做全球投资的三个 Python 利器，昨天推荐的 OpenBB 最佳搭档

昨天介绍了 OpenBB 这个"散户版彭博终端"，反响不错，不少朋友问：数据拿到了，然后呢？怎么做分析、怎么做配置、怎么验证策略？

今天就接着聊，推荐三个可以和 OpenBB 无缝配合的 Python 工具——一个帮你做财报分析和估值，一个帮你做投资组合优化，还有一个用深度强化学习训练交易 AI。三个项目加起来超过 2 万颗星。

FinanceToolkit：一行代码算完 150 种财务指标

项目地址：https://github.com/JerBouma/FinanceToolkit

⭐ 4,500+ Stars | Python | MIT

你有没有算过一只股票的市盈率、市净率、ROE、自由现金流，然后发现不同网站给出的数字居然不一样？同花顺算的和雪球算的经常对不上，搞得你都不知道该信谁。

FinanceToolkit 就是来解决这个问题的——一个透明、可验证的财务分析库，内置 150+ 种标准化的财务指标。

from financetoolkit import Toolkit

# 初始化（支持多只股票同时分析）
companies = Toolkit(
    ["AAPL", "MSFT", "GOOGL"],
    api_key="你的API Key"  # FinancialModelingPrep
)

# 一行代码拿到所有盈利能力指标
profitability = companies.ratios.collect_profitability_ratios()
print(profitability)

这一行就能返回毛利率、净利率、ROE、ROA、ROIC 等十几个指标，而且三家公司的数据并排展示，对比分析超方便。

核心功能

最实用的是 DCF 估值模型：

# 自动计算苹果公司的内在价值
dcf = companies.models.get_intrinsic_valuation()
print(dcf)

它会自动拉取历史财务数据，估算未来现金流，算出 WACC，最终给你一个内在价值。不是黑箱——每一步的计算过程都可以查看和验证。

安装

pip install financetoolkit -U

需要一个 FinancialModelingPrep 的 API Key（免费版有每日限额），用来获取历史财务报表。也可以配合 Yahoo Finance 使用。

适合谁：做价值投资的人、需要写研报的分析师、学习财务分析的学生。如果你之前用 Excel 手动算财务指标算到头大，这个库能直接解放你。

PyPortfolioOpt：用马科维茨理论管理你的钱包

项目地址：https://github.com/robertmartin8/PyPortfolioOpt

⭐ 5,500+ Stars | Python | MIT | 发表过学术论文

上面分析完个股，接下来就是"每只买多少"的问题了。这跟买不买同样重要——市面上有句话叫"不要把鸡蛋放在一个篮子里"，但很少有人告诉你"每个篮子该放几个"。

PyPortfolioOpt 就是用数学帮你做这件事。它实现了现代投资组合理论（MPT），核心就是马科维茨的有效前沿。

from pypfopt import EfficientFrontier, risk_models, expected_returns
import pandas as pd

# 假设你有三只美股的历史价格数据
prices = pd.read_csv("stock_prices.csv", index_col="Date", parse_dates=True)

# 计算预期收益和协方差矩阵
mu = expected_returns.mean_historical_return(prices)
S = risk_models.sample_cov(prices)

# 找到最大夏普比率的最优组合
ef = EfficientFrontier(mu, S)
weights = ef.max_sharpe()
cleaned = ef.clean_weights()

print(cleaned)
# {'AAPL': 0.35, 'MSFT': 0.45, 'GOOGL': 0.20}

几行代码就算出了每只股票应该买多少比例。

支持的优化方法

特别推荐 HRP（层次风险平价） 方法——它不依赖协方差矩阵的估计，对噪声数据更鲁棒，在实际投资中表现往往比经典的均值-方差优化更稳定。

安装

pip install PyPortfolioOpt

零依赖外的配置，装好就能用。

适合谁：做资产配置的投资者、管理多只股票组合的人、想用数学取代"拍脑袋决定仓位"的人。和前面的 FinanceToolkit 配合使用更佳——先用 FinanceToolkit 选股，再用 PyPortfolioOpt 定仓位。

FinRL：用深度强化学习训练你的交易 AI

项目地址：https://github.com/AI4Finance-Foundation/FinRL

⭐ 14,500+ Stars | Python | MIT | NeurIPS 论文

如果说前两个项目是"传统金融分析的数字化"，FinRL 就是"用 AI 重新定义交易"。这是目前开源里最系统的金融强化学习框架，由 AI4Finance 基金会维护，发过 NeurIPS 论文。

之前 3 月 23 号写的 TensorTrade 也做 RL 交易，但 FinRL 的生态要完整得多：

五分钟跑通一条策略

from finrl import config
from finrl.main import check_and_make_directories
from finrl.agents.stablebaselines3 import DRLAgent

# 1. 准备数据（内置支持Yahoo Finance等）
# 2. 构建交易环境
# 3. 训练DRL Agent

agent = DRLAgent(env=env_train)
model = agent.get_model("ppo")  # 支持PPO, A2C, DDPG, TD3, SAC等
trained_model = agent.train_model(model, total_timesteps=50000)

支持的 RL 算法挺全的：PPO、A2C、DDPG、TD3、SAC、DQN——基本上主流的 model-free 算法都有。

覆盖的交易场景

• 股票交易：单只/多只股票的买卖决策
• 投资组合管理：动态调整资产配置
• 算法交易：限价单、市价单的执行优化
• 高频做市：做市商策略的训练
• 加密货币：支持币圈市场

对比之前写的 TensorTrade

安装

pip install finrl

坦白说，RL 交易目前还是一个"研究 > 实战"的领域。和 TensorTrade 那期说的一样——加上真实的手续费和滑点，很多策略都会跑不赢买入持有。FinRL 的价值在于它提供了最完整的实验平台，让你系统地去验证 RL 在金融领域的可能性。直接拿来跑实盘？建议先纸盘跑三个月再说。

三个项目怎么组合使用？

这三个项目和昨天的 OpenBB 形成了一个完整的全球投资工作流：

OpenBB（数据获取）
    ↓
FinanceToolkit（基本面分析 + 估值）
    ↓
PyPortfolioOpt（投资组合优化）
    ↓
FinRL（策略验证 + AI 交易）

四个工具全部 pip install 就能用，总共 0 元。如果你之前觉得"专业投研离我太远"，这套工具链应该能改变你的想法。

投资这件事，工具越来越好了，门槛越来越低了，但做判断的还是你自己。这些工具最大的价值不是替你决策，而是让你的决策有更多数据支撑、更少拍脑袋。

觉得有用就转发给同样在做全球投资的朋友，有问题评论区聊 👇