Lumibot：同一份策略，从回测跑到真实券商

做量化策略最烦的一步，往往不是写策略。

是你在 notebook 里把回测跑通了，曲线看着也还行，准备接实盘时，突然发现要换一套写法。订单对象不一样，账户状态不一样，券商 API 又是一堆新坑。

换个券商，基本再来一遍。

我刚刷到 Lumibot 时，先停在它那句介绍上：同一套策略代码，可以回测、纸面交易，也可以接真实券商跑。它不是只做一个漂亮的历史收益图，而是把策略循环、经纪商状态、下单路径放在同一个框架里处理。

这对个人开发者挺现实。

很多人写量化，卡住的不是均线、因子、机器学习模型，而是工程边角料。数据怎么接，订单怎么发，回测和实盘怎么对齐，日志怎么留，异常怎么查。

Lumibot 想把这些脏活收进 Python 框架里。

它覆盖的资产范围比较宽，股票、期权、加密货币、期货、外汇、指数都在项目介绍里。券商和交易所这边，文档里列了 Alpaca、Interactive Brokers、Tradier、Schwab、Tradovate、Coinbase、Kraken、KuCoin、Binance、Bybit、OKX 等路径。

看到这里，我反而更关心另一个东西：AI 代理。

Lumibot 不是单独塞一个“问大模型要不要买”的按钮。它把 agent 放进 Strategy 类里，能在交易循环中读市场数据、查财报、看宏观指标、调技术指标，也能让多个模型围着同一笔交易做讨论。项目页里还提到 SEC 财报、FRED 宏观数据、本地记忆、Telegram 通知这些工具。

这就有点像把一个小型投研流程塞进代码里。

比如你原来有一套固定规则：价格突破、成交量放大、仓位控制。现在可以让 Python 继续管硬规则，让 AI 代理去补研究部分：最近财报有没有异常，宏观环境是不是变了，这次信号是不是和历史样本差太远。

决策过程也可以留下来。

这件事比“AI 自动炒股”几个字更重要。因为实盘里最怕的是黑盒。赚了不知道为什么赚，亏了也不知道哪里开始偏掉。Lumibot 的方向是让 agent 调了什么工具、看了什么证据、最后为什么下单，都能回头翻。

安装倒是不复杂，文档里给的是 pip install lumibot，上手示例也从 Alpaca 纸面交易开始。文档自己也提醒，先用 paper trading 熟悉，不要一上来就拿真钱冲

当然，它不是给完全零基础的人准备的。

你至少要能读 Python，知道策略循环怎么写，知道 API key、环境变量、数据源这些东西会在哪里出问题。AI 也不会替你承担风险，回测漂亮更不等于未来能赚钱。项目页底部把风险写得很直：这不是投资建议，算法交易可能造成损失，软件 bug 也可能带来快速亏损。

但如果你已经在折腾个人量化系统，Lumibot 这种“回测到实盘同一份代码”的设计，确实能少走很多重复路。