Fincept Terminal 入门: 一站式开源量化交易平台

Fincept Terminal 是一个开源量化金融终端，由 Fincept Corporation 开发。它的核心定位很清晰：用一个免费开源工具替代动辄数万/年的彭博终端，同时让普通开发者也能搭起自己的量化交易系统。

它采用原生 C++20 + Qt6 构建，性能比 Electron/Web 应用高出几个量级；内嵌 Python 模块提供完整的 CFA 级分析能力；37 个 AI 代理覆盖从价值投资到地缘政治的多种框架；100+ 数据连接器涵盖从政府经济数据到加密货币的所有来源。GitHub 仓库托管于 Fincept-Corporation/FinceptTerminal，采用 AGPL-3.0 开源许可证。

---

难度/时长/收获

入门级 | 约 30 分钟 | 你将掌握在 Windows / macOS / Linux 上从下载安装到跑通第一个 AI 量化策略的完整流程。

---

目标读者

• 有 1-4 年开发经验，希望搭建自己的量化交易系统的开发者
• 对金融数据分析和 AI 辅助投资感兴趣，但没有金融专业背景
• 想要一个免费开源工具替代昂贵的彭博终端功能（年费数千到数万美元）

---

核心依赖与环境

系统要求

---

完整项目结构树

FinceptTerminal/
├── fincept-qt/                 # C++ 主应用
│   ├── src/                   # C++ 核心源码
│   │   ├── core/             # 核心模块
│   │   ├── ui/               # Qt UI 组件
│   │   └── python/           # Python 绑定层
│   ├── scripts/              # 构建脚本
│   ├── CMakeLists.txt        # C++ 构建配置
│   └── CMakePresets.json     # 跨平台编译预设（重要）
├── docs/                      # 开发文档
├── Dockerfile                 # Docker 镜像配置
├── setup.sh                  # Linux/macOS 一键构建脚本
└── funding.json              # 社区赞助配置

---

手把手步骤

第 1 步：下载并安装 Fincept Terminal

项目提供三种安装方式，选择最适合你的方案。

方式 A：下载预编译安装包（推荐，新手直接用这个）

当前最新版本 v4.0.2，访问 Releases 页面 下载对应平台：

# Windows x64
# 下载 FinceptTerminal-4.0.2-win64-setup.exe，双击运行安装程序

# Linux x64
# 下载 FinceptTerminal-4.0.2-linux-x64-setup.run
chmod +x FinceptTerminal-4.0.2-linux-x64-setup.run
./FinceptTerminal-4.0.2-linux-x64-setup.run

# macOS Apple Silicon (M1/M2/M3)
# 下载 FinceptTerminal-4.0.2-macOS-setup.dmg
# 打开 DMG 文件，将应用拖入 Applications 文件夹

安装完成后，在终端启动：

# Windows
FinceptTerminal.exe

# Linux
./FinceptTerminal

# macOS
open /Applications/FinceptTerminal.app

方式 B：Docker 部署（适合服务器环境）

# 拉取官方镜像
docker pull ghcr.io/fincept-corporation/fincept-terminal:latest

# 运行（需要 X Server 支持图形界面）
docker run --rm \
    -e DISPLAY=$DISPLAY \
    -v /tmp/.X11-unix:/tmp/.X11-unix \
    ghcr.io/fincept-corporation/fincept-terminal:latest

方式 C：克隆源码一键构建（适合 Linux/macOS 开发者）

克隆仓库后，直接运行 setup.sh 脚本，它会自动检测环境、下载依赖、执行编译：

git clone https://github.com/Fincept-Corporation/FinceptTerminal.git
cd FinceptTerminal
chmod +x setup.sh && ./setup.sh

脚本会自动处理 CMake、Qt6、Python 的安装和配置。运行结束后，Fincept Terminal 会自动启动。

第 2 步：配置 LLM API（让 AI 代理真正工作）

启动 Fincept Terminal 后，AI 代理需要连接大语言模型才能运行。进入 Settings → AI Providers：

1. 选择你想使用的 AI Provider，项目支持以下选项：

OpenAI       → GPT-4o / o1 / GPT-4.5
Anthropic    → Claude 3.5 / 3.7
Google       → Gemini 1.5 / 2.0 / 2.5
Groq         → 高速推理
DeepSeek     → 性价比高
MiniMax      → 国内方便
OpenRouter   → 聚合多模型
Ollama       → 本地模型（完全离线）

1. 填入对应的 API Key。如果你有本地 Ollama，可以完全离线运行：

# 如果你选择 Ollama（本地模型，无需 API Key）
# 先在本地安装并启动 Ollama
ollama pull llama3.2
ollama serve

# 然后在 Fincept Terminal 中配置：
# Provider: Ollama
# Base URL: http://localhost:11434
# Model: llama3.2

第 3 步：接入数据源

Fincept Terminal 提供 100+ 数据连接器，覆盖从宏观经济学到加密货币的所有类型。进入 Data Sources 页面，选择你要启用的数据源：

免费数据源（开箱即用）：

# 宏观经济
DBnomics          → 全球宏观经济时序数据
FRED              → 美联储经济数据
IMF              → 国际货币基金组织数据
World Bank       → 世界银行发展指标

# 股票 & 加密货币
Yahoo Finance    → 股票历史数据、实时行情
Kraken           → 加密货币实时 WebSocket
Polygon          → 美股数据（免费层有限）

# 其他
AkShare          → 国内 A 股/期货数据（Python 库）
government APIs  → 各国政府公开数据

连接数据源的通用步骤：

1. 进入 Data Sources → Add Connection
2. 选择数据源类型（如 "Stock Market Data"）
3. 填入 API Key（部分数据源需要）或保持默认（公共数据）
4. 点击 Test Connection 验证连通性
5. 确认后，数据会自动同步到终端

第 4 步：创建 AI 代理并执行第一个量化任务

Fincept Terminal 内置 37 个 AI 代理，分为三大类别：

Trader / Investor 代理（价值投资派）：

Economic 代理：宏观数据分析、利率预测、通胀建模

Geopolitics 代理：地缘政治影响评估、供应链风险分析

让我们用 Buffett 代理完成第一个任务——分析一只股票的价值：

1. 进入 AI Agents → Create New Agent
2. 选择 Buffett 作为基础模板
3. 给他一个任务：分析苹果（AAPL）的内在价值

Analyze the intrinsic value of AAPL using DCF model.
Use the latest financial data from Yahoo Finance.
Show the margin of safety based on current price.

Buffett 代理会调用 Python 分析模块获取财务数据，运行 DCF（现金流折现）模型，输出内在价值估算和当前价格的安全边际。

第 5 步：使用节点编辑器构建量化流程

节点编辑器是 Fincept Terminal 最强大的功能之一——它让你用可视化方式组合数据源、分析模块和 AI 代理，构建复杂的量化流程，而不需要写一行代码。

打开 Node Editor 页面，你会看到类似以下的工作流：

[Yahoo Finance 数据] → [Python 数据清洗] → [AI Agent 决策] → [Broker 订单执行]
     ↑                                              ↓
  [FRED 宏观数据]                               [结果输出到 Portfolio]

构建第一个量化工作流：

1. 从左侧面板拖入一个 Data Source 节点，选择 Yahoo Finance
2. 拖入一个 Filter 节点，配置筛选条件（如 "PE < 15, Market Cap > 10B"）
3. 拖入一个 Buffett Agent 节点，连接 Filter 的输出
4. 拖入一个 Backtest 节点，验证策略历史表现
5. 点击 Run 执行工作流

第 6 步（可选）：从源码手动编译

如果你想深入定制，或者在平台上没有预编译包，可以从源码构建。这需要精确配置依赖版本。

环境准备（以 Windows 为例）：

# 1. 安装 Visual Studio 2022（包含 MSVC 19.38）
# 2. 安装 CMake 3.27.7，并添加到 PATH
# 3. 安装 Ninja 1.11.1，添加到 PATH
# 4. 安装 Qt 6.8.3（在线安装器选择 Qt 6.8.3 > MSVC 2022 64-bit）
#    安装路径设为 C:/Qt/6.8.3/msvc2022_64
# 5. 安装 Python 3.11.9，添加到 PATH

编译（使用 CMake Presets）：

git clone https://github.com/Fincept-Corporation/FinceptTerminal.git
cd FinceptTerminal/fincept-qt

# 一次性配置（以后修改 CMakeLists.txt 前需要重新运行）
cmake --preset win-release

# 每次代码修改后重新编译
cmake --build --preset win-release

# 运行
.\build\win-release\FinceptTerminal.exe

如果 CMake 找不到 Qt，可能是安装路径不同，改用手动模式：

cmake -B build/win-release -G Ninja -DCMAKE_BUILD_TYPE=Release `
  -DCMAKE_PREFIX_PATH="C:/Qt/6.8.3/msvc2022_64"
cmake --build build/win-release

---

常见问题排查

Q1: CMake 报错 "Could not find Qt6 6.8.3"

症状：cmake --preset win-release 输出 Could not find Qt6 6.8.3。

原因：Qt 安装路径与 CMake 默认搜索路径不匹配。

解决：

1. 确认 Qt 安装路径中存在 lib/cmake/Qt6 目录
2. 手动指定路径：

cmake -B build/win-release -G Ninja -DCMAKE_BUILD_TYPE=Release `
  -DCMAKE_PREFIX_PATH="C:/Qt/6.8.3/msvc2022_64"

1. 如果你在用不同版本的 Qt 测试，可以传 -DFINCEPT_ALLOW_QT_DRIFT=ON 绕过版本检查（仅限本地测试，不要在 CI 或发布版本中使用）

Q2: MSVC 版本不兼容

症状：C++ compiler version not supported 或编译中途大量未定义标识符错误。

原因：项目要求 MSVC 19.38+（对应 Visual Studio 2022 17.8+）。

解决：

# 检查 MSVC 版本
cl /?

# 如果版本过低，升级到 VS 2022 最新版
# 下载地址：https://visualstudio.microsoft.com/downloads/

Q3: Python 版本不匹配

症状：嵌入 Python 后崩溃，或 python3.x.x not found 错误。

原因：项目强制要求 Python 3.11.9，其他版本（包括 3.10、3.12）不受支持。

解决：

# 检查当前 Python 版本
python --version

# 如果不是 3.11.9，安装正确版本
#下载地址：https://www.python.org/downloads/release/python-3119/

# Windows 安装后，在系统 PATH 中确认 Python 3.11.9 的路径在前面
# Linux 上可以用 pyenv：
pyenv install 3.11.9
pyenv local 3.11.9

Q4: Docker 下 Qt 图形界面无法显示

症状：QPA platform: cannot connect to X server 错误。

原因：Docker 容器内没有图形环境。

解决：

# Linux：允许 Docker 访问本地 X Server
xhost +local:docker
docker run --rm \
    -e DISPLAY=unix$DISPLAY \
    -v /tmp/.X11-unix:/tmp/.X11-unix \
    ghcr.io/fincept-corporation/fincept-terminal:latest

Q5: AI 代理显示 "Connection Failed"

症状：LLM 调用返回错误，代理无法执行任何任务。

排查步骤：

1. 确认 API Key 有效（可以去对应官网测试密钥）
2. 如果使用 Ollama，确认 ollama serve 正在运行
3. 如果使用代理（公司网络），配置 HTTP 代理环境变量：

# Linux/macOS
export HTTP_PROXY=http://your-proxy:8080
export HTTPS_PROXY=http://your-proxy:8080

# Windows PowerShell
$env:HTTP_PROXY="http://your-proxy:8080"
$env:HTTPS_PROXY="http://your-proxy:8080"

1. 检查网络能否访问 AI Provider 的 API 端点：

# OpenAI
curl https://api.openai.com/v1/models

# Anthropic
curl https://api.anthropic.com/v1/messages \
    -H "x-api-key: YOUR_KEY" \
    -H "anthropic-version: 2023-06-01"

Q6: 券商连接认证失败（Paper Trading / 实盘）

症状：配置券商 API 后提示认证失败。

解决：

1. 确认在 Fincept Terminal 中填入的是 API Key 而非交易账户密码
2. 部分券商（如 IBKR）需要在 Trader Workstation (TWS) 中开启 API 访问权限
3. Paper Trading 和实盘的 API 配置不同，确认你选择的是正确的模式

---

扩展阅读 / 进阶方向

接入 Adanos Market Sentiment 实现舆情量化

Adanos 将 Reddit、X/Twitter、财经新闻和 Polymarket 的情绪数据引入 Fincept Terminal。进入 Data Sources → Alternative Data → Adanos，配置 API 后，Equity Research 模块会显示跨来源的散户情绪快照。你可以将情绪指标作为因子加入量化策略，结合传统财务数据做更全面的分析。

使用 QuantLib Suite 进行衍生品定价

Fincept Terminal 内置 18 个 QuantLib 量化模块，涵盖：

# 定价模型
Black-Scholes 期权定价
Binomial Tree 美式期权
Monte Carlo 定价

# 风险管理
VaR (Value at Risk) 计算
 Greeks 敏感度分析
 压力测试 / 情景分析

# 固定收益
Yield Curve 构造
Duration / Convexity 分析
Bond Portfolio Optimization

通过 AI Quant Lab 界面，你可以调用这些模块构建自定义风险模型，无需手动写 Python 代码。

配置多券商实现程序化交易

Fincept Terminal 支持 16 家券商的 API 集成，覆盖股票、期货和加密货币：

印度券商：Zerodha, Angel One, Upstox, Fyers, Dhan, Groww, Kotak,
         IIFL, 5paisa, AliceBlue, Shoonya, Motilal
美国券商：IBKR, Alpaca, Tradier
国际券商：Saxo
加密货币：Kraken, HyperLiquid（WebSocket 实时行情）

你可以同时连接多家券商，在节点编辑器中构建跨市场套利策略。

AI Quant Lab：ML 模型训练与因子发现

Fincept Terminal 的 AI Quant Lab 模块提供完整的机器学习量化流程：

# 使用 Python 模块
from fincept_ml import FactorDiscovery, ModelTrainer

# 从市场数据中自动发现有效因子
factors = FactorDiscovery.run(data_source="yahoo_finance",
                              target="AAPL_returns",
                              n_factors=20)

# 训练强化学习交易策略
strategy = ModelTrainer.train_rl(
    agent="PPO",
    environment="crypto_portfolio",
    episodes=1000
)

同时支持监督学习（HFT 策略）、时间序列预测和回测框架。

参与开源开发

Fincept Terminal 是开源项目，欢迎贡献代码：

• C++ 模块：Qt 界面组件、数据连接器、QuantLib 封装
• Python 模块：新的分析模型、机器学习策略
• AI 代理：新的投资框架代理、地缘政治分析模块
• 文档：完善各个功能的接入教程

贡献指南：docs/CONTRIBUTING.md C++ 开发规范：fincept-qt/CONTRIBUTING.md