AIAI 工具图鉴
← 返回全部文章
·约 10 分钟

FisherQuant

量化交易Agent
本文目录
  1. 🚀 什么是 FisherQuant？
  2. ✨ 核心模块一览
  3. 🛠️ 5 分钟看懂这套流水线
  4. 安装与本地预览
  5. 双轨策略核心代码结构
  6. 📊 与同类量化项目对比
  7. 💡 适用场景
  8. 1. 个人量化研究者的"AI 队友"
  9. 2. 量化内容的"可验证发布"
  10. 3. 团队协作的"流程健康 vs 投资效果"分离
  11. 用户群体总结
  12. 💰 开源与可复现性
  13. 🎯 总结

📌 核心价值：一个开源的 A 股量化研究 AI Agent 流水线，每天自动跑双轨策略+公开版本化结果，所有产物可追溯到具体交易日和运行编号。

真正"上得了 GitHub Pages"的研究操作系统：本地算、AI 标注、公开边界、白名单发布、单元测试全链路。

总控台

本文仅作技术架构介绍，不构成投资建议。股市有风险，投资需谨慎。

🚀 什么是 FisherQuant？

FisherQuant 是 fisher-admin 在 GitHub 上开源的 A 股量化研究 AI Agent 流水线（fisher-admin/stock-report，MIT 协议），把"每日市场裁决→策略打分→候选筛选→复盘研究"四个阶段全部代码化、版本化、公开化。

最特别的是它的公开边界设计：所有行情数据、财务数据、AI 原始分析只保存在本机；GitHub 只发布通过白名单校验的脱敏摘要；GitHub Pages 站点读取 data/latest/*.json，每条记录都带 trade_date / run_id / generated_at 三元组，可以追溯到具体哪一天哪一次运行。

GitHub stars License GitHub Pages

核心定位：把"研究操作系统"的概念开源——流水线代码、AI Agent、公开边界、单元测试一起发，且永远不接受自动下单权限。

✨ 核心模块一览

模块 路径 职责
调度编排 system/src/orchestrator/ 股票池筛选、双轨策略、推荐仓、评价合同、发布控制
因子工厂 system/src/factor_factory/ 时点股票池、因子面板、正式因子审计
回测适配层 system/src/stock_analyzer/ 基准选股、回测适配
公开边界 scripts/enforce_public_boundary.py 发布前合同校验、未来数据/代理数据拦截、白名单审计
静态前端 assets/scripts/v2/ GitHub Pages 渲染层（5 个页面）
单元测试 system/tests/ 流程健康、数据完整性、策略行为测试

市场行情驾驶舱

🛠️ 5 分钟看懂这套流水线

安装与本地预览

# 1. 克隆仓库
git clone https://github.com/fisher-admin/stock-report.git
cd stock-report

# 2. 本地预览 Pages（不需要任何行情账号）
python3 -m http.server 8080
# 打开 http://127.0.0.1:8080/
# 页面读取 data/latest/*.json 的版本化结果

# 3. 跑公开层回归测试
python3 -m unittest discover tests -p 'test_*.py' -v
node tests/render.test.mjs
node tests/dual-track-render.test.mjs

双轨策略核心代码结构

# 短线轨：三组影子组合，全部"只观察、不接自动下单"
SHORT_TRACKS = [
    "prebreakout_v43_control",   # 与生产 Top20 逐项校验
    "prebreakout_v43_top15",    # 限制行业集中度（≤3只/行业）
    "prebreakout_v44_balanced",  # 五类因子等权，禁读筹码字段
]

# 中期事件轨：仅处理当天新公告
MEDIUM_TRACK = "event_quality_drift_v1"   # 业绩预告35%+加速25%+ROE质量20%+估值保护20%

关键设计：所有策略结果只有通过 60 个成熟交易日 + 绝对/超额/风险/回撤/集中度五道门槛，才显示"影子晋级门槛通过"，即使通过仍无自动交易权限。

📊 与同类量化项目对比

维度 FisherQuant 闭源券商研究终端 普通开源回测框架
AI Agent 自动标注 ✅ 每个候选有 AI 风险提示 ❌ ❌
双轨并行验证 ✅ 短线 3 组 + 中期事件轨 部分 ❌
公开版本化结果 ✅ trade_date/run_id/generated_at 三元组 ❌ ❌
公开边界白名单 ✅ 13 项契约检查 + 私有字段自动擦除 不适用 ❌
自动下单 ❌ 永不开（强制"只观察"） ✅ 看实现
GitHub Pages 展示 ✅ 5 页静态站点 ❌ ❌
单元测试覆盖 ✅ 调度模块 112 项自动化测试 ❌ 看项目
开源协议 MIT 不开源 多为 Apache/MIT

💡 适用场景

1. 个人量化研究者的"AI 队友"

个股推荐决策中心

功能说明：每天盘前 08:15 自动跑事件轨，盘后 19:30 生成主报告、20:00 生成 AI 报告，每个候选都附 AI 整理的公告证据、冲突与风险说明（AI 不会改变排名或增删候选）。

输入要求：本机 Tushare 行情账号 + 自有数据库

输出效果：20 只候选 + AI 风险标注 + 三组影子组合盯市

适用场景：个人想搭一个"能跑起来的、不会乱下单的"研究系统

2. 量化内容的"可验证发布"

功能说明：所有公开页面读 data/latest/*.json，每个 JSON 带 trade_date / run_id / generated_at 三元组，运行编号可追溯到具体那次流水线。

输入要求：GitHub 仓库 + GitHub Pages 开启

输出效果：粉丝/读者可以点 GitHub Pages 看到每天自动更新的研究结论

适用场景：公众号/小红书博主想给粉丝一个"我的策略每天在跑"的公开证据

3. 团队协作的"流程健康 vs 投资效果"分离

功能说明：系统明确把"流程是否跑通"与"策略是否真的有效"分开管理——流程成功不再被当作策略有效；缺数据、代理数据、时间错位会让相应评价明确失败。

输入要求：在 docs/ARCHITECTURE.md 里有完整的评价合同

输出效果：发布层会把"流程健康但策略待验证"的状态如实展示，不造假曲线

适用场景：团队需要一套诚实的研究记录系统，而不是"看上去很美"的回测曲线

用户群体总结

  • ✅ 个人量化研究者：想要"能跑、不乱下单、有 AI 标注"的本地系统
  • ✅ 量化内容创作者：想要每天自动更新的可公开研究记录
  • ✅ 小团队量化协作：想要把流程健康和投资效果分开管理
  • ❌ 不适合：想要"一键躺赚"或"日内自动下单"的人——这套系统明确不接自动下单

💰 开源与可复现性

开源协议：MIT

公开边界设计（2026-08 重构后）：

  • 13 项 public-result-allowlist.txt 契约文件清单
  • 发布前自动扫描 JSON，删除本机路径、拒绝凭证字段
  • run_manifest.published 是公开发布事实的权威字段
  • 公开边界检查失败 → 拒绝提交或推送

AI 历史效果只接受分析日期与推荐日期相同的记录——未来日期回填永久排除，且所有输出固定 rank_change = 0（防止 AI"事后聪明"）。

这是目前 GitHub 上为数不多把"研究记录诚实性"做成强制契约的量化项目，比很多专业券商终端都严谨。

🎯 总结

FisherQuant 不是一个"帮你选股"的工具，而是一个让你能公开跑量化研究的开源操作系统。它把 AI Agent、双轨策略、公开边界、单元测试、GitHub Pages 静态站点一起搭起来，并且从制度上拒绝自动下单权限。

最值得借鉴的三点：

  1. 公开版本化：每个 JSON 都带 trade_date / run_id / generated_at 三元组，读者能验证"这条结论是哪天跑出来的"
  2. 公开边界白名单：13 项契约文件清单 + 发布前自动擦除，杜绝本机数据/AI 原文泄露
  3. AI 只整理证据、不改排名：候选筛选完全由因子和策略决定，AI 仅负责标注风险、附加公告证据、指出冲突

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群： 量化研究者 / 量化内容创作者 / 想搭诚实研究系统的团队

立即体验： fisher-admin.github.io/stock-report

GitHub 仓库： fisher-admin/stock-report

数据截至 2026-09-12，最新信息请以仓库 README 为准。