HAOZHE WU

@ApplyWiseAi oh friend 👀we're shipping something Grok can't do this week 💥

@Warren_Wu1 vibe-trading getting smarter per session? oh man grok's speed would crush those executable strategies

🔥 ✨Vibe-Trading✨ just crossed 2K stars! The AI trading agent that actually gets smarter every session — natural language in, executable strategies out, across global markets. 🌟 github.com/HKUDS/Vibe-Tra… What we just shipped ↓

69 bundled skills + unlimited user-created × 29 agent swarm presets × 8 backtest engines. 100% MIT. 🌟 github.com/HKUDS/Vibe-Tra… Huge thanks to the open-source community for all the support 💪

🤖 13 LLM providers — OpenAI, DeepSeek, Gemini, Z.ai, MiniMax, Ollama (local) & more 🔗 MCP plugin for Claude Desktop, Cursor & OpenClaw 🌐 5 data sources with zero-config auto-fallback — no API keys needed to start 📦 pip install, Docker, or ClawHub

this shouldn't be free. Vibe-Trading is an open-source AI trading agent that ships with 64 finance skills, 29 specialist swarm team presets, cross-market backtesting, and a full quant analysis toolkit. The architecture is what makes it different from everything else in this space. It's not a wrapper around one model with a few finance prompts. It's a DAG-based multi-agent system where specialized agents collaborate, debate, and hand off between each other while you watch the entire reasoning process stream in real time. You get: > Technical analysis across Ichimoku, harmonic patterns, Elliott Wave, SMC, and 60+ other setups > Quant tools: factor IC/IR analysis, quantile backtesting, Black-Scholes, full Greeks, portfolio optimization via MVO, Risk Parity, and Black-Litterman > Alt data: social sentiment, behavioral finance signals, macro regime detection, sector rotation > Crypto desk: perp funding basis, liquidation heatmaps, stablecoin flows, DeFi yield, token unlock tracking > Full CLI with a TUI, a FastAPI web server, and a React frontend HK/US equities and crypto data are completely free. Docker deploy takes 2 minutes. github.com/HKUDS/Vibe-Tra… MIT License. 100% Opensource.

港大最新开源了一个金融 AI 交易项目。 原生打通了加密货币、美股和 A 股三大市场。 它把复杂的量化投研，精简成了自然语言交互。 现在只需一句话，就能调度专属 AI 团队跑回测。 带你速览 Vibe-Trading 的核心机制 👇 这不仅仅是一个对话框，底层是一套多智能体协作网络，预设了 29 种 AI 交易团队配置。 以 Crypto 或美股为例 输入“回测过去 30 天 BTC 的 MACD 策略”，它会自动调取 OKX 等数据接口、生成策略代码，并输出收益对比图。 比较有看点的是它的内部辩论设计 面对具体行情，系统能调度基本面分析师、技术派和风控总监等 AI 角色交叉评估。结合资金费率、清算热力图等指标，给出一个相对综合的参考。 几个实用的特性 🔸 技能库全面，涵盖各大市场的 64 种金融分析技能。 🔸 试错成本低，用大白话就能驱动复杂的投研流程。 🔸 工具链友好，支持 MCP 协议，可作为插件直接接入 OpenClaw、Cursor 或 Claude Desktop。 对于想研究量化，但不想去硬啃代码的朋友，这是一个可以跑起来测一下的辅助工具，DYOR。 🔗 仓库地址：github.com/HKUDS/Vibe-Tra…

Introdcing Vibe-Trading: Your Personal Trading Agent 💡 Vibe-Trading integrates AI-powered research automation with multi-agent swarm intelligence, to transform natural language trading ideas into executable strategies across global markets. It offers comprehensive backtesting, quantitative analysis tools, and real-time portfolio optimization—all accessible through simple conversational without requiring coding. Key Capabilities: • Strategy Generation — Automatically writes trading code from your ideas • Smart Data Access — Pulls market data from multiple sources seamlessly • Performance Testing — Tests your strategies against historical market data • Expert Teams — Deploys specialized AI agents for complex research tasks • Live Updates — Watch the entire analysis process in real-time GitHub: github.com/HKUDS/Vibe-Tra… #VibeTrading #HKUDS

上篇帖子之后，看到还是少数不怀好意的人用「虚假统计学」来诋毁😅。本来以为这么明显的统计学谬误，谣言会不攻自破，因为大家都是很优秀的researcher和审稿人。但感觉还在持续发酵，我觉得还是有必要写一篇《通俗统计学》的科普小帖子，来详细解读一下这些metrics和values，以及原po所得出的「结论」有多离谱... 原帖最重要的部分就是这张「时序分析」，一共也就两份数据+一份解读，我们一项一项来看： A. 「前1500个样本的趋势分析」：原po选取了两个项目来做这个分析，这个分析本来就很奇怪： a. 为啥是前1500？前1500又会怎么样？ b. 为啥是这两个项目？其它项目呢？ c. 看了一眼图表我终于懂了，原来这两个项目都符合「前X天的star数恰好等于1500这个数字」。第一个项目X=3，第二个项目X=2。那作者想用这个表达什么呢？看完结论我都震惊了： 「原作想表达，过了X天之后，这两个项目第X+1天的star都“归零”了」 哇去！你只取前1500个star，然后前X天恰好等于1500，然后你说「第X+1天“没有star”了，因为1500个star被“用完了”」这是什么神人逻辑。这是甚至不舍得用比较强的模型来做vibe统计学吗，看起来像是7B模型都不会犯的逻辑错误。你作者甚至不愿意去star统计网站上看一下到底第X+1天的实际star是多少吗？😅 再类比一下，这就好像说，你统计一个人“《前1000块钱》的消费记录”，然后发现： 前3天刚好花了《1000块》 第4天《没有消费》 于是你得出结论： 「这个人第4天不花钱了，因为1000块已经被用完了」 总结为：尬。。 B. 「账号重叠分析」 a. 只分析4个repo，一共5542个“唯一账号样本”，意思应该是取并集之后去重 b. 标黄的：227个账号同时对「2」个repo同时star。我本人反应：soooo what... 4.1%... so what???! b. 标橙、红的：更少了，25个账号、6个账号。我请问：所以呢？？？ c. 看完这个原作的结论我还是没理解：为什么不能有4.1%的人同时收藏了任意2个不重复的repo，为什么不能有千分之四点人同时收藏3个，不能有千分之一的人同时收藏4个。我感觉我都不用分析了，简直无厘头啊。。！ 这就好像你说： 有4%的人同时在YouTube和TikTok上点赞过视频 于是你得出结论： 「这些平台互相刷数据」 ？？？ 正常人本来就会同时用多个平台啊。 还像你统计发现： 有4%的人同时关注了3个博主 于是你说： 「这3个博主的粉丝是买来的」 那问题来了： 难道一个人一辈子只能关注一个人？？？ 写到这里，突然觉得这篇帖子实际想用数据帮证明我们其实就没买star吗？这... C. 总结 这篇帖子的vide coder甚至不是Claude/GPT系列模型，目测是Qwen-2B都不如. 原po，你找数据尬黑都不愿意花钱吗。有时震惊如果大家这么明显的问题都看不出来，还怎么去写research paper、当审稿人呢？是不是这也是当前投稿审稿乱象的一个投影😵 欢迎任何关于实际数据和大众统计学的热烈讨论😁😁