trade-learn：Rust驱动的量化交易回测框架，实现110倍性能提升

trade-learn是由MuuYesen开发的Python+Rust混合架构量化交易回测框架，于2026年6月1日在GitHub开源（链接：https://github.com/MuuYesen/trade-learn）。该框架保持与Backtrader 100%语义对齐，通过Rust原生回测内核实现多资产回测110倍以上性能提升，并内置因果推断机制解决机器学习策略中的伪相关问题，为量化投研提供高效且稳健的解决方案。

在量化交易领域，研究者长期面临两难：选择功能强大但运行缓慢的框架（如Backtrader，处理大规模多资产回测耗时数小时），或性能优异但牺牲语义精确性的轻量方案。trade-learn的出现旨在解决这一矛盾，通过Python表达策略逻辑+Rust原生回测内核的混合架构，在保持语义对齐的同时实现性能飞跃，提升策略迭代效率。

trade-learn采用「双模双核」架构：

• Engine模式：深度对齐Backtrader语义，支持Analyzer、Sizer、Signal等核心组件，适合构建生产级复杂系统；
• Lite模式：沿袭backtesting.py极简主义，提供轻量级Pythonic接口，支持模型权重直连（target_weights接口），适合高频迭代与原型验证。 两种模式共享Rust驱动的Runtime，确保底层执行效率一致。

trade-learn底层撮合引擎与核心计算由Rust实现，性能显著提升：

• 单标的回测：28倍加速；
• 多资产调仓场景：110倍以上加速。 此外，框架配备智能Runner调度系统，自动选择处理模式，并针对指数增强场景优化内存布局，让开发者专注策略逻辑。

trade-learn内置因果推断机制应对机器学习策略中的伪相关陷阱：

• 通过CausalSelector组件集成PC算法和FCI算法，剥离伪相关因子，保留直接驱动收益的特征；
• 优势：抵抗样本外衰减、提升策略解释性、无缝集成causal-learn生态，降低学术算法落地门槛。

trade-learn提供完整投研流水线：Research（特征生成与数据切分）→Pipeline（预处理、模型打分、权重生成）→Portfolio（回测执行）→Live-style（实时推理），并内置JupyterLab与MLflow实现可复现追踪。生态上支持TDX/TradingView指标口径，兼容TA-Lib等库；部署灵活，核心依赖极简，可按需扩展完整投研环境。

适用场景：敏捷开发者（Lite模式快速验证）、指数增强管理者（大规模回测秒级完成）、ML研究者（全链路自动化）、Backtrader玩家（语义对齐+高性能）、因果推断探索者（伪相关剔除）。 总结：trade-learn通过技术创新平衡「快」与「准」，推动量化研究从统计关联向因果机制转型。 建议：项目采用Apache 2.0协议，可通过pip install trade-learn快速体验。