零成本起步：免费行情数据与免费模型额度怎么编排

[上一篇](/zh/blog/quant-not-a-gambling-machine)定了位：自用优先，双引擎，决策记忆。这篇解决一个更俗的问题：钱从哪来。答案是 —— 至少在验证阶段，几乎不用花。免费行情数据和免费模型额度，编排得当足够把整个系统跑起来。

数据层：免费，但要做抽象

Crypto 侧的主力是 CCXT：一个库统一了 100+ 交易所（Binance、Coinbase、Kraken、OKX……）的免费 REST 和 WebSocket 接口，K 线、深度、逐笔都有，不需要付费 Key。市值排名和动态标的池用 CoinGecko / CoinCap 的免费额度补齐。

美股侧的主力是 yfinance：历史 K 线（分钟到日级）、财报、期权链、基本面，免费且够稳，是美股回测事实上的标准免费源。Alpha Vantage、Polygon、FMP 的每日免费额度用来补新闻和宏观指标（FED 利率、CPI、非农）这类文本数据。

工程上只做一件关键的事：BaseDataProvider 抽象层。`fetch_klines()`、`fetch_financials()` 统一接口，AKShare、yfinance、CCXT 各写一个实现，后台一键切换数据源。数据源会换，接口不换 —— 这层抽象的价值在第一次换源的时候就会兑现。

算力层：白嫖要讲究方法论

模型算力这边，我的组合是分层路由 + 熔断降级。任务分三类，各走各的池子：

轻量预处理（新闻摘要、舆情初打分）和综合研判（Market Context 总结）交给免费通用模型池 —— 智谱 GLM、NVIDIA NIM、Groq、SiliberFlow、Gemini 免费层，谁有额度用谁。密集决策（结构化信号输出、经验库案例匹配、因子评估）交给自部署的决策模型 —— 跑在魔搭的免费 GPU 实例上，没有 rate limit，专心做量化逻辑。

编排机制三件套：Fallback Chain —— 在路由里定义调用优先级，主 Provider 返回 429 或额度耗尽时无感切到备胎；Token 节约 —— 非必要不传全量上下文，本地先用脚本提取关键句，只给 API 传 500 字以内的精简 prompt；缓存与异步 —— 宏观解读这类非实时变动的分析结果写进 Redis 缓存 1–4 小时，模型调用全部解耦成后台异步任务，不拖累界面。

所有模型调用走一个统一的 `LLMClient`，遵循 OpenAI API 格式 —— 本地部署（vLLM / Ollama）和云端商业模型只差一组 `base_url` 和 `api_key`。这和 AeoX 的 BYOK 哲学同构：接口统一，Key 是谁的无所谓。

免费数据能挖什么因子

不碰昂贵的 Level-2 逐笔和收费研报，高性价比的因子集中在四类：量价类 —— 动量、波动率、换手异常、布林挤压，日 K 或 15 分钟 K 就能算，pandas 本地毫秒级，零成本；基本面类 —— EP/BP 估值、自由现金流收益率、营收暴增，季度报表数据配 LLM 解析财报附注；舆情类 —— 新闻情绪打分（-1 到 1 的标量直接进策略），免费抓公告和快讯，本地模型批量清洗；LLM 自动因子挖掘 —— 借鉴 RD-Agent / Qlib 的思路，给模型基础量价列名，让它自己写 Pandas 表达式（比如 `rank(close / delay(close, 5)) * std(volume, 20)`），自动编译回测，按 IC 值筛选有效因子。因子不再是人肉枚举，是生成 + 筛选。

开源界的三个老师

不用从零造轮子，但也不直接套用：qlib（微软）看它的 AI 因子挖掘和 RD-Agent 自动化；freqtrade 看它成熟的事件驱动和模块化；QuantMuse 看它的 FastAPI + 前端架构。学思路，写自己的骨架。

[下一篇](/zh/blog/quant-roadmap-and-console)是收尾：四个 Phase 的落地路线图、策略版本控制、以及为什么一个漂亮的控制台不是虚荣，是可解释性本身。