本文目录导读：
在开源量化投资和算法交易的圈子里,基本面和技术面通常不被认为是天然一致的，甚至常常被视为两种截然不同的投资哲学。
开源社区的一大特点就是包容与实用主义，虽然它们在理论基础上有分歧，但在实际的代码实现和策略开发中，开源项目往往会将两者结合，或者让它们在不同的维度上共存。
以下是开源项目中对基本面和技术面关系的几种典型看法：
理论层面的分歧：源自不同的假设
在开源项目的文档、讨论区或策略分类中，两者通常被严格区分：
- 基本面分析： 认为资产有其“内在价值”，价格最终会回归价值，开源项目（如基于
pandas的财报分析、yfinance抓取财务数据）通常用于计算市盈率、市净率、现金流等，策略偏长线、低频、因子投资（如法玛-法兰奇三因子模型）。 - 技术面分析： 认为所有信息都已反映在价格中，通过历史价格和成交量预测未来走势，开源项目（如
TA-Lib、backtrader）通常用于计算均线、MACD、RSI等，策略偏短线、高频、统计套利。 - 在纯理论层面，开源项目认为两者是不一致的，甚至是对立的。
工程层面的务实：代码里“我全都要”
在实际的开源量化框架（如 Qlib、Backtrader、Zipline、vn.py）中，开发者往往不关心哲学争论，只看重信号的有效性。
- 多因子模型： 这是开源量化中最主流的做法，基本面数据（如ROE、营收增长）和技术面数据（如动量、波动率）被一起扔进机器学习模型（如XGBoost、LSTM）中作为特征（Features），它们被视为互补的输入，而不是一致的观点。
- 风控与择时： 很多开源策略会用基本面选股（选出好公司），用技术面择时（决定买入卖出点），用低市盈率筛选股票池，用RSI超卖作为买入信号。
- 在工程实现上，开源项目认为两者可以一致合作，共同服务于一个目标：提高夏普比率。
开源社区的特殊视角：数据与工具的分离
开源项目往往更关注数据获取和回测框架，而不是强制某种世界观。
- 数据源项目： 像
AKShare、Tushare、OpenBB这类项目，既提供财务数据接口，也提供行情数据接口，它们不判断谁对谁错，只是提供“原材料”。 - 策略分享平台： 在
QuantConnect或GitHub上，你可以看到纯技术面的策略（如海龟交易法则），也可以看到纯基本面的策略（如格雷厄姆价值投资），社区通常不认为它们一致，但认为它们适用于不同的市场环境和资金规模。 - 开源项目认为两者是平行的工具箱，用哪个取决于你的交易频率和资金容量。
学术与实证的碰撞
开源社区经常复现学术论文,学术界对两者的看法也影响了开源：
- 有效市场假说： 如果市场是弱式有效的，技术面无效；如果是半强式有效的，基本面也无效。
- 行为金融学： 认为两者都有缺陷，因为投资者非理性，开源项目中的情绪分析（如抓取推特、新闻）往往作为第三维度加入，试图调和两者。
- 开源社区倾向于认为单一维度都不够，两者结合（基本面定方向，技术面定时机）才是更稳健的做法。
开源项目并不认为基本面和技术面在哲学上是一致的。
- 如果你问一个纯技术面的开源开发者,他可能认为基本面是“玄学”；
- 如果你问一个做多因子的开源开发者,他可能认为两者是“不同频率的信号”；
- 如果你问一个做高频交易的开发者,他可能完全忽略基本面。
但在代码实现层面，开源社区的主流态度是：不管黑猫白猫，能通过回测、能控制回撤、能赚钱的就是好猫。 它们常常被融合在同一个策略中，作为互补的特征，而不是一致的信条。
