通常情况下有两种选择，一种是使用“大而全的全包量化平台”，另一种是在充分利用已有框架的基础上“自己搭一套分层工具栈”。我倾向于第二种。原因也不复杂。平台的优势很明确——上手快、少折腾、注册就能跑策略。但问题在于，它帮你省掉的那部分“复杂度”，本质上也一起拿走了控制权。数据怎么来、策略怎么跑、能不能改底层、实盘接到哪，这些都在平台边界里。而自己搭工具栈，其实就是反过来：麻烦一点，但每一层你都说了算。很多人一开始就容易走偏，总想一步到位把“全市场+全周期”的数据都接好。但个人阶段，真的没必要。更现实的目标是：当前研究用得上的数据能拿到，清洗和缓存是稳定的，未来想换数据源的时候不用推倒重来。数据这层，核心不是“多”，而是“别绑死”。
这一层的核心不是“最全”，而是：
* AkShare：A股/宏观/期货全能型，国内最常用 * Parquet：文件存储，配合 DuckDB 非常舒服AkShare + DuckDB + Parquet + pandas，基本可以覆盖你 80% 的需求。这一层反而是最应该自己掌控的。因为策略怎么调度、回测怎么跑、交易怎么落地，这些都直接影响你后面能走多远。如果这一层是黑盒，你后面基本很难做深。相反，只要这个骨架是可读、可改的，哪怕一开始简陋一点，后面都能慢慢长出来。* vectorbt（偏向向量化回测，适合 ML） 👉 偏 ML pipeline（数据→模型→信号），但执行层相对弱一点以前基本就是自己写代码、查资料、做回测，现在多了一层 AI，可以帮你做资料整理、代码初稿、甚至把研究流程串起来。但有一点要想清楚：它更像一个“研究助手”，而不是帮你做决策的人。真正的策略判断、风险控制，还是得回到你自己的体系里。
这一层的本质是：
可以拆成三类：
1. 基础研究环境
* Jupyter Notebook
👉 这个不用多说，标配
2. 分析 & 可视化
* matplotlib / plotly
👉 专门做策略评估（Sharpe / MDD 这些）3. AI / Agent（重点）
* ChatGPT
* Cursor / Copilot（写代码效率工具）* 简单 agent 框架（LangChain / function calling）👉 现在这一层的变化是：
最后做个总结
如果你只想记一套“最小可用组合”：
* 数据层：AkShare + DuckDB + pandas
* 执行层：Backtrader（入门）→ vn.py（进阶）* 研究层：Jupyter + QuantStats + ChatGPT把这三层放在一起看，其实结论就很自然了——你需要的不是一个“最强平台”，而是一套可以随时替换组件的系统。
平台解决的是“能不能开始”，但工具栈解决的是“能不能走远”。
