程序员新手勇闯量化交易：如何用 Python 脚本跑通网格策略
文章作者分享了一名程序员利用 Python 从事量化交易的经历。文章指出程序员在编写代码、调用 API 和理解数据结构方面具备天然优势，并详细解读了网格交易、DCA、套利等核心概念。作者重点强调了手续费和滑点对收益的影响，推荐了零 Maker 费率的交易所 MEXC，并利用 CCXT 库实现了自动化策略。同时，作者分享了过拟合、延迟和风控方面的实战教训，建议新手从模拟盘起步，重视风控和数据分析。
相关文档
揭秘 Polymarket 百万美元收益机器人的 28 个底层工具
本文深度解析了一个在 Polymarket 上获利超过 100 万美元的自动交易机器人“Coinman2”的技术栈。文章详细介绍了利用 Claude (Anthropic) 等 AI 模型进行交易逻辑推理，并通过六个层级（大脑、编排、数据等）的 28 个工具构建完整系统的过程。核心策略在于捕捉 Polymarket 与 Binance 之间的价格滞后（套利机会），通过高频交易和严格的风控（如凯利公式）获利。
AI交易员第一步：用DeepSeek跑通量化交易
本文教程介绍如何用 DeepSeek V4 Pro 配合 Pi Agent、OKX Agent Skills 与 OKX CLI，在模拟盘上跑通加密货币量化交易全流程。内容涵盖环境安装与凭证配置、读取 BTC-USDT K线数据、用均线与 RSI、ATR 构建回测策略、创建 dry-run 脚本验证信号，以及最终由人工确认后执行小额模拟订单。文章强调安全边界：只用模拟盘、不碰真实资金、凭证不进入对话，并详细说明了防未来函数、手续费与滑点处理等回测细节。
套利不是印钞机：网格、马丁、预言机等等里面的坑
文章剖析加密货币套利策略的常见风险：网格策略在单边行情中会不断积累多空仓位导致爆仓；马丁策略在持续下跌时仓位指数增长、保证金耗尽；成交量大不代表盘口有人接盘，极端行情下做市商可能瞬间撤单引发连环清算。文章以Hyperliquid上trade[XYZ]合约为例，详解预言机价格、标记价格、成交价格的差异，休市时内部定价的平滑机制，以及2026年7月WTI周末价格发现边界的限制案例，并强调做每个新标的前必须重新检查价格规则、强平依据和退出流动性。
How To Use Kalman Filters To Build Adaptive Pairs Trading Strategies (Quant Framework)
本文介绍了如何使用卡尔曼滤波器构建自适应的配对交易策略。文章首先指出静态对冲比率在配对交易中的缺陷，然后详细解释了卡尔曼滤波器的数学原理和实现代码，包括状态方程、观测方程以及预测-更新过程。最后，文章提供了一个完整的Python实现，包括策略类、信号生成和回测功能，展示了卡尔曼滤波器如何动态调整对冲比率以适应市场变化。
不进 Jane Street 也能玩量化：用 AI + 免费开源工具搭交易系统
文章指出量化交易的门槛已从昂贵的数据和工具降至零，通过 OpenBB 获取数据、Qlib 进行研究、backtesting.py 进行回测等免费开源工具，普通人可搭建完整交易系统。文章强调量化本质是寻找统计规律而非预测，并需严格执行风控纪律，AI 可辅助研究和编程，但不可直接下达交易指令。
Auto-Quant 使用教程｜让 Agent 自动构建量化策略
Auto-Quant 是一个允许 Agent 自动构建和迭代量化交易策略的最小原型，灵感源自 Karpathy 的 Auto-Research。文章介绍了该项目的背景、测试效果及详细的运行教程，包括环境配置、使用 Claude Code 启动 Agent 的方法，以及如何监控实验进度。该项目证明了 LLM 在受约束的沙盒环境中具备进行高质量自主量化研究的能力。
最强AI交易机器人搭建指南：Opus 5.5 + Jev
作者介绍如何结合Anthropic最新Opus 5.5模型与TypeSafe AI推出的新型'System One'模型Jev，构建高频AI交易机器人。Jev不生成文本，而是对预设结果进行概率评估，速度和成本比GPT/Claude低200-400倍，响应仅70-500毫秒，非常适合高频和新闻交易。架构设计上，Opus 5.5负责策略设计与回测等高层思考，Jev作为决策层实时输出概率信号，配合止损止盈策略和交易所执行层完成交易。文章还涵盖技术部署（Alpaca纸面交易或VPS服务器）、策略挖掘方法论：大量回测、过滤幸存策略、前向测试、小资金实盘验证等步骤。
How to Build an AI Quant Research Team with Claude Code (Full Course)
本文是一篇完整教程，讲解如何将 Claude Code 打造为一个量化研究团队。作者指出单一聊天窗口无法进行诚实的量化研究，缺乏数据、算力、角色分离和记忆四大要素。通过 QuantGPT（基于 MCP 协议的终端工具），AI Agent 可以获得对冲基金级的数据仓库（消除幸存者偏差和前视偏差）、云端回测算力以及固定验证机制。文章详细介绍了如何搭建一个 5-Agent 研究团队：规划者、执行者、质疑者、记录员等角色分工协作，并给出 10 分钟内完成连接的具体步骤，最终让交易策略经受住未见数据的检验。
Minara + Jev：最强AI金融智能体完整搭建流程，带你一周跑出174%收益率
作者介绍了将 Minara 与 Jev 两个 AI 工具组合搭建金融交易智能体的完整流程。Minara 提供行情数据、Funding、OI、Smart Money、回测和执行等一体化金融基础设施，Jev 负责实时判断做多、做空或等待。工作流为：实时数据 → Jev 判断 → Minara 回测验证 → 风险过滤 → 执行。作者用 100U 本金在 7 天内跑出 174% 收益，强调 Jev 提出判断、Minara 验证策略是否有 Edge 的互补机制，展示了完整 AI Trader 的雏形，并计划后续分享搭建方法与配置。
ESP32 小智 AI 接入 MCP 实战全指南
本文系统介绍 MCP（模型上下文协议）的概念、架构与应用场景，并以 ESP32 小智 AI 为载体提供 MCP 接入实战教程。文章首先将 MCP 比作 AI 的 USB-C 接口，讲解客户端-服务器架构及个人助理、自动编码、智能家居控制等应用；随后分别说明开源版小智服务端（xiaozhi-esp32-server）和官网版接入 MCP 的前置条件与配置步骤；最后手把手演示如何基于 FastMCP 开发自定义 MCP 工具（如天气查询），涵盖项目结构、通信管道、工具注册与配置管理等完整流程，帮助开发者拓展 AI 的能力边界。
How to Use Opus 5.5 to Find Winning Trading Strategies 24/7
本文详细介绍了如何使用 Claude Opus 5.5 结合 Minara AI 平台，搭建一个全天候运行的量化交易策略研究体系。作者将 Opus 5.5 定位为'研究分析师'，凭借其 100 万 token 上下文和强推理能力负责阅读、研究、编写策略代码；Minara AI 则作为'交易大厅'提供实时数据、回测实验室、钱包与自动执行。文章提出八阶段循环框架：扫描、假设、编码、回测、风险审查、模拟盘、实盘、复盘，并逐一讲解 Harness、Chat、Strategy Studio、Autopilot 等核心功能的使用方法，强调模型推荐、人工批准的安全原则。
Agent 开发入门｜最小版的智能体 Supervisor
本文是 Agent 开发入门系列的实操篇，教读者用 88 行 Python 代码实现一个最小化的 Supervisor（主管）智能体。Supervisor 本身不干活，只负责拆任务、派活给手下 worker（coder 和 tester）、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异，详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念，并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明，最后引导读者扩展更多 worker 角色。
