inalpha · AI 工具图鉴

📌 核心价值：把 LLM 锁在"审批+签名"两道闸门之后，让智能体写策略，但永远不直接碰订单

一句话摘要：inalpha 是一个工程纪律严苛的开源量化智能体框架——LLM 可以在沙箱里写策略、调因子、跑三方辩论，但所有下单动作必须经计划→审批→执行三段式，机器批准 + Ed25519 单次签名授权。

🚀 什么是 inalpha？

inalpha（🦊 Where Inari meets alpha）是一个面向多市场的开源专业量化智能体框架，由开发者 mirror29 在 GitHub 以 AGPL-3.0 协议开源（⭐32，🍴6，2026-05-21 发布，最近 commit 2026-08-28）。它把"LLM 智能体加速投研"这件事拆成一层层工程化部件：钩子 + 权限 + 计划/执行分离 + 一次性签名令牌 + 端到端审计。

项目的核心定位不是"又一个 AI 选股工具"，而是回答一个比想象中更现实的问题：

"当一个能调用工具的 LLM 进入量化研究流程时，谁来保证它不会绕过风控直接下单？谁来保证回测用的财报不是事后修订值？谁来保证因子库里没有数据挖掘出来的鬼因子？"

inalpha 给出的答案是：把 LLM 关进笼子——所有可能影响资金的路径都必须经过机器审批、可复现追踪、令牌一次一用。

✨ 核心功能一览

模块	职责	关键能力
Mastra 编排层（TypeScript）	唯一容纳 LLM 智能体的层级	钩子 / 权限 / 计划-执行分离
services/data（:8001）	数据服务	DDGS 免密钥搜索 + Baostock + yfinance 多市场
services/factor（:8004）	因子库	79 因子 + 时序 Rank IC 排序 + 谱系与衰减监控
services/paper（:8002）	模拟盘	多市场事件驱动 + 与回测共享同一份策略代码
services/research（:8003）	多智能体研究	6 分析师 + 多空风控三方辩论
services/evolver（:8005）	策略进化	LLM 写策略源码 + Ed25519 重放安全凭据

系统总览

🛠️ 快速上手：5 分钟启动自托管版

安装与启动

# 1. 克隆仓库
git clone https://github.com/mirror29/inalpha.git
cd inalpha

# 2. Docker 一键自托管（推荐生产方式）
bash scripts/selfhost.sh init
bash scripts/selfhost.sh up
# 控制台地址：http://127.0.0.1:3001

# 3. 创建账号
bash scripts/selfhost.sh create-user --email you@example.com

本地开发模式

# 1. 启动基础设施 (PostgreSQL + TimescaleDB + Redis)
(cd infra && docker compose up -d)

# 2. 安装 LLM Provider Key 与 Ed25519 进化凭据
cp .env.example .env
# 编辑 .env，至少要填入 OPENAI_API_KEY 之类的 LLM Key
# 强烈建议生成 Ed25519 密钥对填入 EVOLUTION_CREDENTIAL_PRIVATE_KEY_B64
# 不填 E1 策略进化服务默认关闭
uv run python -c "from cryptography.hazmat.primitives.asymmetric import ed25519; \
  import base64; \
  sk = ed25519.Ed25519PrivateKey.generate(); \
  print(base64.b64encode(sk.private_bytes_raw()).decode())"

# 3. 启动所有 Python 服务 + 编排
bash scripts/dev.sh
cd apps/dashboard && pnpm dev

注意：项目明确处于 alpha 阶段，README 与官方声明均建议"不要用真实资金运行"——只做研究 / 回测 / 模拟盘三件事。

📊 与同类框架对比

对比维度	inalpha	静态回测框架（Backtrader / Qlib）	自动交易框架（vn.py）
LLM 智能体能力	原生集成 + 钩子约束	无	无（或最近才加）
因子库规模	79 个 + 时序 IC 排序	静态指标列表	需自行集成
多 Agent 辩论	6 分析师 + 投资大师面板	无	无
工程纪律	计划-执行分离 + Ed25519 签名	N/A	风险靠人写代码
A 股原生支持	Baostock PIT + 腾讯行情	部分	部分
可复现性	冻结 LLM 快照 + 数据哈希	数据集固定	需自己写 logger
实盘交易	❌ 明确出范围	✅ 需自写	✅ 多家券商

因子库视图

💡 适用场景

场景一：AI 写策略 + 机器审批（仅研究 / 模拟盘）

因子实验室

功能说明：让 inalpha 的 services/evolver 在沙箱里用 LLM 修改策略源码。修改提案要先经过 AST 审计 + 受限加载器 + 子进程执行 + Strategy 协议四道闸门，最终由 services/paper 在多市场模拟盘里跑一遍多目标适应度（Sharpe + Calmar − turnover − drawdown）。

输入要求：基准策略源代码、数据源标识（market UUID）、冻结的 as_of 时间戳 输出效果：统一的 diff + 评估快照 + 审计链记录 适用场景：

策略研究员想让 LLM 试一百种参数组合并自动归档可复现的实验
团队希望统一跟踪所有"LLM 改动了哪一行策略代码、为什么改、效果如何"
AI 工程化研究者学习"如何把 LLM 嵌入金融工作流而不让它失控"

场景二：A 股因子研究合规闭环

模拟盘截图 1

功能说明：把 inalpha 当作"A 股 + 全球宏观"的因子研究平台。79 个因子中包含 8 个 FRED 宏观因子（CPI / 核心 CPI / 失业率 / 非农 / M2 / 信贷利差 / 收益率曲线 / PPI），可以构建"A 股风格因子 × 宏观因子"的横截面组合。factor.timing 按时序 Rank IC 排序当前有效的因子，factor.panel_score 做组合内横截面正交打分，配合 Null-IC 基准 + Benjamini-Hochberg FDR 修正防止鬼因子。

输入要求：A 股股票代码（如 600519.SH、000001.SZ）、目标回看窗口、研究深度（fast / deep / ultra） 输出效果：当日 IC、换手、Top20% / Bottom20% 五分组净值、期限曲线、逐年 / 滚动监控 适用场景：

个人量化研究员想要一个"A 股友好 + 审计可追溯"的因子库
私募 / 资管研究团队希望把现有研报工作流结构化、可复现化

场景三：审计级多 Agent 投研报告

模拟盘截图 2

功能说明：services/research 启动 6 位分析师（技术 / 基本面 / 情绪 / 反向多头 / 反向空头 / 风险）并行调研同一只标的，仅在分析师意见分歧时触发多头 / 空头 / 风控三方法庭辩论。辩论使用 Jaccard 软早停机制，论点稳定后停止，完整决策链持久化以便事后复盘。

输入要求：股票代码 + 研究日期 + 研究深度（fast / deep）+ 可选投资大师面板（Buffett / Lynch / Wood / Burry / Druckenmiller / Marks） 输出效果：六份分析师报告 + 辩论记录 + 最终综合判断 适用场景：

投研团队希望用 LLM 替代"实习生读财报、写日报"
教学场景：演示"多视角分析"如何在不让人为偏差掩盖盲点的前提下形成结论

场景四：A 股 Baostock 点时间合规研究

风控仪表盘

功能说明：A 股数据走 Tencent HTTPS（行情）+ Baostock（基本面 / 日历 / 成分股）。基本面数据按实际公布日期做点时间（PIT）过滤，避免使用"未来才公开的财务数据"做研究。GET /fundamentals?as_of= 端点对上游回溯修订透明——口径已经固定到 as_of，事后修订值不会污染历史回测。忠实声明：yfinance v1 路径尚未实现 PIT，README 明文标注——这是项目主动承认的局限性。

输入要求：market=a-shares、as_of 截止日期、股票代码 输出效果：按 PIT 过滤的财务字段、历史日历对齐、成分股变更记录 适用场景：

A 股基本面研究、数据回测、研报复现
想用"开源数据 + PIT 严谨"替代 Wind / iFind 但保留合规性

用户群体总结

✅ 量化研究员：79 因子 + 时序 IC 排序 + 多 Agent 辩论是日常工具
✅ 量化团队 Lead：需要"AI 加速 + 工程纪律"平衡的团队
✅ AI Agent 工程化学习者：学习如何用钩子 / 权限 / 签名令牌把 LLM 关进笼子
✅ 教学 / 培训：完整的 Docker 自托管 + 审计链 + 决策持久化
❌ 不适合：需要直接对接券商实盘（项目明确 out of scope）、需要 tick 级高频数据、需要私有部署且断网运行

💰 定价方案

inalpha 完全免费 + 开源（AGPL-3.0）

关于商用 / 二次分发： AGPL-3.0 要求任何修改 inalpha 并通过网络服务对外提供的项目，必须按 AGPL-3.0 公开完整对应源码。如果要做完全闭源的 SaaS 商业化，需走双重许可路径并发起 issue 协商。

运行成本（自托管）：

LLM API 调用费（DeepSeek v4-pro / Claude Opus 4.8 / GPT-5.5 旗舰默认）
服务器 / 容器成本（推荐 8GB+ 内存运行 5 个 Python 微服务）
完全离线： Ollama + 本地 llama4 也可以（已写入默认 provider 矩阵）

💡 0 成本起步：Docker 自托管 + Ollama 本地模型可以做到完全离线运行（适合学习与研究）

🏗️ 技术架构亮点

① 钩子 / 权限 / 计划-执行分离

LLM 智能体在 services/orchestration（TypeScript）这一层运行，所有可能影响资金状态的副作用操作必须在计划阶段被声明，由机器审批后才在执行阶段落地。权限在 config/permissions.default.yaml 中以 allow / ask / deny 三态显式声明，不写在提示词里。

② Ed25519 单次签名授权

services/evolver 在批准策略代码改动提案时，铸造一次性使用、TTL 受限的 approval_token：

# 凭据绑定字段
{
    "owner_id": "user-uuid",
    "operation_id": "evo-2026-08-30-001",
    "as_of": "2026-08-30T00:00:00Z",
    "request_cost_estimate_usd": 0.43,
    "frozen_llm_snapshot_hash": "sha256:abc...",
}
# Ed25519 签名后下发给 evolution service
# 服务执行后凭据立即撤销，不存在"先批准，后复用"

核心安全设计：LLM 永远不在订单执行路径上——这是与传统"自动交易 Agent"框架的根本差异

③ 多层过拟合防御

阶段	防御手段
回测验证	组合式净化交叉验证（CPCV）+ 通胀夏普比率（DSR）+ Bootstrap 置信区间
因子筛选	Null-IC 基准 + Benjamini-Hochberg FDR 修正 + 经济故事闸 + ρ<0.85 去相关
策略进化	多目标适应度 + 买入持有基线竞速
前瞻防御	A 股 Baostock PIT + FRED 公布延迟表 + K 线截断到 `as_of`

④ 冻结快照可复现

每一条因子挖掘运行、每一次策略进化运行、每一条 LLM 调用都冻结以下元数据：

as_of 时间戳
收盘数据集清单 + 哈希
种子来源、基线、候选源码 / diff
评估快照
非敏感的 LLM / Provider / 定价元数据

用户加密的 API Key 仅对该所有者解析，绝不存入运行记录。

🎯 总结

inalpha 是一个把"LLM 智能体加速投研"这件事工程化到极致的开源框架——它没有"AI 选股"的许诺，但它解决了比"AI 选股"更重要的事：当 LLM 进入金融工作流时，如何让它在加速研究的同时永远不直接碰订单。

核心价值不在"AI 更聪明"，而在"AI 更可控"：LLM 写入的是策略代码、输出的是研究辩论、签名的是执行凭据，但下单的最后一公里始终由机器接管。

推荐指数：⭐⭐⭐⭐（4/5）

适合人群： 量化研究团队、AI 工程化研究者、A 股基本面研究个人/团队、教育与培训场景

立即体验：

GitHub: https://github.com/mirror29/inalpha
控制台自托管：bash scripts/selfhost.sh up → http://127.0.0.1:3001

数据截至 2026-08-30，2026-08-28 仍在活跃提交，最新信息请以 GitHub 仓库与官方文档为准。

本文仅作技术架构介绍，不构成投资建议。量化策略存在显著风险，回测结果不代表未来收益。A 股市场受政策、T+1、涨跌停等多重约束，任何开源工具都需先在模拟环境充分验证再考虑下一步。

配套媒体