量化研究员和量化爱好者群体快速增长，但他们普遍面临一个共性痛点："想策略的时间被写代码的时间吃掉了"——脑子里有清晰的策略 idea，但每次都要写一遍 Backtrader 的模板代码、查一遍 akshare 的接口、调一遍参数，重复劳动严重；而新手则更进一步，懂策略逻辑但代码不熟，每次都要在 Stack Overflow 和文档之间来回切换。
通用 LLM（如 ChatGPT、Claude）虽然能写代码，但生成的量化代码常常带有领域特有的隐蔽 bug——最典型的是 lookahead bias（前视偏差），用了未来才知道的数据导致回测看起来年化 80%、实盘亏穿。
本项目目标：构建一个面向量化场景特化的 coding agent，让用户用自然语言描述策略思路，系统自动生成可运行代码、自动调用回测引擎、自动检测 lookahead bias 等量化特有 bug、自动修复并重新跑通，把"想策略 → 看回测结果"这个闭环压缩到分钟级。
系统由 Agent 编排层、量化工具层、模型适配层、用户交互层四大模块构成：
1）自然语言策略输入：用户用日常语言描述策略思路（"做一个 20 日均线突破买入、跌破 10 日均线卖出的策略"），无需写任何代码。
2）策略代码自动生成：基于 Coding Agent（OpenCode / Claude Code SDK / Aider 多底座可选）+ 量化领域 system prompt + 50+ 策略代码模板的 few-shot examples，生成 Backtrader 风格的可运行 Python 代码。
3）lookahead bias 自动检测：Python AST 静态分析，检测代码中是否存在 .shift(-1) / .iloc[i+1] / .future() 等"看未来"操作，违规自动拦截并修正。
4）数据源自动接入：内置 akshare / tushare / 东方财富三个数据源的工具调用接口，agent 根据策略需求自动选择和拉取。
5）回测引擎自动执行：基于 Backtrader 的标准化回测调用，支持手续费 / 印花税 / 滑点的完整模拟，输出累计收益、年化收益、夏普比率、最大回撤、IC / IR 等完整指标。
6）Self-Debug Loop：回测报错或指标异常时，agent 自动诊断问题（语法错误 / 数据问题 / 逻辑问题）、自主修改代码、重新跑通，最多 5 轮迭代后无解才回退给用户。
7）多 LLM 切换：Claude / GPT / Gemini / DeepSeek / 本地 Ollama 配置文件一行切换，BYOK 模式可控成本。
8）结果可视化：净值曲线、回撤曲线、月度收益热力图、交易记录明细。
9）策略管理：历史策略保存、对比、参数调优。
系统由 Agent 编排层、量化工具层、模型适配层、用户交互层四大模块构成：
1）自然语言策略输入：用户用日常语言描述策略思路（"做一个 20 日均线突破买入、跌破 10 日均线卖出的策略"），无需写任何代码。
2）策略代码自动生成：基于 Coding Agent（OpenCode / Claude Code SDK / Aider 多底座可选）+ 量化领域 system prompt + 50+ 策略代码模板的 few-shot examples，生成 Backtrader 风格的可运行 Python 代码。
3）lookahead bias 自动检测：Python AST 静态分析，检测代码中是否存在 .shift(-1) / .iloc[i+1] / .future() 等"看未来"操作，违规自动拦截并修正。
4）数据源自动接入：内置 akshare / tushare / 东方财富三个数据源的工具调用接口，agent 根据策略需求自动选择和拉取。
5）回测引擎自动执行：基于 Backtrader 的标准化回测调用，支持手续费 / 印花税 / 滑点的完整模拟，输出累计收益、年化收益、夏普比率、最大回撤、IC / IR 等完整指标。
6）Self-Debug Loop：回测报错或指标异常时，agent 自动诊断问题（语法错误 / 数据问题 / 逻辑问题）、自主修改代码、重新跑通，最多 5 轮迭代后无解才回退给用户。
7）多 LLM 切换：Claude / GPT / Gemini / DeepSeek / 本地 Ollama 配置文件一行切换，BYOK 模式可控成本。
8）结果可视化：净值曲线、回撤曲线、月度收益热力图、交易记录明细。
9）策略管理：历史策略保存、对比、参数调优。
评论