1 第 1 層 · 聚合
來自四大信號來源：經典策略 · 因子 · 機器學習 · AI 假設的信號。
經過驗證的經典策略（freqtrade、Larry Williams、TradingView 公開演算法）、量化因子與機器學習模型, 來自開源或你自己的成果, 再加上 7 個 LLM 提供商生成的 AI 假設。不是逐一產生單個策略, 而是一整個供你篩選與組合的訊號群體。
訊號規模平台
StratCraft
生成、管理、回測、部署: 盡你所想的策略數量，AI 全程協助。
建構你自己的交易系統，統一管理所有策略。
訊號規模平台 · 即時
複合淨值 · IC + ICIR 加權 · 最高 2,000 獨立信號
示意圖：已在引擎基準中驗證500–1000×
比 Python 更快
2000+/sess
已生成策略
7
LLM 供應商
1000+
信號容量
規模化數字
讓零售交易者實現機構級訊號規模的關鍵。
0
比 Python 更快: 讓規模化成為可能的速度
0
信號來源: 經典策略 · 因子 · 機器學習 · AI 假設
0
用於回測訊號的市場資料源
0
Alpha 工廠的訊號容量
三層競爭壁壘
只有 StratCraft 將三大優勢融為一體: 每一層都讓其他層更強大。
2 第 2 層 · 速度
第二層：C++23 速度
比 Python 快 500-1000 倍。讓 1000 訊號規模成為可能, 你可以回測整個工廠，而不僅僅是精選的幾個。
Python
(vectorbt)1×
(vectorbt)1×
Rust
(NautilusTrader)42×
(NautilusTrader)42×
StratCraft
C++23784×
C++23784×
3 第 3 層 · 組合
第三層：統計組合
統計組合層。使用 IC、ICIR 和 Sharpe 篩選組合 最多 2,000 個獨立訊號。5 種統計加權方法。這就是將回測庫轉化為訊號工廠的關鍵。
∞ 全本地 · 無鎖定
全本地，無鎖定
Windows、macOS、Linux。所有計算在本地運行, 無雲端依賴，規模化無額外成本。匯出可攜式 .py 策略，零供應商鎖定。
Windows
macOS
Linux
為什麼訊號規模很重要
零售交易者一直處於結構性劣勢。StratCraft 改變了這個等式。
傳統方法
StratCraft 訊號規模
信號來源
手動編寫 3-5 個策略
pages.quantnexus.scaleComparison.row1Quantnexus
回測吞吐量
Python：每次運行數小時，只能測試少量
pages.quantnexus.scaleComparison.row2Quantnexus
組合建構
選出最佳策略單獨運行
pages.quantnexus.scaleComparison.row3Quantnexus
結構化方法
集中風險, 一個策略失敗，全盤皆輸
pages.quantnexus.scaleComparison.row4Quantnexus
頂級量化基金透過統計組合數千個訊號實現了無與倫比的回報，而不是尋找一個完美策略。StratCraft 將這種架構帶給零售交易者。
三層流水線
1
第一層: 從四大來源聚合
匯集經典策略（開源函式庫、已發表系統、TradingView、你自己的成果）、量化因子、機器學習模型, 以及 LLM 生成的假設。一個想法變成一整個候選群體, 而非單一手寫策略。
2
第二層: 回測整個工廠
C++23 引擎全部運行，比 Python 快 500-1000 倍。6+ 資料源，每 500 根 K 線即時權益曲線。速度讓回測 最多 2,000 個獨立訊號成為可能。
3
第三層: 機構級統計組合
將存活的訊號帶入 Alpha 工廠。應用 IC/ICIR/Sharpe 篩選，使用 5 種統計加權方法組合。輸出是一個 最多 2,000 個獨立訊號組合, 頂級量化基金所採用的結構化方法。