、净持仓规则）	vnpy	改造后采用	衍生品交易规则放执行前置层
密钥管理（环境变量直读、配置字典、JSON 明文）	全部项目	反面教材	五家全是反面教材，一律走 Keychain/密钥服务、只传引用；可直接借的只有 freqtrade 的日志脱敏 + 模拟盘自动移除真实凭证

3.4 AI 组件边界（硬约束与软判断的分工）

模块	来源	判定	对我们的用法
硬约束（代码强制）+ AI 建议值（写进提示词）二分	nofx（并列写提示词）、TradeHive（串联，输出后钳制）	改造后采用	两者结合：约束前置进提示词减少无效生成，输出后再做确定性钳制兜底不可绕过
越界分「能钳制就钳制、不能就拒单」	nofx	改造后采用	杠杆超限自动下调、仓位超比例截断；风险回报比、止损止盈逻辑违反则拒单
市场状态机 + 按状态钳制仓位（做两遍）	TradeHive	改造后采用	状态与阈值按我们资产体系重设；非法状态迁移作显式事件、不静默
三条不经过大模型的确定性安全网（回撤监控、交易节流、连续失败降级）	nofx	改造后采用	把模型故障与仓位安全解耦
发送前的上下文预算闸门（按具体模型上下文上限硬阻断）	nofx	改造后采用	防上下文打穿，与我们此前的同类事故对症
供应商路由 + 不可用哨兵（数据取不到返回「不可用」、不静默编造）	TradingAgents、TradeHive	直接采用	接感知层时保留「不可用即不可用」

3.5 赛马、榜单与反操纵（此前一直缺料，本轮补齐）

模块	来源	判定	对我们的用法
数据指纹 + 服务端复跑（参赛结果携数据指纹，由服务端复算验证）	moss	改造后采用	榜单防作弊：参赛策略结果不可自证，服务端复跑
用户不能自报成交价、服务端定价 + 时间窗	AI-Trader	直接采用	榜单成交一律服务端定价，杜绝自报虚假成交
跟随者实际可得回报与信源回报的差距披露	darwinex 的偏离度字段	改造后采用	榜单同时披露信源多能赚、跟随者真实能拿多少（与用户同边的量化）
指标口径标注（按周期收益的胜率 ≠ 按逐笔交易的胜率）	quantstats	直接采用	榜单必须标口径，防信源用周期选择把胜率做好看
结果完整性校验（订单列表哈希）	Lean	改造后采用	榜单提交包记录订单哈希、数据版本、策略版本、随机种子
异常检测前置到提交/撮合阶段（不靠事后清理脚本）	AI-Trader（反面）	反面教材	反操纵检测前置，后置只兜底

3.6 治理、审计与多渠道

模块	来源	判定	对我们的用法
不可变事件审计日志（决策、风控、模拟、执行、复盘全留痕）	AI-Trader、nofx	直接采用	审计骨架，补事件时间、录入时间、来源标识、风控闸、执行编号
研究导出默认脱敏	AI-Trader	直接采用	蒸馏语料导出的安全默认，避免泄漏凭证、身份
反思迭代日志（参数、分段结果、市场上下文、近期交易）	moss	改造后采用	补逐次信号、订单意图、当时可见数据快照、执行回报、评审标签
多渠道推送矩阵（企业微信、钉钉、飞书、Telegram、Slack、Discord、webhook）	daily_stock_analysis	改造后采用	通知能力清单参考，与渠道无关体验设计对接

3.7 多智能体协作的两种组织范式

• 对抗辩论 + 独立裁决（TradingAgents、TradeHive）：牛熊研究员轮流发言、经理裁决；适合单标的深度决策。工程可借点：用完整的角色路径映射防角色名漂移、每个分析师的工具调用隔离在自己的消息通道防并行污染。
• 团队任务 + 贡献计分（AI-Trader）：适合多智能体协作研究与信源榜单。
• 共同纪律：无论哪种，都把「多智能体产出」和「确定性裁决/风控」分成两层——AI 生成候选和论点，代码负责合法性校验、仓位钳制、执行门禁。与我们「确定性工程是骨架、AI 是组件」完全同构。

四、跨全部项目的三条强共识（反复出现，最可靠）

1. 前视偏差防护要自建，但零件齐全：双时间戳（nautilus）+ 决策时点快照（Lean）+ 专项检测门禁（freqtrade）+ 时点数据（qlib）拼成完整方案。每家只做一块，一体化由我们组装。
2. 蒸馏语料四要素表必须自建：从 nofx、qlib、第一类到第四类，无一例外都没有「原始信号快照稳定标识 + 当时市场状态结构化 + 数据可见时间」这条完整血缘。最接近的是 daily_stock_analysis 双表（供字段起点）。
3. 执行、密钥、榜单反操纵的核心要自建：执行边界和多所隔离可借结构，密钥管理全是反面教材；榜单反操纵此前一直没料，本轮由 moss（数据指纹复跑）+ AI-Trader（服务端定价）+ Lean（结果哈希）+ quantstats（口径标注）补齐了第一批可借的料。

五、需要回写战略白皮书的校正

1. Darwinex 的引用要分层：白皮书第五节把 Darwinex 模式列为正向激励标杆，这个商业模式判断成立、引用无需改；但要补一句边界——其核心机制（指数化、评分、业绩分成、排行、撮合）是闭源的，工程上借不到，只能借偏离度披露字段和信源组合调仓链。避免把闭源平台结果误当可复制实现。
2. 榜单反操纵从「原则」落到「有料」：白皮书多处讲榜单反操纵是准入级设计，但此前没有具体实现参照。现在有了第一批可抬入的料（本文 3.5），可在产品定义/实施方案里把它从原则细化为设计。
3. 决策记录表有了现成起点：白皮书讲的蒸馏语料四元组，此前是纯设计。现在 daily_stock_analysis 双表 + nofx 决策记录表给了字段级起点，蒸馏语料表的自建可以站在这两家之上。
4. AI 组件边界有了双实现印证：白皮书「AI 是组件、确定性工程是骨架」在 nofx（约束前置）和 TradeHive（输出后钳制）得到两个独立工程印证，且两者可结合——这条从理念变成了可落地的具体分工。

六、优先落地建议

按「可信度最高 + 对我们最承重」排，建议优先抬入的顺序：

1. 验证引擎的时间对齐层（双时间戳 + 决策时点快照 + 前视专项检测），这是验证引擎第一级的地基，零件最齐、共识最强。
2. 决策记录表 + 蒸馏语料表（以 daily_stock 双表和 nofx 决策记录表为起点自建四要素血缘），这是蒸馏管线和反馈闭环的载体。
3. AI 组件边界（约束前置 + 输出后钳制 + 三条确定性安全网），把「AI 是组件」落成代码。
4. 榜单反操纵第一批设计（服务端定价 + 数据指纹复跑 + 口径标注），支撑策略广场的诚实性。
5. 执行边界与多所隔离结构（策略只发命令 + 适配器三层 + 能力协商），密钥一律自建。

七、逐项目整体分析

本节给 15 个参考项目加 nofx 的整体画像，每项含定位、原理、架构、典型场景、优势、劣势，作为前面借鉴清单的理解基础。nofx 只放一段画像，完整深度见其两篇专篇。

第一类 · 回测与执行框架

nautilus_trader

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：高保真、事件驱动的量化交易引擎，开源，面向要把回测、模拟执行、实盘执行统一到同一套领域模型的专业量化团队。
• 原理：回测由纳秒级时钟推进、数据分发、模拟交易所结算三段驱动；策略只发命令，账户和持仓只由成交事件更新，回测与实盘共享同一套订单/成交/持仓/账户/消息总线抽象。
• 架构：BacktestEngine（时钟+数据回放）、按场所隔离的 SimulatedExchange、FillModel/LatencyModel（成交与延迟）、OrderManager 经消息总线发命令给风险引擎与执行引擎、多交易所 adapters（Binance/OKX/Hyperliquid 各自配置）。
• 典型场景：给我们做「验证与执行内核」参考——双时间戳、命令边界、成交事实表、多场所隔离撮合。
• 优势：领域模型严谨；事件与双时间戳（事件时间/系统时间）天然防前视偏差；撮合、滑点、延迟模型可插拔。
• 劣势：不含 AI 决策层、蒸馏语料表、排行榜/竞赛治理；密钥用环境变量直读，不合生产要求；默认乐观成交模型不能直接当验证口径。

Lean

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：QuantConnect 开源的多资产算法交易引擎，面向要在多资产、多券商、多语言环境跑策略的用户，覆盖回测、模拟盘、实盘、寻优。
• 原理：同一引擎驱动策略全生命周期，用不同处理器组合区分回测/实盘语义；核心循环把每个决策时点可见的行情、事件合并成决策时点快照再喂给策略，先落账再决策。
• 架构：Engine.Run 四段式生命周期、AlgorithmManager 消费时间切片、SubscriptionSynchronizer/TimeSliceFactory 做多资产时间对齐、IBrokerage/IBrokerageFactory/IBrokerageModel 三层券商抽象、LeanOptimizer + OptimizationAnalyzer 做参数面分析。
• 典型场景：借鉴统一验证引擎、决策时点快照、预热边界、券商三层抽象、参数寻优的「参数面而非单点最优」。
• 优势：时间切片与预热边界严谨防前视偏差；券商抽象清晰可支撑多券商；寻优会输出稳定区、局部峰、失败点，抗过拟合。
• 劣势：收益归因止于绩效统计、缺逐笔因果链；密钥以配置/任务字典和券商字段存放，无统一密钥库；无排行榜/竞赛反操纵；C# 大型平台，只借架构不宜语言移植。

freqtrade

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：以 Python 策略为中心的加密货币交易机器人框架，开源，把回测、干跑（模拟资金不真实下单）、实盘、机器学习训练、参数搜索放在同一策略接口下。
• 原理：策略继承统一接口，回测/干跑/实盘围绕同一套回调；干跑用订单簿近似成交、不发真单；实盘走 CCXT 下单。
• 架构：FreqtradeBot/Worker 运行时、IStrategy 接口、Backtesting 回测、Exchange（CCXT 适配+能力表）、Wallets 资金视图、FreqAI（特征/标签/权重训练流水线）、Hyperopt（参数搜索）、LookaheadAnalysis（专项前视偏差检查）。
• 典型场景：验证工作台、交易所适配、干跑晋级门、特征训练流水线、参数搜索参考。
• 优势：merge_informative_pair 时间移位 + LookaheadAnalysis 是可直接吸收的防前视偏差质量门；配置脱敏 + 干跑移除凭证扎实；交易所能力表适配成熟。
• 劣势：无蒸馏语料账本、无排行榜/竞赛公平机制；单机器人配置边界不等于平台级多主体隔离；参数搜索易过拟合，回测收益不等于可执行收益。

vnpy

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：事件驱动的量化交易框架核心包，开源，用轻量事件总线 + 网关契约把不同交易接口接入同一运行时。
• 原理：进程内事件队列分发，网关基类把各交易系统统一成连接/订阅/下单/查询接口，统一领域对象承接交易状态。
• 架构：EventEngine 事件引擎、MainEngine/OmsEngine 运行时与状态缓存、BaseGateway 网关抽象、OrderData/TradeData/PositionData/AccountData 领域对象、OffsetConverter 开平转换、AlphaDataset/BacktestingEngine（研究型回测）。
• 典型场景：执行层边界参考——事件外壳、网关契约、账户状态投影、期货开平转换。
• 优势：事件外壳与交易领域解耦，骨架可复用；网关抽象清晰；领域对象字段分层与全局编号思路好。
• 劣势：事件处理器不捕获异常、队列无背压，不能当生产骨架；具体交易所网关、CTA、风控均在仓库外，无法源码级确认；vt_setting.json 明文凭证是反面教材；无排行榜/竞赛机制。

backtrader

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：经典 Python 单进程回测框架，开源（2023 年后少维护），把数据源、策略、经纪商模拟器、分析器组织成清晰分层。
• 原理：调度器按固定顺序推进——数据先行、定时器、经纪商通知、策略决策；策略只发订单，成交归经纪商，绩效归分析器。
• 架构：Cerebro（调度）、Strategy（决策接口）、BackBroker（撮合+滑点+成交量填充）、Analyzer/TradeAnalyzer/Returns（归因插件）、LineBuffer（当前 bar 索引 0）、旧式 IB/Oanda 适配。
• 典型场景：验证引擎内部对象模型参考（策略/经纪/分析器三分、可插拔撮合、归因插件接口）。
• 优势：对象边界清晰内聚；分析器插件式接入生命周期，适合做归因和榜单披露字段；订单生命周期建模完整。
• 劣势：防前视偏差只靠调度顺序和显式开关，LineBuffer 允许读未来索引、无强隔离；凭证参数直传、无密钥治理；无蒸馏语料主表、无排行榜；实盘与回测混在同一对象模型内易误用。

第二类 · 机器学习量化平台

qlib

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：面向量化研究的机器学习、数据处理、回测和归因平台，开源，强在「数据特征→模型训练→预测→组合策略→回测→归因」的研究流水线。
• 原理：配置化编排训练/预测/回测；时点数据按观察时间决定可见财务数据、拒绝未来查询；强化学习模块聚焦单资产订单执行冷启动。
• 架构：DataHandlerLP（原始/推理/学习三分）、Model+task_train、SignalRecord/SigAnaRecord/PortAnaRecord（预测与归因记录）、TopkDropoutStrategy、回测层 Exchange/SimulatorExecutor、SingleAssetOrderExecution（强化学习拆单）。
• 典型场景：蒸馏与强化学习冷启动的机器学习流程、时点数据防前视偏差、信号/组合归因指标参考。
• 优势：时点数据是可直接采用的防前视偏差工程；预测→信号归因→组合归因分层记录清晰；强化学习订单执行可做拆单冷启动。
• 劣势：Exchange 只是回测撮合对象、无真实交易所/密钥/账户隔离；无排行榜/竞赛治理；假设「先有预测文件再回测」的批处理架构不能直接搬到实盘；股票因子假设需为加密/宏观重做。

第三类 · 信源跟单与绩效度量

darwinex

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：Darwinex Labs 相关公开仓库的聚合（组合研究框架 mendel、API 客户端 darwinexapis、FIX/MetaTrader/ZeroMQ 连接器），面向把交易者包装成可投资产品的跟单场景；平台核心闭源。
• 原理：mendel 用产品历史行情生成组合权重再转账户调仓（先卖后买）；API 客户端按功能分层读分数、报价、账户、偏离度；连接器把行情/交易通道分离并解析执行回报。
• 架构：DStrategyClass（组合策略）、DModelClass（在线组合权重）、DWX_Info_API/DWX_Trading_API/DWX_Data_Analytics_API 分层客户端、FIX 双通道 application、MetaTrader 文件桥 dwx_client、ZeroMQ 桥 + 末端限额。
• 典型场景：信源资产化后的资金分配器、跟单公平性偏离度披露字段、经纪商连接器边界参考。
• 优势：功能分层 API 组织清晰；偏离度/延迟归因字段适合做跟单损耗披露；行情/交易双通道分离和末端硬风控（最大手数/滑点/权限检查）可借鉴。
• 劣势：产品指数化、排行、分成、撮合全闭源无法验证；明文凭证是反面教材；把当前报价直接追加进历史数据、无双时间戳，前视偏差防护不合格；无统一回测四层验证链。

quantstats

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：面向收益序列的绩效、风险、图表和 HTML 报告生成库，开源，输入是周期收益率而非逐笔交易，适合做披露层。
• 原理：把收益序列挂到 pandas 对象上直接算指标；报告是「指标表 + 年度对比 + 回撤明细 + 图表嵌入」的模板化流水线；蒙特卡洛模拟通过重排历史收益给出路径顺序风险区间。
• 架构：stats（夏普/索提诺/风险价值/最大回撤/回撤明细/基准对比）、reports（metrics/html/plots）、utils（收益与基准准备）、_montecarlo（MonteCarloResult）。
• 典型场景：我们的绩效与风险披露层、排行榜候选指标库、策略报告模板。
• 优势：指标口径与回撤明细完整、可直接作榜单指标白名单；HTML 报告流水线成熟；蒙特卡洛可做概率风险说明。
• 劣势：完全不含执行、撮合、交易所、密钥、竞赛；只消费清洗后收益序列、无蒸馏语料结构；基准对齐有补未来数据风险；周期胜率不等于逐笔胜率，误用会误导。

第四类 · AI 智能体

TradingAgents

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：多智能体金融分析与交易建议生成框架，开源，让分析师/多空研究员/交易员/风险辩论员/组合经理按固定流程讨论同一标的，输出结构化评级，不下单。
• 原理：用图式流程编排把「分析师→研究辩论→交易员→风险辩论→组合经理」固定成可复现流程；最终评级用确定性代码解析而非二次调用大模型。
• 架构：TradingAgentsGraph/GraphSetup（图编排）、ConditionalLogic（辩论轮次路由）、结构化输出对象（研究计划/交易提案/组合决策）、route_to_vendor（数据供应商路由 + 不可用哨兵）、反思日志。
• 典型场景：决策层设计参考——多智能体辩论骨架、结构化决策合同、数据缺失显式化、日期边界防护、复盘记忆。
• 优势：辩论流程可复现、结论确定性解析；行情/财报/新闻有日期过滤和陈旧数据拒绝；数据不可用返回显式哨兵、禁止编造。
• 劣势：无撮合/滑点/订单/实盘执行；归因只有原始与超额回报、非完整收益归因；报告树非可审计账本；本地写入式密钥仅适合实验、不能管交易所私钥；无排行榜/竞赛。

TradeHive-TradingAgents

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：TradingAgents 的中文二次开发版，开源，多智能体投研决策管线，核心亮点是「确定性工程骨架约束 AI 判断」。
• 原理：大模型给市场状态和仓位后，代码强制校验合法状态迁移、按状态钳制仓位区间；T 日收盘决策、T+1 开盘执行降低同日成交前视偏差。
• 架构：GraphSetup（分析师并行扇出）、AgentState（跨模块状态契约）、证据先于评分的结构化评估 + invoke_structured、research_manager 的合法迁移校验、按状态的仓位钳制、回测引擎+持仓跟踪、供应商降级。
• 典型场景：AI 决策层参考——状态机+阈值+仓位钳制、结构化输出后代码校验、T+1 回测语义、证据先于评分的蒸馏样本结构。
• 优势：硬规则（状态机/仓位钳制）+ 软判断分层是相比原版最有价值的增量；结构化输出后代码校验；分析师消息通道隔离防污染。
• 劣势：回测无订单簿/滑点/延迟/部分成交；归因只是大模型反思、不可复算；解析失败静默把仓位置 0 会污染策略信号（须记为独立失效事件）；无实盘执行、无排行榜/竞赛。

AI-Trader

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：香港大学数据实验室开源的智能体原生交易平台，面向让智能体注册、发信号、参赛、组队、拿积分并导出论文数据集的学术/竞赛场景。
• 原理：智能体通过令牌访问接口，信号统一落库并更新本地纸面持仓；挑战交易用服务器取价覆盖用户报价、强制时间窗、回放评分排名；不可变事件日志支撑研究导出。
• 架构：智能体/信号/持仓表 + 令牌身份、挑战生命周期（创建/评分/榜单）、不可变事件日志、匿名化脱敏导出、团队任务与贡献计分、角色权限。
• 典型场景：智能体接入层、竞赛/排行榜治理、研究数据导出、多智能体协作参考。
• 优势：竞赛治理较完整——服务器定价、时间窗、身份状态、异常清理、榜单排除；不可变事件审计日志和默认匿名化导出可直接借鉴；智能体技能入口设计好。
• 劣势：只改本地纸面持仓、非真实交易所；「多市场」是别名归并不是多交易所隔离执行；说明文档市场声明宽于源码实证（营销口径不等于工程事实）；部分标的用当前价冒充历史回测；异常靠后置清理脚本、未前置。

QuantMuse

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：把行情获取、因子研究、回测、自然语言处理/大模型建议、可视化和一个 C++ 执行循环拼在同一仓库的量化研究样例系统，开源，更像「研究能力拼装样例」而非可生产平台。
• 原理：「非结构化文本→情绪特征→因子/策略/大模型建议」的研究管线；情绪分析优先云端模型、失败回退本地模型；智能体框架是「外壳+提示词+结构化解析」，工具函数多为占位。
• 架构：文本到情绪因子链（新闻处理/自然语言处理/情绪分析/情绪因子计算）、因子研究与回测、大模型建议对象、回测引擎、C++ 交易引擎与订单执行器。
• 典型场景：「非结构化信息转结构化建议」的管线、情绪因子字段集、大模型供应商接口隔离参考。
• 优势：文本到情绪因子链路完整、字段集可直接借鉴；因子观测长表结构清晰；大模型供应商接口隔离思路好。
• 劣势：智能体工具函数是待实现占位、C++ 订单执行器只把状态置为已成交无真实下单（反面教材）；密钥硬编码在源码常量/明文配置；回测无滑点/撮合/时点防护；无蒸馏语料主表、无排行榜。

moss-trade-bot-skills

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：面向 Moss 平台的交易智能体技能包，开源，做「自然语言创建交易智能体 + 本地回放回测 + 分段反思进化 + 平台验证/展示」的轻量技能工厂；平台校验端闭源。
• 原理：自然语言先收敛成币种/区间/策略风格三个必填字段，缺失即禁止继续；本地优先用内置数据离线回测，回测与实时增量评估走同一状态机；分段反思进化锁人格参数、限战术漂移。
• 架构：技能入口门禁、参数契约与信号计算、实时增量评估器、回测与基线回放（显式成交假设+多档深度撮合）、进化日志、平台客户端（签名 + 榜单读取 + 回测验证）、实时运行器。
• 典型场景：策略创建向导门禁、回测/实盘同源状态机、进化日志蒸馏雏形、上传验证包（数据指纹+服务端复跑）参考。
• 优势：回放回测与实时增量评估同源一致；成交假设（费率/资金费/深度）显式化；进化日志是现成的进化样本骨架，订单强制保存双语理由便于审计。
• 劣势：平台客户端只是单平台接口、非多交易所执行；明文凭证不合生产；榜单防操纵逻辑在闭源校验端；标的隔离靠运行时过滤、需升级为多层硬隔离。

Qbot

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：把 qlib/vnpy/backtrader/quantstats/强化学习/多交易所适配塞进一个仓库的量化工作台，开源，价值在「集成地图」，执行层是反面教材。
• 原理：以聚合方式集成多个成熟量化组件，提供从数据、策略、回测到可视化的一站式脚手架；历史特征用带指针的时点财务记录组织。
• 架构：qlib 风格特征存储（日历/标的/特征分层、时点财务转储）、集成 vnpy/backtrader 回测与执行、quantstats 绩效、强化学习模块、交易引擎。
• 典型场景：多组件整合架构参考、历史特征存储形态参考。
• 优势：把主流量化组件的集成关系画成一张地图，便于理解生态如何拼装；特征存储的时点指针思路可借。
• 劣势：执行层明文打印密钥、密钥硬编码是严重反面教材；聚合带来耦合与维护负担；本身不提供新的核心能力，只是集成。

daily_stock_analysis

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：多市场股票的 AI 分析、决策信号沉淀、回测复盘、组合导入和多渠道推送系统，开源，适合做多市场 AI 分析看板与披露形态参考。
• 原理：AI 输出被强约束为结构化看板（结论/依据/风险/归因/数据质量），再蒸馏成独立决策信号记录，按持有期计算结果并分组统计；回测是日线后验、非执行模拟。
• 架构：AgentExecutor（结构化看板 + 供应商追踪）、DecisionSignalRecord+DecisionSignalOutcomeRecord（信号资产化 + 结果沉淀）、日线回测引擎、组合服务与券商 CSV 导入、多市场数据源路由、多渠道推送。
• 典型场景：决策信号 schema、看板披露组织、多渠道通知矩阵、结果分组统计做榜单披露底座、外部成交导入参考。
• 优势：决策信号双表字段完整、可直接作信号样本/训练语料基础；看板同时披露结论/依据/风险/归因/数据质量、降黑箱感；通知渠道矩阵完整。
• 劣势：无实盘下单网关/撮合/账户隔离/订单状态机；时点可见性只做日线保守处理、非完整审计；日线回测不能当实盘收益证明；情绪分排序不等于公平竞赛排行榜。

单独深研 · nofx

可视化文档（随库分发·离线可开）：交互式文档 · 架构图谱

• 定位：开源 AI 交易终端（NoFxAiOS/nofx，Go 后端 + React 前端，采用 AGPL-3.0 许可），给活跃交易者做研究/策略/执行/监控的统一工作台，自我定位「全市场 AI 交易操作系统」，实际以加密永续为主。
• 原理：以大模型为决策核、确定性工程为护栏的周期交易循环——每若干分钟选币、组装市场上下文、拼多段提示词、大模型出结构化决策、代码强制风控裁剪后下单，全程留痕。
• 架构：决策引擎（提示词构建/决策解析/校验）、执行运行时（自动交易循环/风控/网格）、多实例编排、数据与模型接入（含 Claw402 链上按次付费的模型网关）、持久化（含决策记录表）；渠道 web + Telegram。
• 典型场景：配好策略即在真实/模拟账户跑自动交易、多模型账户实时盈亏排行榜、Telegram 对话式控制交易。
• 优势：硬约束（代码强制）与 AI 建议值二分清晰；三条不经大模型的确定性安全网（回撤监控/交易节流/连续失败降级）；决策记录表把提示词、思维链、结构化决策、执行结果绑一起，是全部参考项里最接近我们蒸馏语料需要的结构；Claw402 把「用加密钱包按次付 AI 费」缝进产品。
• 劣势：没有回测/模拟验证前置（配好即上实盘、靠硬约束加小资金兜底），是「有护栏的全自主」路径；AI 自学习浅（历史盈亏回灌提示词）；营销口径（全市场）跑在代码现实（加密为主）前面；曾有严重安全漏洞（认证绕过 + 凭证明文，当前已修）。完整深度见 nofx 上游对照首查 与 nofx AI Native 架构深研。

八、来源

nofx 两篇专项研究：nofx 上游对照首查、nofx AI Native 架构深研。业界背景：AI 交易业界全景扫描。

15 份逐项研究报告（Codex 多智能体产出，各存于对应项目的研究产物目录 reference-agent-wikis 下 <项目名>/tm-deepdive-report.md）：nautilus_trader、Lean、freqtrade、vnpy、backtrader、qlib、darwinex、quantstats、TradingAgents、TradeHive-TradingAgents、AI-Trader、QuantMuse、moss-trade-bot-skills、Qbot、daily_stock_analysis。调度方案与补跑记录存于同目录 _runs。