如果你在 GitHub 上搜索”quantitative trading”，满屏高星项目。但真相是什么？我们花了数小时，把 Star 最高的 25 个量化投资项目一个个扒开——用15张图表，告诉你为什么开源量化模型普遍跑不通。
一、全景扫描：25个项目，五类存在
从 GitHub 按 Stars 排序抓取 “quantitative trading”、”stock prediction ML”、”reinforcement learning trading” 三个维度，去重后得到 25 个最高分项目。
分类：🔴 已死/已弃 8个(32%) | 🟡 教学/教育 9个(36%) | 🔵 活跃但有问题 7个(28%) | 🟢 真正能用 1个(4%)
Stars 排名与实际可用性完全无关。排名第3的 Stock-Prediction-Models（9,420⭐）早已死亡且充满数据泄露问题，而真正可用的 investing-algorithm-framework（1,381⭐）只有第20。
二、逐项深评：Top 项目的真实面貌
🥇 #1 je-suis-tm/quant-trading（10,241 ⭐）— 教学中可用
涵盖 VIX计算、形态识别、蒙特卡洛、期权策略等，但本质是策略集锦笔记本，没有统一回测框架和风控模块。评级：⭐⭐⭐ / 教学中可用 / 实盘中无用
🥈 #2 StockSharp/StockSharp（10,234 ⭐）— 架构最强
唯一有生产级架构的项目。可视化设计器、完整风控、实盘连接。但 C# 编写，与 Python 生态隔离。评级：⭐⭐⭐⭐ / 架构最强 / 生态孤岛
🥉 #3 Stock-Prediction-Models（9,420 ⭐）— 最危险
480个 Notebook 几乎每个都画出完美收益曲线。但存在严重数据泄露（Data Leakage）、过拟合天堂、零风控，2023年停更。评级：⭐ / 危险 / 教科书级反面教材
#4 QuantDinger（9,185 ⭐）— 增长最快但半成品
12个月增长最快，但前端未开源，17个Open Issues包括”开仓bug”等实盘问题。评级：⭐⭐ / 半成品 / 依赖作者
#5-#10 速评
| 项目 | ⭐ | 本质 | 核心问题 |
|---|---|---|---|
| tensortrade | 6.4K | RL框架 | 37 Open Issues，最后release是2020年 |
| fmzquant | 5.3K | 策略仓库 | 平台绑定，离开FMZ无用 |
| EliteQuant | 4K | 链接列表 | 不是代码，很多链接已404 |
| FinRL | 3.4K | 学术框架 | 论文导向，安装即地狱 |
| TradeMaster | 2.9K | 学术项目 | 基准测试，不是交易系统 |
| QuantMuse | 2.7K | AI系统 | 已停更，关键模块黑盒 |
散点图清晰显示：Stars 越高不代表越能用。高星项目落在”完全不可用”区间，可用项目Stars反而偏低。
三、五大核心限制：为什么普遍跑不通
🔴 限制一：生存者偏差——历史数据只有活下来的公司，0/25 项目处理。
🔴 限制二：回测≠实盘——滑点、手续费、流动性缺失，仅 2/25 有真实滑点模拟。
🔴 限制三：过拟合——模型拟合历史噪声而非信号，0/25 有防护机制。
🔴 限制四：依赖地狱——API变更+包版本漂移+数据源死亡，8/25 已跑不通。
🔴 限制五：分布漂移——市场Regime切换模型作废，仅1/25提到但未解决。
热力图红色方块=被忽视的维度。“生存者偏差””过拟合防护”列几乎全红——没有任何项目做了工作。
四、层层筛选：从25到1的残酷递减
最高星的三个项目中有两个已死亡或停更。GitHub Stars是”受欢迎度”指标，不是”可靠性”指标。
2017-2019年是量化开源爆发期，绝大多数2022年后停更。持续维护超3年的项目屈指可数。
五、缺陷统计与文档质量
18个没有风控模块，23个没有滑点模拟。绝大多数”量化交易系统”只是回测可视化工具。
最推荐的两个项目文档评分最高4星。所有已死项目不超过2星。
Python 占总量 60%+，但生态最大不等于项目最好。C# 的 StockSharp 反而是架构最强的。
六、真正能用的几个——以及为什么
🏆 StockSharp（10,234⭐）— 唯一生产级架构，代价是C#生态孤岛。
🏆 investing-algorithm-framework（1,381⭐）— 被低估的Python项目，事件驱动架构，积极维护中。
🏆 akquant（1,672⭐）— 中文生态首选，A股覆盖无出其右，Rust+Python混合。
🏆 MachineLearningStocks（1,951⭐）— 最佳入门，代码清晰，诚实标注”这只是教学”。
七、最终结论：不要信任何”开箱即用”
GitHub 上的开源量化模型，90% 不能用于实盘。剩下 10% 里，9% 勉强能跑但需大量改造。真正能直接用的，不到 1%。
- 32% 已死——pip install 失败。
- 36% 教学/学术——作者不指望你拿去交易。
- 28% 活跃但有问题——半开源/平台绑定/安装地狱。
- 4% 勉强可用——需懂代码、懂市场、愿投入时间。
五个根本限制：生存者偏差 → 回测≠实盘 → 过拟合 → 依赖地狱 → 分布漂移。没有一个开源项目能同时解决。
建议：学习用 MLStocks，搭建用 StockSharp/IAF，把”一键赚钱”的幻想丢掉。量化的本质不是代码，是对市场的理解。代码只是工具，把工具当答案是 GitHub 上最常见的错误——也是实盘亏损最快的路径。
调研日期：2026年7月4日 | 数据来源：GitHub Search API | 样本量：25个项目 | 方法：代码审查 + Issues 分析 + Commit 历史追踪 + 文档评估
免责声明：本文仅是对开源项目的技术评估，不构成任何投资建议。量化交易有风险。