本文将从以下几个核心模块展开：为什么需要 QuantDinger、整体架构、AI 研究模块、Strategy IDE、回测闭环、实盘执行、多市场支持、用户体系与商业化，以及最后的总结。

为什么需要 QuantDinger

传统量化工作流是什么样的？通常是这样一步步走下来的：

但问题也随之而来——

• AI 研究与执行完全脱节，模型跑完还得手动对接下单逻辑；
• 回测和实盘各自为政，逻辑不统一，调试成本高；
• 用户管理、权限控制、消息通知这些基础设施每做一个项目就得重新造轮子；
• 商业化能力几乎为零，想在团队内部分发策略或对客户收费，得从头搭建全套体系。

这些痛点攒在一起，就是 QuantDinger 诞生的原因。

QuantDinger 整体架构

QuantDinger 的核心目标非常明确：把以下这些东西全部统一到一个平台上——

• AI 研究
• Python 策略开发
• 回测
• 实盘交易
• 用户管理
• 商业运营

AI 研究模块

这个模块是直接用大模型来辅助量化研究的。目前支持：

• OpenAI
• DeepSeek
• Gemini
• OpenRouter

能力覆盖：市场分析、K线分析、新闻分析，还集成了 Memory（记忆）、Reflection（反思）、Ensemble（集成）等高级机制。说白了，就是让 AI 不仅能做单次分析，还能记住上下文、自我纠错、组合多个模型结果。

Strategy IDE

策略开发支持两种模式，按需选择：

Indicator Strategy

如果你习惯用 DataFrame 搭配技术指标来写策略，这个模式最顺手。指标计算、信号生成都在 DataFrame 层面完成，效率高。

Script Strategy

适合事件驱动和真实交易逻辑。比如你需要处理 Tick 级数据、监听订单状态变化、动态调整仓位，Script Strategy 会更灵活。

回测闭环

回测不是跑完就结束的。QuantDinger 会完整保存：

• 交易记录 (Trade Record)
• 权益曲线 (Equity Curve)
• 快照 (Snapshot)
• 参数版本

这些数据会形成一条持续优化的闭环——每次回测结果都沉淀下来，方便对比、复盘、迭代。

实盘执行

实盘模块的几个关键特征：

• Runtime + Worker 的架构，运行稳定且可扩展；
• 支持自动交易和半自动交易，手动干预的接口也留好了；
• 持仓管理、成交历史一目了然，方便事后核对。

多市场支持

一个平台对接多个市场，不用每个市场单独搞一套系统。具体支持的交易所和品种，可以在上图看到。

用户体系与商业化

这一块是很多量化团队容易忽略但后期最头疼的。QuantDinger 内置了：

• PostgreSQL 做数据存储
• Google OAuth / GitHub OAuth 免密码登录
• Telegram / Discord / Email / SMS 多渠道通知
• Webhook 对外接口
• Membership（会员体系）
• Credits（积分/点数）
• USDT TRC20 支付通道

换句话说，如果你想把量化平台做成一个产品，用户注册、付费、通知、API 对接这些能力已经直接可用了。

总结

QuantDinger 的价值不在某一个模块做得有多强，而是在于打通了 AI 研究 → 策略开发 → 回测验证 → 实盘执行 → 用户运营 的完整链路。对于想搭建私有化、可持续演进的量化平台的团队来说，这套架构提供了一个相当扎实的起点。