📌 项目地址：paperswithbacktest/awesome-systematic-trading | ⭐ 9,420 颗星 | 🔧 Python | 📜 未标注
📌 项目地址：paperswithbacktest/awesome-systematic-trading | ⭐ 9,420 颗星 | 🔧 Python
先看最有价值的部分：复现记录
这个仓库表面上是一个系统化交易资源合集，收集论文、软件、书籍、视频，帮人找到、开发和运行量化交易策略。但真正让它区别于其他 awesome 清单的，是 README 里那一段复现统计。
他们把 4,843 篇论文的策略实际编码、在完整历史数据上跑了一遍。结果：
- 复现后的夏普比率中位数是 0.37，只有 48% 的策略能通过 t 统计量 1.96 的检验。换句话说，一半的已发表策略在自己的样本上都无法和零区分开。
- 测试窗口中位数 34 年。一个策略需要大约
(1.96 / Sharpe)²年来自证，夏普 0.4 的策略需要约 24 年。 - 策略对 S&P 500 的 beta 中位数是 +0.17。剔除这层暴露后，信息比率中位数降到 0.21——已发表的“超额收益”里，有相当一部分只是指数暴露，不是技术。
- 在 2,838 篇发布日期前后都有数据的论文里，控制市场周期后，没有测得发布后的策略衰减，精度到每年 0.2 个百分点以内。
这段数据的价值在于给预期定锚。你在网上看到有人贴出夏普 2.0 的回测，先想想这个仓库的数字：整个已发表论文池的复现中位数是 0.37。方法细节和 caveats 写在他们的 wiki 上（paperswithbacktest.com/wiki），照例建议去读原文。
资源清单本身
具体内容：112 个库和包（死项目和休眠项目有标注）、来自已发表论文的策略（附各自编码运行后的夏普比率）、55 本书、22 个视频，外加博客和课程。有中文版 README。
112 个库的分类
类别划分：回测与实盘交易（下分事件驱动框架、向量化框架、加密货币）、交易机器人、分析（指标、指标计算、优化、定价、风险）、券商 API、数据源（通用和加密货币分开）、数据科学、数据库、图计算、机器学习、时间序列分析、可视化。
我觉得两个细节做得好：
一是回测框架拆成事件驱动和向量化两类。向量化框架适合研究阶段的批量运算，事件驱动框架逐笔模拟、更接近实盘逻辑。两种框架对应不同工作阶段，分开列能省掉选型试错。
二是死项目和休眠项目有标注。awesome 仓库的通病是链接失效、库停更，这里至少把状态标了出来。不过使用时还是建议核对一下目标库的最后提交时间，别只看 star 数。
策略按资产类别组织
多数策略清单按风格组织：趋势跟踪、均值回归、统计套利。这个仓库按资产类别分——股票、债券、大宗商品、外汇、加密货币。
这个分法更符合实际工作顺序。做交易的人先定市场，做股票还是做加密货币，这个决定直接影响后面用什么数据源、什么回测框架、什么券商 API。做股票的直接翻 Equities 类目，每个策略后面跟着复现出来的夏普比率，可以直接和上面那段统计对照着看。
书单
55 本书，README 列了 Beginner 等分类。刚入门的从入门类目读起，搭好术语体系，再看视频和课程。
怎么用这个仓库
已选定市场的，路径很清晰：到对应资产类别看策略论文 → 到回测框架列表选实现工具 → 到数据源类目补数据 → 需要接实盘就查券商 API 类目。整条链路在一个仓库里走完。
还没选市场的，先读那段复现统计。它不会教你怎么赚钱，但能帮你校准对“已发表论文里的策略”的预期——这个校准本身就不便宜。