Lumibot Python量化框架：一套代码从回测到实盘交易

做量化策略最烦人的环节，往往不是写策略本身。

你在 Jupyter notebook 里把回测跑通了，曲线看着也还行，准备接实盘的时候，突然发现要换一套写法。订单对象不一样，账户状态不一样，券商 API 又是一堆新坑。换个券商，基本就得重来一遍。

我刚注意到 Lumibot 时，先停顿在它那句介绍上：同一套策略代码，可以回测、纸面交易，也可以接真实券商跑。它不是只生成一张漂亮的历史收益图，而是把策略循环、经纪商状态、下单路径放在同一个框架里统一处理。

这对个人开发者来说相当务实。很多人写量化，卡住的并不是均线、因子或者 机器学习 模型，而是工程边角料：数据怎么接，订单怎么发，回测和实盘怎么对齐，日志怎么留，异常怎么查。

而 Lumibot 试图把这些脏活都收进 Python 框架里。

它覆盖的资产范围比较宽，股票、期权、加密货币、期货、外汇、指数都在项目介绍中出现了。券商和交易所这边，文档里列出了 Alpaca、Interactive Brokers、Tradier、Schwab、Tradovate、Coinbase、Kraken、KuCoin、Binance、Bybit、OKX 等路径。

看到这里，我反而更在意另一个东西：AI 代理。

Lumibot 并不是单独塞一个「问大模型要不要买」的按钮就完了。它把 agent 放进 Strategy 类里，能在交易循环中读取市场数据、查询财报、查看宏观指标、调用技术指标，也可以让多个模型围着同一笔交易做讨论。项目页里还提到 SEC 财报、FRED 宏观数据、本地记忆、Telegram 通知这些工具。

这就有点像把一个小型投研流程嵌进代码里了。

比如你原来有一套固定规则：价格突破、成交量放大、仓位控制。现在可以让 Python 继续管硬规则，让 AI 代理去补充研究部分：最近财报有没有异常？宏观环境是不是变了？这次信号是不是和历史样本差太远？决策过程也可以完整留下来。

这件事比「AI 自动炒股」几个字重要得多。因为实盘里最怕的就是黑盒。赚了不知道为什么赚，亏了也不知道从哪里开始偏掉。Lumibot 的思路是让 agent 调了什么工具、看了什么证据、最后为什么下单，全都能回头追溯。

安装倒不复杂，文档里给的是：

pip install lumibot

上手示例也从 Alpaca 纸面交易开始。文档自己也提醒，先用 paper trading 熟悉，不要一上来就拿真金白银往里冲。

当然，它不是给完全零基础的人准备的。你至少得能读 Python，知道策略循环怎么写，知道 API key、环境变量、数据源这些东西会在哪里出问题。AI 也不会替你承担风险，回测漂亮更不等于未来能赚钱。项目页底部把风险写得很直白：这不是投资建议，算法交易可能造成损失，软件 bug 也可能带来快速亏损。

但如果你已经在折腾个人量化系统，Lumibot 这种「回测到实盘同一份代码」的设计，确实能让你少走很多重复路。

GitHub 地址：Lumiwealth/lumibot