各位好，分享一个我最近在做的开源项目：GemStar
一句话介绍
FSM 驱动的多 Agent 日频 Pipeline ，每个交易日自动完成：数据质检 → 因子监控 → 策略生成 → 回测 → 评审。
解决什么问题
量化研究的日常流程其实很重复：拉数据、检查质量、跑因子、生成策略、回测、看结果。每天来一遍，人就麻了。
GemStar 把这个流程抽象成一个 14 状态的有限状态机（ DailyFSM ），用 7 个 LLM Agent 角色协作完成，后台 daemon 自动调度，交易日自动执行，失败自动重试。
架构设计
感知层: event_scanner + macro_analyst → 市场信号 + regime 判断
研究层: research_analyst + strategy_architect → 生成研究 ticket → 草拟策略 YAML
评审层: reviewer → 解读回测结果（纯建议，无决策权）
工程层: engineer + bugfix → 代码编写/修复（需人工批准）
Role / Provider / Skill 三层解耦：
- Role 定义在 YAML 里，配置用哪个 Provider 、加载哪些 Skill
- Provider 有 4 种：Anthropic API 、Claude Code 、Gemini CLI 、Codex CLI
- 切换 LLM 后端只改 YAML ，不改代码
闭环反馈：
- 策略生成是迭代循环：judge 拒绝 → 重新生成 tickets → 再试，直到收集够 candidate
- 故障有 7 状态 IncidentFSM 自愈：自动分类 → 重试/降级/人工介入
- 数据质量门可以硬停（ abort ）或降级运行（ degraded ）
回测引擎
不是玩具，认真做了 A 股约束：
- T+1 交割
- 创业板 20% 涨跌停（涨停不追买，跌停不卖出）
- 佣金万 2.5 + 印花税千 0.5 + 滑点万 5
- 最小交易单位 100 股
- 和聚宽（ JoinQuant ）做了 484 个交易日交叉验证，NAV 差异 0.0000%
快速开始
git clone https://github.com/JustHappyLab/GemStar.git
cd GemStar
uv sync
gemstar init # 生成配置
gemstar run # 跑一次 pipeline
gemstar start # 后台 daemon 自动调度
数据源用 Tushare ，LLM 用 Anthropic API （也支持 Claude Code / Gemini CLI / Codex CLI 切换）。
技术栈
Python 3.13 / PyTorch / Tushare / Anthropic SDK / Pydantic v2 / pandas
项目地址
https://github.com/JustHappyLab/GemStar
欢迎 star 、issue 、PR 。有任何问题可以直接回复讨论。
来源: v2ex.com查看原文