📌 项目地址：paperswithbacktest/awesome-systematic-trading | ⭐ 9,420 颗星 | 🔧 Python | 📜 未标注
这个清单到底装了什么
paperswithbacktest/awesome-systematic-trading 是一个 GitHub 仓库，star 数 9420。维护者把量化交易（系统化交易）需要用到的资源按类别整理成一个可浏览的目录。不是教程，不是框架，是一个搜索入口。
你可以在 README 里找到这些东西：
- 97 个库和包：回测框架、实盘交易、数据分析、机器学习、数据库等，大部分用 Python 写成。
- 40 多种交易策略：来源是学术论文和机构报告，按资产类别分类（股票、债券、商品、加密货币）。
- 55 本书：从入门到高频交易、机器学习、传记。
- 23 个视频/访谈
- 博客和课程
如果你想要自己实现策略，或者搭建交易系统，这个清单能帮你省掉大量瞎翻 GitHub 的时间。
怎么用这个清单：三个最常见的场景
场景一：找一个靠谱的回测框架
回测框架在 Libraries and packages -> Backtesting and Live Trading 下面。README 又分了三类：
- 事件驱动框架：
zipline（Quantopian 遗产）、backtrader（Python，15400+ star）等。 - 向量化框架：
vectorbt（Python，4600+ star）、bt（Python，2500+ star）。 - 加密货币专用：
freqtrade（32k star）、jesse（5k star）、leeks（Leek Wars）。
每个框架都标注了 star 数和语言，你直接点链接跳过去看文档就行。注意：README 不提供任何安装命令，你需要自己去各仓库看 README。
我试了下，想找加密货币机器人，freqtrade 是 star 最高的之一，支持币安、Coinbase Pro 等交易所。jesse 则侧重研究到实盘的一体化。选哪个看你自己更看重社区规模还是架构现代性。
场景二：学习一个具体策略
Strategies 部分按资产类别分组。比如要学 商品期货动量策略，在 Commodities 下找到 “Commodity Futures Investing with Momentum”。旁边注明了出处（通常是论文或机构报告）。你点进去就能读到核心思路。
这些策略描述通常很简略（一两行），相当于一个引子。真的要实现，得自己去找原文或者看 paperswithbacktest.com 上的 Python 实现（维护者运营的网站，跟仓库互补）。
场景三：选一本入门书
Books -> Beginner 列了几本公认的经典，比如 Robert Carver 的《Systematic Trading》，Ernest Chan 的《Algorithmic Trading》。每本书都附了简短说明和适合人群。如果你刚起步，直接从这里选一两本读，比盲目搜“量化交易书单”靠谱。
这个清单跟其他 Awesome 清单有什么区别
- 只筛选量化交易相关：其他 Awesome 清单往往涵盖整个金融科技或数据科学，混着很多跟交易无关的东西。这里去掉了无关通用库，只留对系统化交易有帮助的。
- 分类颗粒度细：回测框架分事件驱动和向量化，策略按资产和学术来源分。你找东西时不会一头雾水。
- 有配套网站延伸：
paperswithbacktest.com提供了 Python 实现的策略教程，是仓库内容的具体化。如果你想看代码而不是论文，可以去那。
用之前先知道这几点
- 内容有时效性：清单由社区维护，有些库可能已停止更新。用之前确认一下仓库的最后 commit 日期。
- 没有统一的安装指南：每个工具各有各的文档。这个清单只是目录，不是教程。
- 策略仅供参考：列表里的策略来自论文或个人实现，不代表实盘就有效。回测和实盘差很远，别直接拿钱上。
- 许可证注意：仓库本身是 MIT，但每个资源有自己的许可证。商用前先查清楚。
如果你正在搭建量化交易的研究环境或实盘系统，这个清单值得收藏。建议先看 Backtesting and Live Trading 和 Strategies 两个板块，从自己熟悉的方向切入，再慢慢扩展。