文章总结： TSP是自托管A股量化工作台，获4678Stars，MIT许可，核心卖点为LLM驱动策略定制，覆盖选股、监控、回测全流程。项目社区活跃但README信息不完整，缺少启动命令、API文档及LLM集成细节，实际效果需用户自行验证。建议具备运维能力且愿探索LLM量化应用的用户尝试，追求开箱即用者观望。 综合评分： 65 文章分类： 产品介绍,解决方案,其他

TSP：自托管 A 股量化工作台（4678 Stars / MIT 许可）

原创

AI Online AI Online

人工智能online

2026年9月15日 11:54 上海

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

A 股量化交易者常面临策略编写门槛高、工具链分散、数据源接入复杂等痛点。TSP（tick-stock-panel）是一款自托管、零运维的 A 股量化工作台，通过 LLM 能力驱动策略定制，支持选股、监控、回测全流程。本文评估截止于 2026-09-14，基于 GitHub 公开信息[1]；README 缺少完整启动命令，本文上手部分依赖容器化部署路径的可验证信息[2]。

IMPORTANT

MIT 许可证 · 开源自托管 · 零订阅费用

定位与声明

TSP 是面向 A 股的个人量化工具，核心定位是一站式工作台：选股、实时监控、历史回测三大模块覆盖策略开发主要环节[1]。项目采用 MIT 许可证，代码完全开源，用户可自托管运行，零外部依赖订阅费用。

关键信号：截至评估日，仓库共获 4678 Stars、1146 Forks，14 个 open issues，Python 语言实现，最近提交于 2026-09-14，表明项目处于活跃维护状态[1]。版本号未公开，无 formal release。

场景与痛点

A 股量化入门者通常需要组合多款工具：数据获取用 Tushare/akshare，选股用聚宽/同花顺，问诊/回测用米筐/掘金。工具链分散导致：

• 切换成本高：不同平台 API 风格各异，策略迁移困难

• 数据一致性难保证：历史数据与实时行情格式不一致

• 运维负担重：若使用开源回测框架，需自行搭建数据库、定时任务、告警机制

TSP 声称通过统一工作台解决上述问题，提供“LLM 能力驱使策略定制+个股分析+复盘”的差异化定位[1]。evidence 未提供量化数据证明效率提升幅度；LLM 集成方式是本地模型还是云端 API、具体调用接口定义均未公开[1]。

核心功能

1. 选股模块

机制：基于 LLM 理解自然语言选股条件，生成筛选规则。README 描述支持“自由接入第三方数据源与个性化扩展数据”，意味着用户可接入自选数据源（如东方财富 Choice、同花顺 iFinD）[1]。

可验证证据：项目介绍明确列出“选股+监控+回测”三件套[1]。技术细节未公开，无法评估实际效果：选股规则引擎的实现方式、支持的财务指标范围、与主流数据源的兼容程度均未见文档。

使用场景（假设场景）：用户输入“近一年营收增长超过 20% 且 PE < 30 的消费股”，LLM 解析为筛选条件，调用数据接口返回候选股票列表。

2. 实时监控

机制：支持对自选股或策略信号进行实时盯盘，触发条件时告警。README 提及“个股分析+复盘”功能，暗示监控数据可关联历史走势[1]。

可验证证据：功能边界来自标题描述，缺少具体指标定义：支持何种行情频率（tick/分K/日K）、告警推送渠道（邮件/钉钉/微信）、延迟水平均未披露。

使用场景（假设场景）：监控“股价突破 20 日均线且成交量放大 1.5 倍”的技术信号，触发后推送至用户配置的 Webhook。

3. 回测引擎

机制：基于历史数据验证策略有效性，输出绩效指标。README 未披露回测框架底层实现（Backtrader/掘金/自研）[1]。

可验证证据：项目结构中存在 docker-compose.yml，确认支持容器化部署[2]，但回测精度（是否考虑滑点/手续费）、数据频率支持情况未公开。

CAUTION

LLM 能力是 TSP 的核心卖点，但具体实现方式未披露

这意味着什么：LLM 能力是 TSP 的核心卖点，但其具体实现方式（prompt 工程、RAG、本地微调）未披露，用户需实际运行才能评估生成质量；回测结果的可信度取决于数据质量和引擎实现深度。

上手方式

README 未提供完整的安装命令或调用流程示例[1]。基于 docker-compose.yml 文件存在，可确认项目支持 Docker 部署[2]。

具体路径：

1. 克隆仓库：git clone https://github.com/shy3130/tick-stock-panel

2. 检查根目录 docker-compose.yml 配置数据源与环境变量（示意，以官方为准）

3. 执行 docker-compose up -d 启动服务

4. 访问本地 Web 界面配置数据源和 LLM 接口

LLM 接口配置方式未公开：README 未说明是否支持 OpenAI API、自托管模型（如 vLLM/Ollama）或特定商业接口，用户需参考 Issue 区或等待文档补充。

亮点对比

| 维度 | TSP | matchpanel[3] | 掘金量化（商业闭源） | | — | — | — | — | | 定位 | 个人开源，A 股专用 | 个人开源，A 股专用 | 商业 SaaS，多市场 | | LLM 集成 | 声称支持 | 声称支持 | 部分功能接入 AI | | 部署方式 | 自托管 | 自托管 | 云端免运维 | | Stars | 4678 | 0 | 不适用 | | 许可 | MIT | MIT | 付费订阅 | | 数据源 | 需自行接入 | 未明确 | 内置免费数据 |

数据对比：TSP 的 Stars 数量（4678）远超同类开源项目 matchpanel（0），说明社区认可度显著更高[1][3]。matchpanel 功能描述与 TSP 类似，但缺乏社区验证，实际可用性存疑。

在什么场景下选哪个：

• 自托管、追求社区活跃度 → 选 TSP，4678 Stars 意味着遇到问题有更高概率在 Issue 区找到解法

• 不想运维、接受付费 → 选掘金量化等商业平台，但失去代码可控性和定制灵活性

• 仅需基础选股/回测、接受未知稳定性 → 可尝试 matchpanel，但需自行承担踩坑成本

成熟度与风险

量化指标（评估日 2026-09-14）：

| 指标 | 数值 | 说明 | | — | — | — | | Stars | 4678 | 社区关注度高 | | Forks | 1146 | 二次开发活跃度较高 | | Open Issues | 14 | 适量，需关注内容 | | 最近提交 | 2026-09-14 | 活跃维护 | | License | MIT | 商业友好 |

不适用场景：

• 零运维能力用户：自托管意味着需自行维护服务器、数据库和依赖升级

• 需要现成数据接口：TSP 数据源需自行接入，无内置免费 A 股数据源

• 追求高确定性：项目无正式 release，版本号未公开，生产环境部署存在未知风险

• 多市场支持：项目定位 A 股专用，美股/港股/期货不在支持范围[1]

WARNING

README 缺少 Quick Start 指南、API 文档、版本 changelog；Issue 区质量未评估；安全审计状态未知

关键缺失：README 缺少 Quick Start 指南、API 文档、版本 changelog；Issue 区质量未评估；安全审计状态未知。

快速决策与总结

决策树：

1. 是否接受自托管运维？

• 否 → 不适合，选商业量化平台    – 是 → 进入下一步

2. 是否能自行接入数据源？

• 否 → 不适合，需等待官方数据集成方案    – 是 → 进入下一步

3. 是否需要 LLM 驱动的策略定制能力？

• 是 → 可尝试 TSP，Stars 高、社区活跃，但需接受 LLM 效果未知    – 否 → 可考虑 Backtrader/Zipline 等传统回测框架，文档更完善

总结：TSP 定位清晰（A 股专用自托管量化工作台），社区认可度高（4678 Stars），LLM 能力是其核心差异化卖点，但 README 信息不完整（缺少启动步骤、API 文档、版本说明），LLM 集成细节未公开，实际效果需用户自行验证。推荐具备一定运维能力且愿意探索 LLM 量化应用的用户尝试；追求开箱即用或零运维的用户建议观望。

TIP

① 检查 README 更新 ② 查看 Issue 区 ③ 准备 Docker 环境尝试部署 ④ 关注正式 release

具体操作步骤：① 访问 README 检查是否有更新[1]；② 查看 Issue 区了解常见问题[1]；③ 准备 Docker 环境，克隆仓库后尝试 docker-compose up[2]；④ 关注项目是否发布正式 release 或文档更新。

参考来源

[1] GitHub – shy3130/tick-stock-panel: TSP 自托管 A 股量化工作台

[2] GitHub – powersoftware-openbase-modify/tickflow-stock-panel: docker-compose.yml

[3] GitHub – matchpanel/matchpanel: MP 量化工作台

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：人工智能online AI Online AI Online《TSP：自托管 A 股量化工作台（4678 Stars / MIT 许可）》