QuantHarness

一套工具，搞定量化模型标准化评测与对比

QuantHarness 是一个专注于量化模型评估与基准测试的开源工具库，旨在为量化投资研究和机器学习模型提供标准化的测试框架。它解决了量化研究过程中模型评估不一致、复现困难、缺乏统一基准的问题。核心能力包括：提供可扩展的评估流水线，支持多种数据源接入，内置常用金融指标计算，以及自动生成可视化报告。通过模块化设计，用户能够灵活组合数据、模型和评估策略，从而快速对比不同量化策略的表现。项目采用 HTML 语言编写，可能侧重于前端展示或文档，但核心逻辑应包含 Python 或相关后端组件。目前该项目处于成长阶段，社区活跃度中等，适合量化研究员、数据科学家和金融工程师使用。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2868

维护状态维护中

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队Y-Research-SBU

所属国家

官网地址

GitHubhttps://github.com/Y-Research-SBU/QuantHarness

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言HTML

技术栈/模型agentic-ai,large-language-models

GitHub 星标★ 2868

30天Star增速

HF 下载量

上线时间2025-07-10 00:00:00

最近更新2026-09-22 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：进阶约 15 分钟部署方式：本地安装 6 步

环境要求

Python 环境，可用 pip（可选 conda）安装依赖
已获取项目源码，根目录含 requirements.txt、trading_graph.py、web_interface.py、default_config.p
一个可用的 LLM API Key（默认模型 gpt-4o-mini / gpt-4o）
网络可访问 PyPI；安装 TA-Lib 时可能需要 conda

安装与启动步骤

1获取项目源码

README 节选未给出克隆命令，此处按项目 GitHub 地址拉取源码并进入目录。
```
git clone https://github.com/Y-Research-SBU/QuantHarness.git
cd QuantHarness
```
2安装 Python 依赖

在项目根目录执行，安装 requirements.txt 中的全部依赖（含 LangChain、LangGraph 等）。
```
pip install -r requirements.txt
```
3安装 TA-Lib（可选）

仅当安装 TA-lib-python 出错时使用；README 建议改用 conda-forge 渠道安装。
```
conda install -c conda-forge ta-lib
```
4配置 LLM API Key

可在 Web 界面中填写，或设置为环境变量；README 节选未给出具体变量名与命令。
5代码中调用分析

导入 trading_graph 模块、初始化 TradingGraph()，用 graph.invoke() 返回完整分析结果。
```
from trading_graph import TradingGraph

final_state = trading_graph.graph.invoke(initial_state)
```
6启动 Web 界面

README 提到可运行 web_interface.py 使用网页界面，并可在界面里设置 API Key。
```
python web_interface.py
```

关键配置

配置项	必填	说明	示例
`agent_llm_model`	否	单个智能体使用的模型	`gpt-4o-mini`
`graph_llm_model`	否	图逻辑与决策环节使用的模型	`gpt-4o`
`agent_llm_temperature`	否	智能体回答的温度参数	`0.1`
`graph_llm_temperature`	否	图逻辑环节的温度参数	`0.1`

如何确认成功

运行 invoke() 能返回 final_state 综合分析结果，或 Web 界面正常打开并可用填写的 API Key 发起分析。

常见问题

Q：安装 TA-lib-python 报错怎么办？

A：按 README 建议改用 conda install -c conda-forge ta-lib，或访问 TA-Lib Python 仓库查看详细安装说明。

Q：API Key 应该在哪里设置？

A：可以在 Web 界面中填写，也可以设置为环境变量；README 节选未给出具体环境变量名，请以仓库完整 README 为准。

Q：怎么更换使用的模型？

A：通过 agent_llm_model、graph_llm_model 等配置项修改；完整配置列表见项目中的 default_config.py。

Q：分析结果会被 token 限制裁剪吗？

A：不会。README 说明系统使用默认 token 上限进行完整分析，没有人为此施加额外限制。

注意事项

项目信息标注开发语言为 HTML，但 README 中的实际使用方式以 Python 模块（trading_graph、web_interface）为主。
README 节选中缺少安装第 1 步和 API Key 环境变量的具体命令，相关步骤为按仓库现有文件的合理推断。
代码示例中的 initial_state 在 README 节选里未完整给出，需自行按仓库完整文档构造。

核心亮点

提供标准化评估流程，减少主观误差，提升模型对比的公平性
模块化设计，支持自定义数据源和评估指标，灵活适配不同策略
内置可视化报告生成，直观展示模型表现，降低分析门槛

不足之处

项目语言标注为 HTML，可能核心代码文档占比高，实际功能需进一步确认
文档/社区待观察

适用场景

量化策略回测后的统一绩效评估与对比
机器学习模型在金融数据上的基准测试
研究团队内部模型版本迭代的标准化验证

替代项目

Backtrader、QuantLib、pyfolio

项目介绍

QuantHarness 是开源模型领域的开源项目，由 Y-Research-SBU 开发，2025 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（2,868）位列前 30%，在开源模型分类中处于中上游。

近 42 天，它的 GitHub 星标从 2,827 增加到 2,868，净增 41。

项目仍在小幅维护中，最近一次代码更新于 2026-09-22。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：量化策略回测后的统一绩效评估与对比。同类可对比的替代方案包括 Backtrader、QuantLib、pyfolio。

上一篇：Awesome-LLM-Resources-List

下一篇：Open-dLLM