AI 量化研究框架

open-xquant 是中文友好的 AI 量化研究框架，面向 AI Coding Agent 和人类量化研究者，提供策略回测、因子研究、稳健性检验、审计报告与实盘交易工作流。

open-xquant 不是一个交易机器人，也不是替代研究判断的自动收益机器。它是面向 AI Agent 的 Agentic Quant Research Kernel：用声明式规格、确定性执行和可审计产物，把交易想法转化为可复现的量化研究流程。

open-xquant 定义与边界

open-xquant 的核心边界是把不稳定的策略描述收敛为结构化证据链。Agent 可以帮助提问、整理、审计和写报告；CLI / SDK 负责可重复的 validate、compile、backtest、audit、robustness、report QA 和实验登记。

框架目标不是更快生成更多策略，而是更快识别不可复现、未授权、数据泄漏或证据链断裂的回测结果。实盘相关能力需要明确凭据、账户、订单和风险确认，不会把回测信号直接变成无人值守订单。

从想法到最终候选

典型研究路径如下：

1. 交易想法进入 AI Agent 量化研究。
2. 想法和规格接受 量化回测审计。
3. 用户确认完整 strategy_spec.yaml 后进入 AI 量化回测。
4. 回测产物继续接受可复现审计、偏差审计和 量化策略稳健性检验。
5. 报告、对比和最终候选选择保留版本、运行、哈希和审稿证据。

真实架构图

<img src="/images/open-xquant-subagent-collaboration.png" width="1920" height="1080" alt="open-xquant 中协调 Agent、专业 SubAgent 与确定性量化研究内核的协作关系"

策略回测、因子研究、审计、稳健性与实盘工作流

• AI 量化回测：从授权过的 spec、spec audit 和 runtime audit 执行正式回测。
• AI 因子研究：区分横截面选股因子和时间序列择时因子，检查 forward return 对齐。
• 量化回测审计：检查想法、规格、运行语义、偏差和产物血缘。
• 量化策略稳健性检验：查看成本压力、参数扰动、样本外和行情状态分析。
• AI 量化实盘交易：说明 Alpaca paper / live 连接、订单确认和停止边界。

Agent Skills 分组入口

Agent Skills 索引 按研究治理、策略与审计、数据与因子、组件开发、执行与报告组织页面。常用入口包括 open-xquant AI 量化研究路由、授权量化回测执行、量化因子评估 和 实盘交易管理。

快速开始链接

• Human Guide：给人类用户看的安装入口。
• Agent Guide：给 AI Agent 执行的长期能力安装指南。
• GitHub 仓库：查看源码、示例和 issue。