ไลบรารีแนะนำ
จัดกลุ่มตามอนุกรมวิธาน Awesome AI4Finance ขยายด้วย Tech Stack และบล็อกของเรา คะแนนสะท้อนคอลัมน์ “Recommendation” ของรายการนั้น (การคัดสรรของชุมชน ไม่ใช่คำแนะนำด้านประสิทธิภาพ)
Awesome AI4Finance — โครงสร้าง หมวดหมู่ และคะแนน 1–5 เป็นไปตามรายการที่ดูแลโดยชุมชนด้านล่าง เราเพิ่มส่วนพิเศษสำหรับเครื่องมือโครงสร้างพื้นฐานและการวิจัยที่เราอ้างอิงบน MarketMaker.cc
คะแนน 1–5 = ความแข็งแกร่งของสัญญาณในรายการ Awesome (กระบวนการรีวิวรายสัปดาห์ที่อธิบายไว้ที่นั่น) จำนวนดาว GitHub เป็นค่าโดยประมาณ—ตรวจสอบแต่ละ repo สำหรับตัวเลขล่าสุด
Financial Big Data
แหล่งข้อมูล
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| FinRL-Meta | 1.8k | ★★★★★ | เมตาเวิร์สของตัวจำลองตลาดสำหรับ DRL—หุ้น, คริปโต, FX, ตัวเชื่อมต่อแบบกระดาษและแบบสด |
| CCXT | 41.8k | ★★★★★ | API ตลาดแลกเปลี่ยน REST/WebSocket แบบรวมศูนย์ใน JS/Python/PHP—พื้นฐานสำหรับต้นแบบการเชื่อมต่อคริปโตจำนวนมาก |
| StockSharp | 9.7k | ★★★★ | สแตกที่เน้น C# สำหรับหุ้น, FX, คริปโต และออปชัน พร้อมเครื่องมือกลยุทธ์ |
| TuShare | 14.7k | ★★★ | การเข้าถึงข้อมูลหุ้น A-share ของจีนและข้อมูลมหภาค—มีประโยชน์เมื่อจักรวาลของคุณรวมหุ้นจดทะเบียนในจีนแผ่นดินใหญ่ |
| yfinance | 22.9k | ★★★ | อนุกรมเวลาย้อนหลังจาก Yahoo Finance อย่างรวดเร็ว—เหมาะสำหรับการร่าง ไม่ใช่ SLA ของผู้ให้บริการ |
| Binance public APIs | 3.0k | ★★★ | การนำไปใช้อ้างอิงและเอกสาร API สำหรับหนึ่งในพูลสภาพคล่องคริปโตที่ลึกที่สุด |
| Alpaca (Marketstore) | 1.7k | ★★★ | ที่เก็บข้อมูลตลาดแบบคอลัมน์พร้อม API นายหน้าสำหรับเวิร์กโฟลว์หุ้น/คริปโตแบบกระดาษและแบบสด |
| WRDS | 155 | ★★ | รูปแบบการเข้าถึงข้อมูลเชิงวิชาการสำหรับสมาชิก Wharton Research Data Services |
ฟีเจอร์และตัวชี้วัดทางเทคนิค
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| TA-Lib | 11.9k | ★★★★★ | องค์ประกอบพื้นฐานของตัวชี้วัดทางเทคนิคมาตรฐานอุตสาหกรรมสำหรับไปป์ไลน์ฟีเจอร์ |
| Clairvoyant | 2.4k | ★★★ | การติดตามสัญญาณทางสังคม/ประวัติสำหรับการทดลองหุ้นระยะสั้น |
| FinanceDatabase | 7.4k | ★★★ | เมตาดาตาของสัญลักษณ์ครอบคลุมหุ้น, ETF, กองทุน, FX, คริปโต และตลาดเงิน |
Artificial Intelligence
แมชชีนเลิร์นนิง
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| Machine Learning for Trading (book repo) | 17k | ★★★★★ | โค้ดประกอบหนังสือของ Stefan Jansen—เวิร์กโฟลว์ ML แบบครบวงจรสำหรับการวิจัยการเทรด |
| Qlib | 40.6k | ★★★★ | สแตกเชิงปริมาณที่เน้น AI ของ Microsoft: ข้อมูล, โมเดล และการทดลองในชุดเครื่องมือเดียว |
| Stock-Prediction-Models | 9.3k | ★★★★ | คลังขนาดใหญ่ของโมเดลพยากรณ์แบบคลาสสิกและเชิงลึกสำหรับการเปรียบเทียบ |
| TF Quant Finance | 5.3k | ★★★ | องค์ประกอบพื้นฐาน TensorFlow ของ Google สำหรับการกำหนดราคาตราสารอนุพันธ์และการจำลอง |
| Adv_Fin_ML_Exercises | 1.9k | ★★★ | เฉลยแบบฝึกหัดที่เชื่อมโยงกับ Advances in Financial Machine Learning ของ Marcos López de Prado |
| AlphaPy | 1.7k | ★★★ | ยูทิลิตี้การสร้างฟีเจอร์ + การสร้างโมเดลที่มุ่งเป้าไปยังนักวิจัยแบบใช้ดุลพินิจและเชิงปริมาณ |
| fin-ml | 1.2k | ★★★ | โค้ดกรณีศึกษาสำหรับ “Machine Learning and Data Science Blueprints for Finance” |
Reinforcement learning
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| FinRL | 14.7k | ★★★★★ | ไปป์ไลน์ DRL เต็มรูปแบบสำหรับการเงิน—ข้อมูล, สภาพแวดล้อม, การฝึก และเรื่องราวการนำไปใช้งาน |
| ElegantRL | 4.3k | ★★★★★ | อัลกอริทึม RL บน PyTorch ที่ขยายได้พร้อมรูปแบบความยืดหยุ่นที่เป็นมิตรกับคลาวด์ |
| TensorTrade | 6.1k | ★★★★ | เฟรมเวิร์ก RL แบบโมดูลาร์สำหรับการฝึกและประเมิน Agent การเทรด |
| FinRL-Trading (ICAIF ensemble) | 1.3k | ★★★★ | กลยุทธ์ DRL แบบ ensemble พร้อมเส้นทางการทดลองเทรดสดที่เผยแพร่แล้ว |
| gym-anytrading | 2.4k | ★★★ | สภาพแวดล้อม Gym ขั้นต่ำสำหรับบทเรียน RL อนุกรมราคา |
Finance
การแนะนำหุ้น
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| Machine Learning for Stock Recommendation (IEEE) | 34 | ★★ | การนำไปใช้อ้างอิงสำหรับฐานการแนะนำแบบมีผู้สอนเชิงคลาสสิก |
การเทรด
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| HFT-LOB-Trading-ML | 2.3k | ★★★ | ฐาน ML ของ tick สมุดคำสั่งเต็มรูปแบบ—มีประโยชน์เมื่อศึกษาชุดข้อมูลที่เน้นโครงสร้างจุลภาค |
การจัดการพอร์ตโฟลิโอ
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| PyPortfolioOpt | 3.2k | ★★★★ | Mean-variance, Black–Litterman, HRP และตัวปรับให้เหมาะสมที่เกี่ยวข้องใน Python |
| OLPS | 358 | ★★ | อัลกอริทึมการเลือกพอร์ตโฟลิโอแบบออนไลน์สำหรับการเปรียบเทียบการตัดสินใจตามลำดับ |
การประมวลผลประสิทธิภาพสูง
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| NumPy | 31.8k | ★★★★★ | สแตก ndarray พื้นฐานสำหรับแทบทุกไลบรารีเชิงปริมาณของ Python |
แพลตฟอร์มการเทรด
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| QuantConnect Lean | 18.4k | ★★★★ | เอนจินเชิงอัลกอริทึมโอเพนซอร์สพร้อมการวิจัย, แบ็คเทสต์ และอะแดปเตอร์นายหน้าแบบสด |
การเรนเดอร์และการแสดงภาพ
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| TradingGym | 1.9k | ★★★ | การฝึก/แบ็คเทสต์ RL พร้อมตัวเชื่อมการเรนเดอร์ที่สมบูรณ์ยิ่งขึ้นสำหรับการวินิจฉัย Agent |
| mplfinance | 4.3k | ★★★ | กราฟแท่งเทียนและกราฟตลาดบน Matplotlib |
| Flowsurface | 1.5k | ★★★★ | แพลตฟอร์ม orderflow เดสก์ท็อปแบบเนทีฟโอเพนซอร์สใน Rust (Iced): DOM heatmap, footprint, time & sales และ depth ladder. Binance, Bybit, Hyperliquid, OKX, MEXC |
ฐานข้อมูล, API, การส่งข้อความ และไลบรารีการวิจัยที่เราใช้ในบทความและบนแลนดิ้ง—การคัดเลือกของกองบรรณาธิการพร้อมคะแนนแบบไม่เป็นทางการเพื่อการอ้างอิงเท่านั้น
Extended stack (MarketMaker.cc & blog)
ฐานข้อมูลอนุกรมเวลาและ OLAP
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| QuestDB / ClickHouse / DuckDB | — | ★★★★ | เอนจินแบบคอลัมน์สำหรับ tick, bar และการวิเคราะห์—กล่าวถึงในส่วน Tech Stack ของเรา |
API, RPC และการสตรีม
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| PostgreSQL + Hasura (GraphQL) | — | ★★★★ | API ข้อมูลที่มีการกำหนดประเภทบน Postgres—เข้ากับการจับคู่ GraphQL/Hasura บนแลนดิ้งของเรา |
| gRPC | — | ★★★★ | RPC แบบไบนารีระหว่างไมโครเซอร์วิส กล่าวถึงควบคู่ไปกับ WebSocket/OpenAPI ในโพสต์สถาปัตยกรรมของเรา |
| Redis | 73.8k | ★★★★ | แคช, pub/sub และสถานะร้อนในไปป์ไลน์การดำเนินคำสั่ง (บทความการสื่อสารข้อมูล) |
| Kafka | 32.4k | ★★★★ | การสตรีมเหตุการณ์ที่ทนทานสำหรับการกระจายข้อมูลตลาดและเซอร์วิสแบบอะซิงโครนัส |
การส่งข้อความความหน่วงต่ำ
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| Aeron | — | ★★★★★ | การส่งข้อความระดับไมโครวินาที—เจาะลึกบนบล็อกของเรา จับคู่กับระบบนิเวศ SBE/FIX |
การแบ็คเทสต์ ฟีเจอร์ และการวิจัย
| โปรเจกต์ | ดาว | คะแนน | คำอธิบาย |
|---|---|---|---|
| vectorbt / backtesting.py | 7.2k | ★★★★★ | ลูปการวิจัยแบบเวกเตอร์ VectorBT ครอบคลุมในบทความเฉพาะ |
| Numba | 11k | ★★★★ | การเร่งความเร็วแบบ JIT สำหรับลูปสไตล์ NumPy—แกนหลักของการแบ็คเทสต์แบบเวกเตอร์ที่รวดเร็ว |
| hmmlearn | 3.4k | ★★★★ | ฐาน HMM สำหรับการตรวจจับ regime—ใช้ในบทความการเทรดแบบปรับตัวของเรา |
| scikit-learn | 65.8k | ★★★★ | ฐาน ML แบบคลาสสิก, CV และไปป์ไลน์สำหรับการวิจัยอัลฟาแบบตาราง |
| Stable-Baselines3 | 13.1k | ★★★★ | อัลกอริทึม RL อ้างอิง (PPO, SAC, …) สำหรับต้นแบบการวิจัย |
| FinGPT / FinNLP (ecosystem) | 19.1k | ★★★★ | สาย LLM/NLP การเงินแบบเปิดสำหรับต้นแบบความรู้สึกและเอกสาร |
ภาพรวมเพื่อการศึกษา ชื่อบุคคลที่สามและคะแนนไม่ได้หมายถึงการรับรอง โปรดตรวจสอบใบอนุญาต ความหน่วง และการปฏิบัติตามข้อกำหนดก่อนใช้งานจริง