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。