97 個工具、40 種策略的 Sharpe 值，全部攤在一個 GitHub 頁面上。過去這是對沖基金研究部門才有的清單。
一句話結論：量化交易開源工具現在有一份 12,436 星的公開總表 awesome-systematic-trading，收錄 97 個套件、40+ 個標好 Sharpe 值的策略、55 本書；散戶缺的已經不是工具，是資料品質和紀律。
本文數據截至 2026 年 8 月 2 日，星數與內容以 GitHub 頁面即時狀態為準。
awesome-systematic-trading 到底收了什麼？
收了四大塊，全部免費、全部有連結。這個 repo 由 paperswithbacktest 團隊維護，2026 年 8 月 2 日單日增加 523 顆星，累計 12,436 顆。
| 類別 | 數量 | 裡面有什麼 |
|---|---|---|
| 套件與函式庫 | 97 個 | 回測框架、實盤交易機器人、技術指標、選擇權定價、投組優化、資料來源 |
| 策略 | 40+ 個 | 來自機構與學術論文，每個標了 Sharpe ratio、波動率、再平衡頻率、原始論文連結 |
| 書單 | 55 本 | 分成新手、程式、加密貨幣、高頻交易、機器學習五類 |
| 影片與訪談 | 23 支 | 另外還有 blog 清單與線上課程清單 |
它的價值不在「又一個 awesome list」。價值在分類方式是照量化交易的實際工作流排的：從資料來源、回測、指標、風險、投組優化，一路排到實盤下單的 broker API。你按著順序看下來，等於看完一個量化團隊的完整技術棧。
README 有簡體中文版入口，看英文吃力可以直接切。
散戶為什麼該在意一份「工具清單」？
因為它把「你不知道你不知道什麼」這件事解掉了。
多數人自學量化的第一年，一半時間花在找工具、試錯、發現這個套件三年沒更新、換下一個。這份清單直接告訴你同一個需求下有哪幾個選項、各自的定位差在哪、星數多少。找工具的時間從幾個月壓到一個下午。
但要說清楚：工具門檻歸零，不等於獲利門檻歸零。清單解決的是「我該用什麼」，解決不了「我該做什麼」。後面那半才是真正難的部分，下面會講。
40 種策略的 Sharpe 值，實際上告訴了我們什麼？
告訴我們一件很多人不想聽的事：學術界公開的策略，Sharpe 值大多在 0.1 到 0.9 之間，沒有一個超過 1。
以下是這份清單裡 Sharpe 值排前段的幾個，數字全部來自 repo 的公開表格（歷史回測值）：
| 策略 | 資產類別 | Sharpe | 波動率 | 再平衡 |
|---|---|---|---|---|
| Overnight Seasonality in Bitcoin | 加密貨幣 | 0.892 | 20.8% | 盤中 |
| Asset Growth Effect | 股票 | 0.835 | 10.2% | 年 |
| Short Term Reversal Effect in Stocks | 股票 | 0.816 | 21.4% | 週 |
| Reversal During Earnings-Announcements | 股票 | 0.785 | 25.7% | 日 |
| Size Factor（小型股溢酬） | 股票 | 0.747 | 11.1% | 年 |
| Rebalancing Premium in Cryptocurrencies | 加密貨幣 | 0.698 | 27.5% | 日 |
| Paired Switching | 債券／股票 | 0.691 | 9.5% | 季 |
三個要看懂的重點。
第一，Sharpe 0.9 不是「很弱」，是「很正常」。Sharpe 衡量的是每承受一單位波動換到多少超額報酬。長期實測能穩定站上 1 的策略非常稀少，宣稱 Sharpe 3、5 的多半是過度擬合，或者回測期短到沒有意義。這份清單沒有粉飾這件事，反而把負值的策略也照樣列出來——榜上有好幾個 Sharpe 是負的。
第二，這些是回測值，不是未來報酬。論文發表之後，策略被大量資金複製，超額報酬通常會衰減。學術上稱為 post-publication decay，這是被反覆驗證過的現象。看到 0.892 就照抄，等於買在一個已經被公開很多年的東西上。
第三，波動率欄位比 Sharpe 更值得先看。Rebalancing Premium 的 Sharpe 0.698 看起來不錯，但波動率 27.5%——意思是這條路上會有讓你半夜睡不著的回檔。同樣 Sharpe 水準下，Paired Switching 的波動率只有 9.5%。散戶最常死在「策略沒問題，但我在最糟的時候停掉了」。
一個 Sharpe 0.5、你能抱三年的策略，實際結果會贏過一個 Sharpe 0.9、你三個月就放棄的策略。
另外要提醒：repo 裡的策略清單目前已經標註搬遷到團隊自己的網站 paperswithbacktest.com，GitHub 上保留的是舊版表格。想看完整實作要跳站，那邊有部分內容是付費的。
玩加密貨幣的話，先看哪幾個工具？
清單裡有獨立的加密貨幣區塊。以下五個是實際使用率最高、社群最活躍的：
| 工具 | 一句話定位 | 適合誰 | 要不要寫程式 |
|---|---|---|---|
| ccxt | 一套 API 打通 100+ 交易所，統一介面 | 所有人的地基 | 要（Python／JS／PHP） |
| Freqtrade | 免費開源加密貨幣交易機器人，內建回測、繪圖、資金管理，可用 Telegram 遙控 | 想跑自動化策略的個人 | 基礎 Python |
| Jesse | 把「定義策略」這件事簡化到極致的框架 | 策略想法多、不想搞架構 | 基礎 Python |
| Hummingbot | 做市（market making）專用 | 想賺價差不想賭方向 | 設定為主 |
| Cryptofeed | 交易所 WebSocket 即時行情與訂單簿接收 | 需要 tick 級資料的人 | 要 |
順序建議：ccxt 先裝，因為不管你之後用哪個框架，資料跟下單幾乎都會經過它。它是這個生態的水電。
股票或多資產的話，清單裡的三個重點是 OpenBB Terminal（開源版彭博終端機）、QLib（微軟出的 AI 量化投資平台）、FinRL（把深度強化學習用在量化金融的框架）。QLib 跟 FinRL 都需要相當的機器學習底子，不是第一站。
完全新手，第一週該怎麼開始？
不要從策略開始，從「把一張圖畫出來」開始。以下五步，每步都能在一個晚上做完。
- 裝 Python 環境——Anaconda 或直接 python.org 都行，先確保
pip install跑得動。 - 用 ccxt 抓一次資料——裝好之後抓某個交易對過去一年的日 K，存成 CSV。目標只有一個：親眼看到資料長什麼樣。
- 用 backtesting.py 跑第一個回測——清單裡最輕量的回測框架，官方範例十幾行就能跑完一個均線交叉。目的不是賺錢，是理解回測的輸入輸出。
- 用 QuantStats 產一份績效報表——一行指令產出年化報酬、最大回撤、Sharpe、月報酬熱力圖。這一步會讓你第一次「看懂」自己的策略。
- 回頭讀策略表格，挑一個複製——選波動率最低的那個，不是 Sharpe 最高的那個。跑出來的結果跟論文對不上是正常的，找出為什麼對不上，才是真正的學習。
整個過程不需要花錢。第 5 步做完，你對量化的理解會超過 90% 只看 YouTube 的人。
我到底該從哪個工具入手？
選兩個條件，下面直接給你組合：
這份清單有什麼缺點？
三個，都要先知道再進去，不然會浪費時間。
一、部分項目已經沒人維護。README 自己就承認交易機器人那一區「有些很舊、已經不再維護」。Zipline、Quantopian 相關的東西尤其明顯，Quantopian 已經收攤多年。點進去先看最後一次 commit 的日期，超過兩年的直接跳過。
二、策略區已經搬站，而且部分付費。GitHub 上的策略表格是舊版快照，完整實作要去 paperswithbacktest.com。這是合理的商業模式，但要知道 GitHub 這份不是最新的。
三、它不教你資料品質。整份清單裡最缺的一塊是「怎麼確認你的資料沒問題」。倖存者偏誤、除權息調整、前視偏誤（look-ahead bias），這幾個坑會讓一個看起來 Sharpe 2 的回測在實盤變成負的。清單給了工具，沒給防呆。這件事得自己補。
有沒有其他選擇？
有，看你缺哪一塊：
- 只想要一個能用的介面，不想組零件 → OpenBB Terminal 單獨用就夠，它本身已經整合了大部分資料源。
- 想要有人帶著走完整流程 → 清單裡的書單挑 Robert Carver 的《Systematic Trading》，pysystemtrade 就是那本書的程式實作，書和碼可以對著看。
- 只想學 AI 用在金融上 → 直接去 QLib 和 FinRL 的官方文件，這份清單在機器學習那塊只列了名字，深度不夠。
- 完全不想寫程式 → 誠實講，那量化不是你現在該碰的東西。先把資產配置和風險控制搞懂，效益比硬學程式高得多。
學完這些能拿來做什麼？
講實際的。多數人學量化的產出不是「靠策略發財」，而是這三件事：
第一，把自己的交易系統化。你原本憑感覺做的決定，變成寫得出來的規則。光是這一步就會讓你發現自己以前有多少次是在盤中亂改主意。這件事的價值不是多賺，是少虧。
第二，把技能換成收入。會用 Python 抓金融資料 + 產出績效報表，這組技能在接案市場上有明確需求：幫人做投資組合分析、做資料視覺化、寫爬蟲抓產業數據。清單裡的工具全部免費，但用它們做出來的東西可以收費。
第三，看得懂別人在賣什麼。當你自己跑過回測，就會知道那些宣稱「年化 300%、勝率 95%」的訊號群組在哪裡動了手腳。這份清單最實在的用途，可能是幫你省下被割的那幾筆錢。
常見問題
Q：完全不會寫程式，可以用這份清單嗎？
可以，但用法不同。清單裡的書單、影片、課程區塊不需要程式基礎，OpenBB Terminal 和 Hummingbot 也有圖形介面。套件那 97 個絕大多數需要 Python。
Q：這些工具真的完全免費嗎？
GitHub 上的套件本身免費開源。但實際跑起來會有其他成本：資料源（免費資料通常有延遲或缺漏）、伺服器（跑實盤要 24 小時開機）、交易手續費。策略區搬到 paperswithbacktest.com 之後，部分內容需要付費。
Q：Sharpe ratio 多少才算好？
長期實盤能穩定維持 1 以上就是很好的水準。這份清單裡公開策略的 Sharpe 集中在 0.1 到 0.9。看到宣稱 Sharpe 3 以上的，先問回測期多長、有沒有計入手續費和滑價。
Q：直接照抄清單裡 Sharpe 最高的策略可以嗎？
技術上可以，但這些是已公開多年的學術策略，發表後超額報酬通常會衰減。而且表格上的數字是特定回測期的結果，換一段時間、換一個市場，數字會不一樣。把它們當成學習素材比當成獲利公式合理。
Q：加密貨幣和股票，哪個比較適合新手做量化？
加密貨幣的資料取得比較容易（交易所 API 大多免費開放、24 小時交易、歷史資料完整），這點對練習有利。但波動也大得多。股票的資料品質問題（除權息調整、下市股票）反而比較容易踩坑。
結論
awesome-systematic-trading 值得存書籤，但存書籤沒有用。
真正會拉開差距的，是有沒有照著上面那五步走完一次——抓資料、跑回測、看報表、複製一個策略、找出跟論文對不上的原因。走完的人會發現一件事：工具早就不是瓶頸了，瓶頸是你願不願意接受一個 Sharpe 0.5 的答案。
機構的武器庫確實被攤開了。但武器攤開跟會用武器，中間隔的是幾百個小時。
→ awesome-systematic-trading GitHub 頁面
免責聲明：本文為開源工具介紹與資訊整理，不構成任何投資建議、要約或推介。文中所引用的 Sharpe ratio、波動率等數字均為 awesome-systematic-trading 公開表格所載之歷史回測結果，回測績效不代表未來報酬，亦不保證任何獲利。量化交易涉及程式風險、資料風險與市場風險，加密貨幣波動性尤高，可能導致本金全部損失。任何投資決策請自行評估並自負盈虧，必要時諮詢合格專業人士。作者與本站不對讀者依本文所為之任何決策負責。
發表迴響