速览：Qbot 是一个中文原生的 AI 自动量化交易机器人，star 超过 1.8 万，主打完全本地部署。本文用 EasyClaw 帮你理清它到底能干什么、怎么从零安装、怎么跑通一个策略回测，并讲清经典策略、AI 策略（含 LLM/FinGPT）、实盘接口和消息提示，最后给出开源版与付费版的选型建议。

维度	说明
项目	Qbot（UFund-Me/Qbot）
Star	18,383
语言	Python / Jupyter Notebook
定位	AI 智能量化投研平台（完全本地部署）
交易对象	股票 / 基金 / 期货 / 加密货币
本文产出	从本地部署到跑通策略回测的完整上手路径 + 选型建议

---

一、Qbot 是什么？为什么它值得中文读者关注？

很多做量化的朋友都遇到过同一个尴尬：想找个「中文友好、能本地跑、还带 AI 策略」的量化平台，结果英文文档劝退、数据源麻烦、又要装一堆东西。Qbot 就是冲着这个痛点来的——它是一个中文原生、完全本地部署的 AI 量化投研平台。

先看它的定位。README 里一句话概括：Qbot = 智能交易策略 + 回测系统 + 自动化量化交易 + 可视化分析工具。它把量化投资的完整链路——从数据获取、策略开发、策略回测、模拟交易到最终实盘交易——串成了一套闭环。

它凭什么火到 1.8 万星？三个点：

1. 中文原生：文档、界面、策略注释都是中文，特别适合中文散户和刚入门的开发者。
2. AI 策略丰富：从经典的 GBDT/LSTM，到强化学习、Transformer，再到 LLM 和 FinGPT，号称支持 300+ 模型、覆盖 40+ 篇论文的方法。
3. 本地部署、接口全：完全跑在你自己电脑上，数据、代码、策略都不离开本地；同时覆盖股票、基金、期货、加密货币，还接了大量国内券商接口。

一句话：它是给想认真做量化、又希望中文友好 + 本地可控的散户和研究者的一个开源平台。这篇文章就用 EasyClaw 帮你把它从安装到跑通策略的路径梳理清楚。想看这类 AI 技能如何被编排落地，可以参考 EasyClaw 的 qbot 技能页。

---

二、Qbot 的架构：六大能力块

Qbot 不是个单一脚本，而是一套分层设计的系统。我把它拆成你能直接理解的几个能力块。

2.1 模块化分层设计

官方强调「数据层、策略层、交易引擎」三层抽象。翻译过来就是：

• 数据层：统一的数据接口，方便接入不同数据源；
• 策略层：策略和因子中间表达，支持自定义策略和因子挖掘；
• 交易引擎：统一的交易抽象，能接回测、模拟、实盘。

这种分层的好处是：换数据源、换策略、换交易接口，彼此不互相影响，你可以积木式地拼装自己的量化流程。

2.2 五大能力块速览

能力块	干什么	适合谁
智能交易策略	经典 + AI 策略库	想直接跑现成策略的人
回测系统	历史数据验证策略	所有量化学习者
自动化量化交易	模拟 + 实盘自动交易	想落地执行的人
可视化分析工具	quantstats 等仪表盘	想直观看结果的人
消息提示模块	邮件 / 飞书 / 弹窗 / 微信	需要提醒的人

对刚入门的朋友，这套能力块相当于把「研究、验证、执行、复盘」全包了。你可以先用 EasyClaw 帮你读 Qbot 的文档和策略示例，快速定位每个能力块对应的代码位置，省去自己翻源码的时间。

如果你想让 EasyClaw 这类 AI Agent 平台帮你编排「拉数据→跑策略→出报告」的流程，Qbot 正好可以作为底层的策略和回测引擎来用。

---

三、安装：本地部署（Python 3.8 / 3.9）

Qbot 完全本地部署，装起来不算复杂，但要注意版本要求——官方明确只在 Python 3.8 / 3.9 下测试过，其他版本不保证。

3.1 安装步骤

cd ~   # 以 $HOME 作为工作目录
git clone https://github.com/UFund-Me/Qbot --depth 1

cd Qbot
pip install -r dev/requirements.txt

export PYTHONPATH=${PYTHONPATH}:$(pwd):$(pwd)/backend/multi-fact/mfm_learner
python main.py   # 如果是 Mac，请用 pythonw main.py

3.2 避坑提示

• Python 版本：建议用 conda 建一个 Python 3.9 的独立环境，别在系统全局装，避免依赖冲突。EasyClaw 也能帮你排查安装报错。
• 依赖较多：requirements 里包含机器学习、回测等一堆库，首次安装需要几分钟。
• 启动方式：Windows/Linux 用 python main.py，Mac 用 pythonw main.py。

安装遇到报错时，把日志交给 EasyClaw 分析，往往能快速定位是依赖版本、环境变量还是端口问题。

提醒：Qbot 依赖较重（含深度学习相关库），配置不高的电脑跑 AI 策略会慢。先用经典策略试通流程，再上 AI 策略，体验会好很多。

---

四、跑通第一个策略：MACD 回测

装好之后，最快的上手方式是跑一个现成的经典策略回测。Qbot 自带大量策略示例，其中 A 股 MACD 策略很适合入门。

4.1 策略库在哪

策略源码在 qbot/strategy 目录，按交易对象和策略类型组织。想找经典策略，看 docs/02-经典策略/；想找 AI 策略，看 docs/03-智能策略/。想快速筛选哪个策略适合自己的标的风险偏好，可以用 EasyClaw 帮你把策略清单整理成对比表。

4.2 一个 MACD 回测示例

官方文档给了一个基于 backtrader 的 MACD 策略回测，流程大致是：

1. 用 Qbot 的数据模块获取某只股票（如华正新材 603186）的历史行情；
2. 加载 MACD 策略；
3. 设置回测时间范围、初始资金、佣金（如 commission=0.001）；
4. 运行回测，得到收益曲线和 quantstats 报告。

# 示意（完整代码见 docs/tutorials_code/02.easy_macd_strategy/macd.py）
cerebro.broker.setcash(10000.0)
cerebro.broker.setcommission(commission=0.001)
cerebro.addstrategy(MacdStrategy)
cerebro.run()

4.3 看回测报告

回测结束后，Qbot 集成了 quantstats。如果你想把这套回测流程自动化，可以用 EasyClaw 帮你批量跑多个策略并汇总指标。，能生成专业的业绩报告（收益、夏普、回撤、胜率等），也可以在线打开仪表盘直观查看。对新手来说，跑通这一步就能建立「策略 → 回测 → 看指标」的完整体感。

---

五、进阶：AI 策略（从 GBDT 到 LLM / FinGPT）

Qbot 和普通回测库最大的不同，是它重度支持 AI 策略。如果你不满足于 MACD、双均线这种传统指标，可以直接用机器学习/深度学习模型来做预测。

5.1 支持哪些 AI 模型

官方把智能策略分成几大类，都提供了可跑的源码：

• GBDT 系：XGBoost、LightGBM、CatBoost；
• RNN 系：LSTM、GRU、ALSTM 等；
• 强化学习：TFT、GATs、SFM 等；
• Transformer 系：Transformer、TCN、HIST 等；
• LLM 系：ChatGPT、FinGPT（金融大模型）。

这些模型的对比结果在官方 model zoo 里都有。想快速了解每个模型适合什么场景，EasyClaw 可以帮你查资料并整理成对比表。

5.2 怎么用 AI 策略

以 LSTM 预测为例，你可以在 qbot/strategy/lstm_strategy_bt.py 看到完整实现。核心思路是：用历史行情训练模型 → 用模型预测未来走势 → 把预测结果转成交易信号。如果你想快速体验，直接用现成的模型跑一遍回测，比从零训练快得多。

结合 AI Agent 平台（如 EasyClaw）会更顺手：让智能体帮你读策略源码、改参数、批量跑回测、汇总结果，把精力放在策略本身。EasyClaw 的 qbot 技能页（easyclaw.ijinshan.com/skills/qbot/）提供了这类编排的参考。

---

六、交易：模拟、实盘与消息提示

跑通策略只是第一步，很多人真正关心的是怎么用它交易。

6.1 交易方式

Qbot 支持三种递进的交易方式：

1. 在线回测：历史数据验证，零成本；
2. 模拟交易：模拟环境，近乎实盘的时延和滑点，验证策略稳定；
3. 实盘自动化交易：接真实券商接口，自动下单。

6.2 支持哪些实盘接口

股票接口覆盖了中泰 XTP、华泰证券、国泰君安、东方财富、同花顺、掘金、通达信等；期货支持 CTP；加密货币支持 OKEX、币安、火币。可以说国内主流券商和交易渠道基本都覆盖了。如果你不确定自己的券商支不支持，可以让 EasyClaw 帮你对照官方接口清单确认。

6.3 消息提示

Qbot 内置消息提示模块，支持邮件、飞书、弹窗、微信四种方式。可以配置成：有交易买卖信号、每日收益结果、每日股票推荐时自动提醒你。如果你已经在用飞书或企业微信办公，把这套提示接到日常工具里会很方便。这类「定时触发 + 多端推送」的场景，用 EasyClaw 来编排调度也很合适。

注意：实盘前务必先模拟验证。Qbot 官方也多次强调——交易策略和自动化工具只是提供便利，不构成投资建议，市场有风险，投资需谨慎。用 EasyClaw 这类工具编排策略时，同样要把风险控制放在第一位。

---

七、常见问题与避坑

7.1 版本要匹配

Qbot 只在 Python 3.8 / 3.9 下测试过，用 3.10+ 可能报错。建议用 conda 隔离环境。

7.2 AI 策略跑不动 / 慢

深度学习模型对硬件有要求。先用经典策略（MACD、双均线）跑通流程，再逐步上 LSTM、Transformer 等模型。配置不够就降规模。

7.3 别直接上实盘

开源版更偏向学习和研究。要稳定实盘，建议充分模拟验证，并留意开源版与付费版在数据、接口、支持上的差异。想系统梳理自己的策略回测结果、形成复盘报告，用 EasyClaw 这类 Agent 平台来整理会很省事。

---

八、开源版 vs 付费版：你该用哪个？

Qbot 提供了 public（开源版）、pro（专业版）、vip（会员版）三档。我帮你理清边界：

版本	费用	适合谁
public 开源版	免费	对量化感兴趣的开发者、想学习的人
pro 专业版	年费	个人量化交易员、想快速落地的人
vip 会员版	年费 + 1对1服务	想定制接口、深入量化的人

对大多数读者，我的建议是：先用免费开源版跑通全流程（数据→策略→回测→模拟），确认自己确实需要实盘接口、社群答疑和封装好的模板后，再考虑 pro。别一上来就付费。这个过程里，EasyClaw 可以帮你记录踩坑、整理选型对比，减少重复劳动。

---

九、总结

Qbot 值不值得用？我的判断是：如果你想要一个中文友好、完全本地部署、还带 AI 策略的量化投研平台，它非常值得装一个。

它有四个核心价值：

1. 中文原生 + 本地部署：文档、界面、代码都友好，数据策略不离开本机；
2. 全流程闭环：从数据到实盘，一条龙，不用在多个工具间切换；
3. AI 策略丰富：GBDT/LSTM/RL/Transformer/LLM/FinGPT，300+ 模型可研究；
4. 接口覆盖广 + 消息提示：股票/期货/基金/加密 + 邮件/飞书/微信提醒。

对想系统学习量化、又希望有 AI 助手辅助的读者，EasyClaw 可以作为你的研究助手，帮你查文档、写脚本、排错误，把精力花在策略本身。

上手建议一句话：用 conda 建 Python 3.9 环境，git clone 装好，先跑一遍 MACD 回测建立体感，再试一个 LSTM 或 LightGBM 的 AI 策略，最后用模拟交易验证。想清楚自己是学习研究还是实盘交易，再决定用开源版还是付费版。如果你还想把「策略研究 → 回测 → 出报告」进一步自动化，可以试试用 EasyClaw 这类 AI Agent 平台来编排。

---

延伸阅读

• 官方仓库：github.com/UFund-Me/Qbot
• 在线文档：ufund-me.github.io/Qbot
• 本文相关 AI 技能参考：EasyClaw qbot 技能https://easyclaw.ijinshan.com/skills/qbot/

评论区交流

你在装 Qbot 或跑 AI 策略时踩过哪些坑？用它接过 A 股实盘吗？欢迎在评论区聊聊你的量化上手体验，一起把这个中文开源项目玩明白。

风险声明

本文仅作技术分享与工具介绍，不构成任何投资建议。量化策略与自动化工具不保证收益，实盘交易存在市场风险。请充分模拟验证后再考虑实盘，并自行评估风险。

【AI辅助创作声明】

本文基于 Qbot 官方 README、GitHub 仓库信息与公开资料整理撰写，数据（star 数、版本状态等）均来自项目公开页面，部分内容由 AI 辅助梳理与润色，供学习参考。