一 · 贯穿全部的主线结论
验证是稀缺品，我们的立身之本恰是别人的结构性缺失
本报告汇总 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。逐项研究由本地个人域 Codex 多智能体按统一格式产出，本文只做汇总、去重、归纳，不复述单项细节；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。
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。
三 · 可抬入模块总清单
按六个能力域组织的搬运清单
判定分四类，用不同颜色区分。跨过某项目自身细节，只看「什么能搬、以什么方式搬」。
直接采用 基本原样搬入
改造后采用 思路好、需改造适配
我们已有更好 必须自建
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 | 别家只能供字段（Lean 信号对象、freqtrade/vnpy 训练集分段、qlib 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
范式 A
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。
范式 B
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。
七 · 逐项目整体分析
16 个参考项目的整体画像
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。架构图为各项目模块拆解，居中呈现。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工程零件做得最好、可大量抬入
- 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。
- 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。
- 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。
- 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。
- 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研究流水线与时点数据是可直接采用的工程
- 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偏离度披露与绩效口径可借，闭源核心借不到
darwinex 模块架构图（信源资产化跟单，平台核心闭源） ·
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。
- 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 智能体结构化决策合同与硬约束/软判断分工的印证
- 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 AI 智能体
TradeHive 二开亮点：确定性硬规则约束 AI 软判断 ·
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 智能体原生交易与竞赛平台（港大 HKUDS） ·
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；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。
- 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 AI 智能体
- 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。
- 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 AI 智能体
- 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（信号资产化双表）、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最接近我们蒸馏语料结构的决策记录表
- 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）。
八 · 来源与逐项研究报告
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 份逐项研究报告由本地个人域 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。
