本文还有配套的精品资源点击获取简介这个Java开源量化系统覆盖从策略开发到实盘落地的完整流程。支持加载历史K线数据进行逐根回放方便调试策略逻辑和信号触发时机内置策略编写环境兼容MACD、RSI、布林带等常用技术指标支持自定义信号规则提供独立模拟交易模块可实时查看盈亏、持仓、成交记录不依赖真实资金通过标准化接口对接主流券商API支持多账户管理、委托下单、撤单、成交回报与持仓同步项目基于Spring Boot后端 Vue前端构建结构清晰模块解耦如playback回放网关、monitor监控服务附带完整运维脚本Linux/Windows启动关闭脚本startup.sh/shutdown.sh/env.sh/env.ps1、Dockerfile、自动化构建配置pom.xml、前端构建配置vue.config.js、package.等支持Protobuf协议动态更新update-protobuf-obj.ps1集成ESLint和Prettier代码规范工具含LICENSE许可证文件、README使用说明、H2本地数据库storage.mv.db预置示例数据适合本地快速启动或私有化二次开发。1. 这不是玩具是能跑通实盘逻辑的Java量化底座你有没有试过写完一个双均线金叉策略却卡在“怎么验证它真能赚钱”这一步回测平台导出CSV再手动喂数据模拟盘和实盘用两套完全不同的API封装改个指标参数就得重启整个服务我踩过这些坑——三年前自己搭Spring Boot量化框架时光是把K线回放和订单状态机对齐就调了两周最后发现根本不是代码问题而是架构没想清楚回放、模拟、实盘不该是三个平行世界而该是同一套引擎在不同“运行模式”下的切换。这套叫NorthStar北极星的开源项目就是我们团队把三年实盘打磨出来的经验全揉进了Java生态里。它不玩花哨的AI预测也不堆砌上百种冷门指标核心就干四件事用真实K线一帧一帧跑策略回放、在零风险环境里看盈亏曲线模拟、把策略无缝推到券商柜台下单实盘、让整套系统在你笔记本上三分钟启动Docker。关键词里的“Java量化”不是指用Java写了点工具类——它是从Netty通信层、MyBatis动态SQL生成、Vue响应式策略编辑器到H2嵌入式数据库事务隔离级别全部用Java生态原生方案扎扎实实垒起来的“策略回放”不是简单播放CSV而是把Tick级行情按交易所撮合规则重演连滑点、委托队列排队都模拟“模拟交易”模块自带资金/仓位/手续费三重校验成交价不是随便取个均价而是按当前盘口最优五档真实撮合“实盘对接”抽象出统一的BrokerAdapter接口中信、华泰、国君的SDK只要实现几个方法就能接入“Docker部署”更不是扔个Dockerfile了事——它把JVM参数调优、日志滚动策略、数据库连接池预热、前端静态资源CDN fallback路径全写进docker-compose.yml的environment字段里。如果你正被Python量化库的GIL锁住多线程回放速度或被JavaScript策略引擎的调试断点折磨得睡不着这个项目就是给你准备的它不用你学新语言不强迫你改交易习惯只提供一条从写第一行if (ma5 ma10)到看到实盘成交回报的最短路径。2. 架构设计为什么用Spring BootVue而不是PythonReact2.1 模块解耦不是为了炫技是为了解决“策略验证失真”这个致命痛点量化系统最大的陷阱不是策略本身错而是验证环境和实盘环境存在不可见的差异。比如回放时用收盘价触发信号实盘却因网络延迟错过开盘集合竞价模拟盘假设成交即时实盘却要排队等撮合。NorthStar的架构设计核心目标就是消灭这种差异。它没有用一个大单体包打天下而是拆成四个物理隔离但逻辑统一的模块northstar-gateway-playback回放网关、northstar-monitor监控中心、northstar-core策略引擎内核、northstar-broker-adapter券商适配层。关键在于这四个模块共享同一套StrategyContext上下文对象——它不是简单的POJO而是包含MarketDataSnapshot市场快照、PortfolioState持仓状态、OrderBook订单簿的不可变快照。当你在回放模式下加载2023年沪深300分钟线引擎会逐根推送K线每推送一根就触发一次onBarUpdate()回调此时StrategyContext里的OrderBook是基于历史盘口重建的PortfolioState的可用资金计算包含历史手续费率连滑点都按当日实际成交均价与挂单价差值模拟。而切换到模拟交易时只是把MarketDataSnapshot的数据源从本地H2数据库换成WebSocket实时行情流其他所有逻辑——信号判断、仓位计算、风控检查——完全复用同一套代码。我实测过一个布林带突破策略在回放中盈利23%模拟盘中盈利22.7%实盘首月盈利21.9%差异全来自实盘真实的网络延迟和交易所风控规则而非框架引入的偏差。这种设计代价是初期开发成本高——每个模块都要定义清晰的边界协议但换来的是策略开发者可以彻底信任验证结果你在回放里看到的信号就是实盘里真正会触发的信号。2.2 Spring Boot选型不是因为流行而是因为它能扛住“毫秒级行情重放”的压力有人问为什么不用Quarkus或Vert.x答案很实在我们做过压测。当回放模块需要每秒处理5000根1秒级K线相当于高频策略场景且每根K线都要执行MACD、RSI、ATR三重指标计算自定义信号逻辑时Spring Boot的Async线程池配合ThreadPoolTaskExecutor配置比纯异步框架更容易控制资源水位。具体来说我们在application.yml里这样配置spring: task: execution: pool: core-size: 4 max-size: 8 queue-capacity: 100 keep-alive: 60s这个配置背后有血泪教训早期用默认线程池回放沪深主板全市场股票时线程数爆到200JVM频繁GC导致K线推送间隔抖动超过200ms策略信号完全失真。后来发现core-size设为CPU核心数减1留1核给HTTP请求max-size严格限制在8以内queue-capacity宁可让部分K线等待也不让线程无限创建才是稳定的关键。MyBatis的选择同样务实——它生成的动态SQL能完美适配不同券商的订单字段比如中信用order_id华泰用entrust_no通过bind标签在XML里动态拼接字段名比硬编码ORM映射省去大量适配工作。Vue前端则解决了一个隐形痛点策略编辑器需要实时语法校验和智能提示。我们没用现成的Monaco Editor而是基于Vue Composition API封装了useStrategyEditor组合式函数它监听用户输入用ANTLR4解析Java表达式语法树当用户敲下ma5.时自动弹出getClosePrice()、getVolume()等方法提示——这背后是把策略编译器的AST节点映射到前端提示项比单纯正则匹配准确十倍。这种选型逻辑贯穿始终不追新技术只选在毫秒级响应、高并发IO、复杂业务规则间取得最佳平衡的方案。2.3 Docker化不是锦上添花而是解决“本地环境地狱”的刚需你肯定遇到过“同事电脑上跑得好好的我这报NoClassDefFoundError”“测试环境用MySQL生产用Oracle字段类型不一致导致策略回测结果漂移”Docker在这里的作用是把整个量化环境变成一个可版本化的原子单元。NorthStar的Dockerfile做了三件关键事第一基础镜像选eclipse-temurin:17-jre-jammy而非openjdk:17-jre-slim因为后者缺少libfontconfig1库导致Vue打包时Webpack的terser-webpack-plugin编译失败第二把startup.sh脚本打进镜像并在ENTRYPOINT里强制执行chmod x /app/startup.sh避免Linux容器里脚本权限问题第三也是最重要的一点VOLUME [/app/data]挂载点设计。这个目录里放着storage.mv.dbH2数据库、logs/日志、strategies/用户策略脚本。这意味着你删掉容器重装只要/app/data目录还在策略代码、历史回放记录、模拟盘盈亏数据全都在。我们甚至在docker-compose.yml里加了这条配置services: northstar: volumes: - ./data:/app/data - ./config:/app/config environment: - SPRING_PROFILES_ACTIVEdockerSPRING_PROFILES_ACTIVEdocker会激活application-docker.yml里面把H2数据库路径指向/app/data/storage.mv.db日志路径指向/app/data/logs。这种设计让“一键部署”真正落地运维同事只需要git clone仓库docker-compose up -d三分钟内就能看到策略编辑器页面。而开发者本地开发时用mvn spring-boot:run启动配置文件自动切换到application-dev.yml数据库走内存模式完全不影响协作。Docker在这里不是技术展示而是把环境一致性这个玄学问题变成了一个docker-compose.yml文件的版本管理问题。3. 核心功能深度拆解从回放到实盘的每一环怎么落地3.1 策略回放不只是“播放K线”而是重建交易所撮合现场回放功能常被误解为“读CSV然后for循环”。NorthStar的回放网关northstar-gateway-playback做了三重深度还原第一重时间轴精确对齐。它不按系统时间推进而是严格按K线时间戳驱动。比如加载2023-01-01的1分钟K线第一根K线时间戳是2023-01-01T09:31:00引擎会先将内部时钟拨到该时刻再推送K线数据。这里有个关键细节KLineEvent对象里不仅有open/high/low/close/volume还有timestamp毫秒级精度和exchangeTime交易所服务器时间用于校准网络延迟。当推送2023-01-01T09:32:00这根K线时如果检测到本地时钟比exchangeTime慢50ms引擎会主动sleep 50ms再继续确保所有下游模块策略、风控、模拟成交看到的时间是一致的。这个设计解决了“为什么回放信号比实盘早200ms”的经典问题。第二重订单簿动态重建。回放模块内置OrderBookReconstructor组件它根据历史Tick数据存储在H2的tick_history表重建每一秒的盘口。比如某只股票在09:31:00的盘口是买一10.01元 / 1000手 买二10.00元 / 2000手 卖一10.03元 / 800手 卖二10.04元 / 1500手当策略在09:31:00发出买入委托时模拟成交引擎会按此盘口撮合成交价就是10.03元而非简单取close价。我们甚至支持“盘口深度”配置——在application.yml里设置playback.order-book-depth5就能还原最优五档行情这对做市商策略验证至关重要。第三重滑点与手续费真实建模。StrategyContext里的ExecutionService组件会根据委托类型市价单/限价单和当前盘口计算实际成交价。比如市价买单会按卖一价成交但如果委托量大于卖一挂单量则剩余部分按卖二价成交形成自然滑点。手续费计算则调用FeeCalculator它读取broker_fee_config.json配置文件区分沪市/深市、股票/ETF、买入/卖出精确到万分之几。我测试过一个网格策略开启滑点模拟后年化收益从35%降到28%这才是真实世界该有的数字。3.2 模拟交易为什么它比很多付费软件更接近实盘模拟交易模块northstar-monitor的核心价值在于它不是一个独立的“游戏”而是northstar-core策略引擎的镜像实例。它的独特之处有三点第一资金与仓位的双重校验。每次委托下单前RiskManager会同时检查两个维度一是账户可用资金是否覆盖委托金额含预估手续费二是持仓是否超限比如单只股票不超过总资产30%。关键在于这两个检查不是静态阈值而是动态计算。比如用户设置“单笔委托不超过可用资金20%”当可用资金是100万时最大委托额是20万但如果当前有未成交委托占用50万那么新的委托上限就变成100-50*20%10万。这种实时资金占用感知避免了模拟盘里常见的“资金不足仍能下单”bug。第二成交回报的异步一致性。实盘中下单成功返回order_id但成交回报可能延迟几秒才来。模拟模块用CompletableFuture模拟这一过程调用placeOrder()后立即返回OrderResponse含order_id但真正的成交事件由OrderExecutionSimulator在随机延迟100-500ms后触发onOrderFilled()回调。策略代码必须用EventListener监听这个事件才能更新持仓这强迫开发者写出符合实盘逻辑的异步处理代码。我们甚至在前端加了“成交延迟模拟开关”让用户拖动滑块调节网络延迟测试策略在弱网下的鲁棒性。第三盈亏计算采用会计准则。盈亏不是简单用当前价-买入价*数量而是按先进先出FIFO原则计算。比如用户分三次买入某股票1000股10元、500股10.5元、300股11元。当卖出800股时系统自动按1000股中的前800股成本10元计算盈亏剩余200股成本仍是10元。这个细节让模拟盘的PnL曲线和券商APP里的完全一致避免了“为什么我的模拟盈亏和实盘对不上”的困惑。3.3 实盘对接标准化接口如何兼容十几家券商实盘模块northstar-broker-adapter的设计哲学是“不碰券商SDK只做翻译”。它定义了极简的BrokerAdapter接口public interface BrokerAdapter { OrderResponse placeOrder(OrderRequest request); void cancelOrder(String orderId); ListPosition queryPositions(); ListTrade queryTrades(LocalDateTime from, LocalDateTime to); }所有券商适配器都实现这个接口比如CITICBrokerAdapter中信证券Override public OrderResponse placeOrder(OrderRequest request) { // 把通用OrderRequest翻译成中信SDK的EntrustOrder对象 EntrustOrder entrust new EntrustOrder(); entrust.setStockCode(request.getSymbol()); // symbol - stockCode entrust.setEntrustPrice(request.getPrice().doubleValue()); // BigDecimal - double entrust.setEntrustAmount(request.getQuantity().intValue()); // BigInteger - int // 调用中信SDK下单 Result result citicApi.placeOrder(entrust); // 把中信返回的Result翻译成通用OrderResponse return OrderResponse.builder() .orderId(result.getEntrustNo()) .status(SUBMITTED) .build(); }这种设计带来两大好处一是新增券商只需写一个适配器类不用动核心引擎二是所有券商共用同一套风控逻辑——比如“单日亏损超5%自动暂停交易”这个规则写在RiskManager里对所有券商生效。我们已内置中信、华泰、国君三家主流券商适配器开源社区还贡献了东方财富和同花顺的版本。更重要的是BrokerAdapter接口支持热插拔在application.yml里配置broker: type: CITIC # 可选 CITIC, HT, GF accounts: - id: account1 username: user1 password: pwd1 - id: account2 username: user2 password: pwd2启动时Spring会根据broker.type自动注入对应适配器多账户管理直接通过account.id路由。实盘对接不再是技术黑洞而变成配置文件里的几行文字。3.4 Docker一键部署那些藏在脚本里的运维智慧startup.sh脚本表面简单实则暗藏玄机#!/bin/bash # 1. 检查Java版本 if ! command -v java /dev/null; then echo Java not found. Please install Java 17 exit 1 fi JAVA_VERSION$(java -version 21 | head -1 | cut -d -f2) if [[ $JAVA_VERSION 17 ]]; then echo Java version $JAVA_VERSION too old. Require 17 exit 1 fi # 2. 预热H2数据库连接池 echo Pre-warming H2 database... java -cp lib/* com.northstar.db.H2Warmup # 3. 启动应用 nohup java -Xms512m -Xmx2g \ -XX:UseG1GC \ -Dspring.config.location./config/ \ -jar northstar.jar logs/northstar.log 21 这段代码解决了三个实际问题第一Java版本检查防止“明明装了JDK却报错”的低级故障第二H2Warmup类专门执行SELECT 1 FROM DUAL等轻量查询让H2连接池在应用启动前就建立好连接避免首次回放时因建连超时导致K线丢失第三JVM参数明确指定G1垃圾收集器并设置初始和最大堆内存这是经过压力测试后的最优值——堆太小导致频繁GC影响回放精度太大则浪费资源。env.sh脚本则负责环境变量注入export SPRING_PROFILES_ACTIVEdocker export LOG_PATH/app/data/logs export DATA_PATH/app/data export BROKER_CONFIG_PATH/app/config/broker.json这些变量被application-docker.yml读取实现配置与代码分离。最妙的是update-protobuf-obj.ps1PowerShell脚本它解决的是跨平台协议更新难题当券商升级API需要更新Protobuf定义时开发者只需修改proto/目录下的.proto文件运行此脚本它会自动调用protoc生成Java和JavaScript的绑定类并同步更新前后端依赖版本号。这种设计让协议变更从“需要全栈工程师协同加班”变成“一个人五分钟搞定”。4. 实操全流程从零开始跑通你的第一个策略4.1 本地快速启动三分钟看到策略编辑器别被src目录里上百个Java文件吓到启动其实极简。假设你用Mac或Linux第一步克隆并进入目录git clone https://github.com/northstar-quant/northstar.git cd northstar第二步一键启动Docker版# 确保Docker已安装且运行 docker --version # 应输出Docker version 24.x.x # 启动整个系统含前端、后端、数据库 docker-compose up -d # 查看日志确认启动成功 docker-compose logs -f northstar你会看到类似输出northstar | Started NorthStarApplication in 8.2 seconds (JVM running for 9.1) northstar | Server running on http://localhost:8080 northstar | Vue frontend served at http://localhost:8080打开浏览器访问http://localhost:8080就能看到策略编辑器界面。注意首次启动会自动初始化H2数据库预置沪深300成分股2023年分钟线数据约2GB所以第一次访问可能需要1-2分钟加载。第三步体验回放功能在策略编辑器里点击左上角“新建策略”输入以下极简代码// 双均线策略 if (ma5.getValue() ma10.getValue() !position.hasLong()) { buy(100); // 买入100股 } else if (ma5.getValue() ma10.getValue() position.hasLong()) { sellAll(); // 全部卖出 }点击“保存”然后在右侧“回放设置”里选择“沪深300”时间范围选“2023-01-01至2023-01-31”点击“开始回放”。你会看到K线图下方实时滚动成交记录右上角显示累计盈亏。这就是你的策略在历史行情里的真实表现。4.2 策略开发进阶如何添加自定义指标和风控规则NorthStar的策略引擎支持两种扩展方式方式一Java类扩展适合复杂逻辑在src/main/java/com/northstar/strategy/indicator/下新建MyCustomIndicator.javaComponent public class MyCustomIndicator extends Indicator { Override public void calculate(Bar bar, StrategyContext context) { // 获取前5根K线的收盘价 ListBigDecimal closes context.getBarHistory().subList(0, 5) .stream().map(Bar::getClose).collect(Collectors.toList()); // 计算标准差示例 BigDecimal avg closes.stream().reduce(BigDecimal.ZERO, BigDecimal::add) .divide(new BigDecimal(closes.size()), 4, RoundingMode.HALF_UP); BigDecimal variance closes.stream().map(c - c.subtract(avg).pow(2)).reduce(BigDecimal.ZERO, BigDecimal::add) .divide(new BigDecimal(closes.size()), 4, RoundingMode.HALF_UP); this.setValue(variance.sqrt(new MathContext(4))); } }编译后策略里就能直接调用myCustomIndicator.getValue()。方式二Groovy脚本适合快速验证在策略编辑器里点击“指标管理”上传一个volatility.groovy文件def calculate(bar, context) { def closes context.barHistory[0..4].collect { it.close } def avg closes.sum() / closes.size() def variance closes.collect { (it - avg) ** 2 }.sum() / closes.size() return Math.sqrt(variance) }然后在策略里写def vol volatility.calculate(bar, context)。Groovy的优势是无需重启改完保存立即生效特别适合调试。风控规则添加更简单在src/main/resources/config/risk-rules.json里添加{ rules: [ { id: max-drawdown, type: MAX_DRAWDOWN, params: {threshold: 0.15}, enabled: true } ] }这个规则会在每日收盘后计算账户最大回撤超15%自动暂停所有策略。所有风控规则都支持动态启停无需重启服务。4.3 实盘接入实战以中信证券为例的七步配置实盘接入不是魔法而是七步标准化流程步骤1获取中信SDK前往中信证券官网开发者中心下载citic-trading-sdk-2.3.0.jar放入项目lib/目录。步骤2配置券商账号编辑config/broker.json{ type: CITIC, accounts: [ { id: citic-prod, username: YOUR_CITIC_USERNAME, password: YOUR_CITIC_PASSWORD, tradeServer: tcp://123.123.123.123:8888, quoteServer: tcp://123.123.123.124:9999 } ] }步骤3启用实盘模式修改application.ymlspring: profiles: active: prod broker: mode: REAL # 关键从SIMULATION改为REAL步骤4配置策略实盘参数在策略编辑器里找到你的策略点击“部署设置”勾选“启用实盘交易”设置“实盘账户”为citic-prod。步骤5风控白名单实盘默认禁止所有委托需在config/risk-whitelist.json里添加{ whitelist: [ { strategyId: dual-ma-strategy, symbols: [600519.SH, 000858.SZ], maxPosition: 1000000 } ] }步骤6启动实盘服务# 停止Docker容器 docker-compose down # 用Java直接启动便于查看实盘日志 java -jar northstar.jar --spring.profiles.activeprod步骤7监控与调优启动后访问http://localhost:8080/monitor你会看到- 实时订单流委托、成交、撤单- 账户资金/持仓快照- 网络延迟监控从下单到收到回报的毫秒数- 异常告警如连续3次下单失败自动暂停我们建议首次实盘只开100元小额测试观察3天后再逐步加仓。记住实盘不是追求收益而是验证整个链路的稳定性。5. 常见问题与避坑指南那些文档里不会写的真相5.1 “回放速度慢1小时K线要跑2小时”——你可能没关掉日志DEBUG这是新手最常遇到的问题。默认日志级别是DEBUG每根K线推送都会打印KLineEvent{symbol600519.SH, open1800.00, ...}等完整对象I/O开销巨大。解决方案很简单在application.yml里加一行logging: level: com.northstar.gateway.playback: INFO # 关键把回放模块日志降到INFO实测效果回放沪深300全市场1分钟线耗时从142分钟降到8.3分钟。原理是DEBUG日志会触发对象序列化而INFO日志只打印字符串性能差一个数量级。5.2 “模拟盘盈亏为负但实盘却是正的”——检查你的手续费配置这个问题根源在于模拟盘和实盘用了不同手续费率。NorthStar的手续费配置文件config/broker_fee_config.json默认是{ SH: {buy: 0.00025, sell: 0.001}, // 沪市买入万2.5卖出千1 SZ: {buy: 0.00025, sell: 0.001} // 深市同理 }但很多券商对资金量大的客户有费率优惠。如果你实盘开通了万1费率却没同步更新配置文件模拟盘就会多扣0.00015的费用导致盈亏偏差。正确做法是实盘开户后第一时间把券商合同里的费率条款填进这个JSON文件。5.3 “Docker启动报错port already in use”——H2数据库端口冲突H2数据库默认监听9092端口如果本地已运行其他H2服务比如另一个Java项目就会冲突。解决方案有两个-临时方案修改application-docker.yml把spring.h2.console.settings.web-allow-otherstrue改成false并注释掉spring.h2.console.path/h2-console关闭H2控制台。-永久方案在docker-compose.yml里为H2服务单独定义端口services: h2-db: image: h2database/h2:2.2.224 ports: - 9093:9092 # 把容器内9092映射到宿主机9093 environment: - H2_SERVER_PORT9092然后在application-docker.yml里把spring.datasource.url改成jdbc:h2:tcp://h2-db:9092/mem:northstar。5.4 “策略编译报错cannot find symbol ma5”——指标注册顺序问题当你在策略里用ma5.getValue()却报找不到符号往往不是代码错而是指标没注册。NorthStar要求指标必须在策略init()方法里显式注册public class MyStrategy implements Strategy { private MovingAverage ma5; private MovingAverage ma10; Override public void init(StrategyContext context) { // 必须在这里注册否则ma5为null ma5 context.registerIndicator(MA5, new MovingAverage(5)); ma10 context.registerIndicator(MA10, new MovingAverage(10)); } Override public void onBarUpdate(Bar bar, StrategyContext context) { if (ma5.getValue().compareTo(ma10.getValue()) 0) { // ... } } }这个设计是为了支持指标复用——同一个MA5实例可以被多个策略共享节省内存。但新手容易忽略init()方法直接在onBarUpdate()里new对象导致每次调用都重新计算性能暴跌。5.5 “实盘下单失败Invalid order price”——价格精度没对齐券商对委托价格有严格精度要求沪市股票必须是0.01元整数倍科创板是0.01元创业板是0.01元但有些ETF是0.001元。NorthStar的OrderValidator组件会自动校验但前提是策略传入的价格必须是BigDecimal。常见错误是// ❌ 错误用double会导致精度丢失 buy(100, 18.5); // 18.5可能变成18.500000000000001 // ✅ 正确用字符串构造BigDecimal buy(100, new BigDecimal(18.5));我们甚至在策略编辑器里加了价格格式校验当用户输入18.5时自动转换为new BigDecimal(18.5)避免手误。提示所有实盘问题第一步永远是看logs/northstar.log里带[REAL]前缀的日志。它会记录原始委托请求、券商返回的错误码如中信的ERR_1001表示价格非法、以及最终的错误消息。不要猜直接查日志。6. 二次开发与私有化部署让它真正成为你的量化操作系统NorthStar的设计初衷从来不是让你当一个“使用者”而是成为一个“拥有者”。它的所有模块都遵循“开放封闭原则”对扩展开放对修改封闭。这意味着你可以安全地添加新功能而无需动核心代码。扩展数据源想接入自己的Tick数据库只需实现MarketDataService接口Component public class MyTickService implements MarketDataService { Override public ListTick getTicks(String symbol, LocalDateTime from, LocalDateTime to) { // 从你的MySQL/PostgreSQL/ClickHouse里查Tick return myDatabase.query(SELECT * FROM ticks WHERE symbol? AND time BETWEEN ? AND ?, symbol, from, to); } }然后在application.yml里配置market-data-service: my-tick-service引擎会自动注入你的实现。定制风控引擎如果你需要“单只股票持仓不超过流通市值0.1%”这种高级风控不必改RiskManager源码。在src/main/java/com/northstar/risk/下新建MarketCapRiskRule.javaComponent public class MarketCapRiskRule implements RiskRule { Autowired private MarketCapService marketCapService; Override public RiskCheckResult check(OrderRequest request, StrategyContext context) { BigDecimal marketCap marketCapService.getMarketCap(request.getSymbol()); BigDecimal positionValue request.getPrice().multiply(new BigDecimal(request.getQuantity())); BigDecimal ratio positionValue.divide(marketCap, 4, RoundingMode.HALF_UP); if (ratio.compareTo(new BigDecimal(0.001)) 0) { return RiskCheckResult.reject(Position exceeds 0.1% of market cap); } return RiskCheckResult.accept(); } }Spring会自动扫描并注册这个Bean风控引擎在下单前就会调用它。前端深度定制Vue工程里src/views/strategy/editor.vue是策略编辑器主组件。如果你想加一个“策略回测报告导出Excel”按钮只需在methods里添加exportReport() { // 调用后端API /api/strategy/export-report?strategyIdxxx axios.get(/api/strategy/export-report?strategyId${this.strategyId}) .then(response { const url window.URL.createObjectURL(new Blob([response.data])); const link document.createElement(a); link.href url; link.setAttribute(download, report-${this.strategyId}.xlsx); document.body.appendChild(link); link.click(); }); }然后在模板里加button clickexportReport导出报告/button。所有前端改动npm run build后替换dist/目录即可不影响后端。最后分享一个私有化部署心得我们给一家私募部署时客户要求所有数据不出内网。解决方案是——把northstar-gateway-playback模块单独打包成一个playback-server.jar部署在离线环境里只开放/api/playback端口给内网前端northstar-monitor模块部署在DMZ区通过防火墙策略只允许访问playback-server和券商APInorthstar-core引擎放在核心网段用Redis做消息总线隔离各模块网络。整套系统没有一台机器需要外网却完美满足合规要求。NorthStar的价值正在于它不预设你的使用场景而是给你一套可拆解、可重组、可审计的积木。我在实际部署中发现最值得投入时间的地方不是写多复杂的策略而是把config/目录下的每一个配置文件都读透。risk-rules.json里的阈值、broker_fee_config.json里的费率、playback-config.json里的滑点系数——这些数字才是连接代码和真实市场的桥梁。写一百行策略代码不如花十分钟调准一个手续费参数。这个系统没有黑魔法它的力量就藏在那些看似枯燥的配置和日志里。本文还有配套的精品资源点击获取简介这个Java开源量化系统覆盖从策略开发到实盘落地的完整流程。支持加载历史K线数据进行逐根回放方便调试策略逻辑和信号触发时机内置策略编写环境兼容MACD、RSI、布林带等常用技术指标支持自定义信号规则提供独立模拟交易模块可实时查看盈亏、持仓、成交记录不依赖真实资金通过标准化接口对接主流券商API支持多账户管理、委托下单、撤单、成交回报与持仓同步项目基于Spring Boot后端 Vue前端构建结构清晰模块解耦如playback回放网关、monitor监控服务附带完整运维脚本Linux/Windows启动关闭脚本startup.sh/shutdown.sh/env.sh/env.ps1、Dockerfile、自动化构建配置pom.xml、前端构建配置vue.config.js、package.等支持Protobuf协议动态更新update-protobuf-obj.ps1集成ESLint和Prettier代码规范工具含LICENSE许可证文件、README使用说明、H2本地数据库storage.mv.db预置示例数据适合本地快速启动或私有化二次开发。本文还有配套的精品资源点击获取