AI 做量化
业务、技术栈、玩家、学习路径

量化是什么业务

"量化"是 Quantitative 的中文简称。在金融语境里，它的核心含义是：用数学与统计模型，把"投资决策"从主观判断变成可计算、可回测、可重复的过程。但中文语境下，"量化"经常被绑在三种不同的业务上——这件事必须先理清。

三种不同的"量化"

日常大家说的"AI 做量化"，最常指前两类——量化交易 + 量化投资。前者更接近"自动化策略工厂"，后者更接近"机器驱动的基金经理"。这两类的 AI 用法、技术栈、监管路径都不一样，下面会分章节讲。

量化的核心三件套：Alpha · Beta · Risk

任何量化策略，无论简单或复杂，最终都是在做三件事的取舍。

• Alpha（超额收益）· 模型相对市场基准多赚的部分。这是量化研究员每天盯着的"圣杯"。AI 在这一层最大的发力点是因子挖掘。
• Beta（市场暴露）· 跟着市场大盘一起波动的部分。研究员不想要它，所以用市场对冲（market-neutral）、行业对冲、因子对冲把它压掉。
• Risk（风险预算）· 策略在极端行情下的尾部损失。AI 在这一层负责实时监控、压力测试、自动减仓。

量化 = 找 Alpha、对冲 Beta、控制 Risk。AI 让这三件事都可以"自动找、自动算、自动盯"。

量化 ≠ 稳赚。它是一种概率游戏

量化策略和主观投资相比，有三个本质差异：

• 可回测· 历史数据上能跑出 PnL 曲线。但回测 ≠ 实盘，详见第 09 章"风险与陷阱"。
• 可规模化· 同一套逻辑可以套到几十 / 几百个标的上，理论上容量大。
• 可被复制· 代码、因子、模型一旦公开，alpha 就会衰减。这是行业里"保密是生命线"的根本原因。

业务全景：从研究到执行的一条产业链

一个完整的量化业务流程，可以拆成五段链路。AI 在每一段都有发力点，但每段用到的算法、数据、工程完全不同。

数据层 · 一切的开始

量化的"燃料"是数据。数据的种类直接决定 alpha 的来源边界。

• 结构化 · 行情数据· K 线、Tick、订单簿快照、成交回报——交易所 / Wind / iFinD / Tushare / AKShare。免费档基本够学习用。
• 结构化 · 基本面· 财报、宏观、利率、汇率、产业链上下游。最经典的量化 alpha 来源。
• 非结构化 · 文本· 新闻、研报、年报、公告、社交媒体舆情。这里是 LLM 的主战场。
• 非结构化 · 另类· 卫星图像、信用卡刷卡、物流车流、夜间灯光、招聘网站、专利数据。这是 2015 年后兴起的 alpha 维度，门槛较高。

四种主流业务模式

资管 vs 自营：两条不同的赚钱路径

• 资管模式（2/20）· 管理别人的钱。收 2% 管理费 + 20% 业绩报酬。代表：WorldQuant、Renaissance Institutional、桥水 All Weather。优势：规模大；劣势：客户赎回压力、合规严格。
• 自营模式（prop）· 用公司自己的钱。赚到的全是公司利润。代表：Two Sigma 自营盘、Citadel 自营盘、Jump Trading、Optiver。优势：灵活、策略不被披露；劣势：资金上限有限。

AI 如何重塑量化：从手工因子到"模型挖因子"

AI 进入量化不是一夜之间的事——它经历了两波范式跃迁，现在正在进入第三波。

第一波 · 机器学习（2010 — 2018）

把人工因子工程（PE、PB、动量、反转、换手率）丢进 XGBoost / LightGBM，让模型自动给因子加权，预测未来收益。

• 典型做法· 几百个因子 → 排序学习模型 → 股票打分 → 多空组合。
• 代表论文· Gu, Kelly & Xiu (2020) "Empirical Asset Pricing via Machine Learning"，Review of Financial Studies。结论：树模型 + 神经网络系统性能击败传统 Fama-French 三因子。
• 代表玩家· WorldQuant 早期（手工因子库）、AQR、Betterment 早期。

第二波 · 深度学习（2018 — 2023）

LSTM / GRU / Transformer 直接吃原始序列数据（K 线、订单簿、新闻），端到端预测价格或波动率。

• 典型做法· 用 Transformer + 订单簿快照做短期价格预测；用 LSTM + 多因子做横截面选股。
• 代表论文· Fisher, Krause & Gissler (2023) "Deep Learning Stock Selection"；Qin et al. (2023) "Multimodal Stock Price Prediction"。
• 代表开源· 微软 Qlib、清华 FinRL、Salford Systems、华为盘古金融模型。

第三波 · LLM + Agent（2023 — 现在）

大语言模型带来两条新增曲线：非结构化数据 alpha 与 研究流程自动化。

• 非结构化数据 alpha· 新闻、研报、年报、推特、电话会——LLM 直接抽取"情绪 / 风险信号 / 数字事实"，喂给下游模型。这是过去十年最大的 alpha 新增维度。
• 研究流程自动化· 多 Agent 系统自动写因子、写回测、写报告、写代码。把量化研究员从"Excel + Python"解放到"Prompt + Review"。

三代 AI 进入量化：第一代帮你"挑因子"，第二代帮你"看序列"，第三代帮你"读世界 + 干研究"。

AI 改变了量化的哪些环节

9 个真实落地的 AI 量化用法

这一章是这份文档的"干货章节"——每个用法都给一个产品或论文作为锚点。不是 PPT 上的概念，是真在跑的事。

1. 因子自动挖掘（Alpha Mining）

把"构造因子"这件事交给 AI。研究员不再手写公式，而是让搜索算法 / LLM 在大量候选表达式或特征组合里找出 IC 高的因子。

• 经典做法· 遗传规划（Genetic Programming）遍历表达式树；强化学习搜索算子组合。
• 代表产品· WorldQuant BRAIN（众包因子平台，平台有 600 万 + 因子被提交）；Kakushadze & Serur (2018) 151 Trading Strategies。
• 代表开源· 微软 Qlib 的 Alpha158 / Alpha360 预置因子库；gplearn 遗传规划库。

2. 多模态因子（文本 + 数字 + 图像）

把财报、年报、新闻、卫星图像这些"非结构化数据"通过预训练模型转成向量，再和价格因子拼接。

• 代表论文· FinGPT (Yang et al., 2023)、BloombergGPT (Wu et al., 2023)、Fin-Llama、Tongyi-Finance（通义晓风）、HithinkGPT（同花顺问财）。
• 典型用法· 从电话会语音转写 → LLM 摘要 → 提取"管理层指引数字" → 喂入模型。

3. 订单簿深度学习（Microstructure AI）

用 LSTM / Transformer 直接吃 L2 / L3 订单簿快照，做毫秒级价格方向预测。

• 代表论文· Sirignano & Cont (2019) "Universal features for prices in the limit order book"；DeepLOB (Zhang et al., 2019)。
• 落地形态· 高频做市商的内部信号层；Hudson River、Jump、Optiver 的核心研发方向之一。

4. 强化学习做 Optimal Execution

"用几秒钟把 100 万股慢慢卖掉，不让价格滑点太大"——这是一个典型的序列决策问题，正是 RL 的主场。

• 代表论文· Deep Direct Reinforcement Learning (Deng et al., 2016)、PPO for Optimal Trade Execution。
• 代表开源· FinRL（清华 XAAI-lab）、TradeMaster、RLlib-Executors。

5. 强化学习做市（RL Market Making）

持续挂买卖单赚价差，同时管理库存风险——这是一个非平稳 + 不完全信息 + 多目标的 RL 难题。

• 代表论文· Avellaneda & Stoikov (2008) 经典做市模型；Sadighian (2020) Deep RL Market Making。
• 落地形态· Jane Street、Virtu Financial、Citadel Securities 的做市团队是 RL 做市的主力雇主。

6. LLM 解读另类数据（News / Satellite / Filings）

用 LLM 把"非结构化数据"变成"可量化信号"——这是过去两年最大的增量 alpha 来源。

• 卫星· RS Metrics、Orbital Insight、SpaceKnow——停车场车辆数、油罐油量、夜间灯光 → 行业景气度。
• 舆情· RavenPack、Dataminr、StockTwits + FinGPT 情绪分类 → 短期情绪因子。
• 财报· FinQANet、FinSQL、TableGPT——把财报表格变成结构化字段。

7. AI 风控与异常检测

实时监控组合风险、识别策略漂移、捕捉 Regime 切换（市场环境突变）。

• 典型做法· 时序异常检测（Isolation Forest / Transformer）、Regime Switching HMM、AutoML 风险因子归因。
• 代表开源· PyOD、Darts、Prophet、Sktime。

8. 量化研究 Agent（Multi-Agent Quant）

让多个 LLM Agent 协作完成"数据 → 因子 → 回测 → 报告"的全链路。这是 2024 年后的新前沿。

• 代表论文· TradingAgents (Xiao et al., 2024)、AlphaAgents (Wang et al., 2024)、FinAgent (Yu et al., 2024)。
• 代表产品· Hugging Face FinRL-Agent、量化机构内部的"研究副驾"（类似 Devin 但专注 quant）。

9. 投资组合约束求解（Neural Combinatorial Optimization）

把"组合优化"看成 NP-hard 问题，用神经网络 + 学习搜索加速求解。

• 代表论文· Deep Portfolio Theory (Heaton et al., 2017)、End-to-End Risk Parity via RL。
• 代表开源· cvxpy + PyTorch 联合训练、Riskfolio-Lib。

技术栈全景：一份能跑实盘的最小可用工程

看完 9 个 AI 用法，你可能会问"我需要搭哪些东西"。一份完整的 AI 量化技术栈可以拆成 5 层。下面给出最小可用的选型清单——学习阶段 vs 生产阶段不一样，要分清。

Layer 1 · 数据层

Layer 2 · 特征与因子层

• 经典因子· Alpha101（WorldQuant 公开）、Alpha158 / Alpha360（Qlib）、Fama-French 三/五因子、Barra 风险因子。
• 另类因子· 情绪因子（LLM 算）、分析师一致预期、机构持仓、北上资金、龙虎榜。
• 工具· TA-Lib（技术指标）、pandas_ta、qlib.contrib.data。

Layer 3 · 模型层（AI 的主场）

• 传统 ML· LightGBM / XGBoost / CatBoost——仍是当前工业界主力。快、可解释、易部署。
• 深度学习· LSTM / GRU（序列）、Transformer（横截面 + 时序）、TabNet、TabTransformer（表格）、DeepLOB（订单簿）。
• 强化学习· PPO / SAC / DDPG（执行、做市、组合再平衡）。
• LLM· FinGPT / BloombergGPT（金融专用）、DeepSeek / Qwen / GPT-4o（通用底座 + 微调）。
• 组合工具· PyTorch、HuggingFace Transformers、Ray RLlib、Stable-Baselines3。

Layer 4 · 回测与评估层

Layer 5 · 执行与风控层

• A 股执行· 华锐、卡方、跃然、ATG 等券商极速交易柜台（FPGA / 纳秒级）；个人可用 QMT / PTrade / 同花顺 iFinD 模拟交易。
• 美股执行· Interactive Brokers (IBKR) API、Alpaca API、Tradier API、QuantConnect Live。
• 加密执行· CCXT（统一 100+ 交易所 API）、HummingBot（开源做市）、Jesse / Freqtrade（开源 bot）。
• 风控· 自建规则层（仓位上限、单券集中度、停损线）+ AI 异常检测（PyOD / Darts / 时序 Transformer）。

顶级玩家：谁在用 AI 赚钱

量化圈是最保密的金融细分——核心策略从不公开。但从公开演讲、招聘 JD、专利、论文四个窗口，依然能看到各家 AI 路线的差异。

海外 · 系统化对冲基金

海外 · 高频做市与自营

• Jane Street · 全球最大期权做市商之一，OCaml + ML 组合。
• Optiver · 荷兰做市巨头，Optiver Academy 培养大量 quant。
• Virtu Financial · 美股做市巨头，几乎全自动化。
• Akuna Capital / IMC / SIG · 期权 / 加密做市新锐。

中国 · 私募量化

代表案例 · 幻方与 DeepSeek 的故事

这是 AI 量化圈最值得讲的一个故事，因为它揭示了"算力 + 数据 + 算法"闭环的真实价值。

• 幻方量化 · 2015 年成立，2018 年起大规模自建 GPU 集群（"萤火"），用于训练量化模型。一年训练任务消耗的算力，相当于国内多家 AI 创业公司之和。
• 孵化的 DeepSeek · 2023 年从幻方内部 AI 团队独立出来，2024 年发布 DeepSeek-V2/V3/R1 系列模型。其中 DeepSeek-V3 训练成本仅 600 万美元，性能逼近 GPT-4——震惊全球 AI 圈。
• 启示 · 量化公司沉淀的算力调度 + 大规模训练 + 低成本推理能力，可以反哺通用 AI。这条路径是国内 AI 算力自主化的关键拼图之一。

幻方的故事 = 量化公司把"算力 + 数据 + 算法"做到极致后，反过来定义了一个时代的 AI 基础设施。

可上手的平台与产品：普通人怎么"做"

想真正入门 AI 量化，最快的路径是直接上一个平台跑起来。下面分四档列出，从"完全不会写代码也能用"到"想做高频研发"。

第一档 · 零代码 / 拖拽式

• BigQuant (bigquant.com) · 国内 AI 量化平台头部。提供 AI 因子库、策略生成、回测、模拟交易一体化。普通投资者可用。
• WorldQuant BRAIN (platform.worldquantbrain.com) · WorldQuant 的众包因子平台。提交 alpha 表达式 → 通过审核 → 上架 → 你可以拿到实际资金跑（"Alpha Consultancy"计划）。
• Numerai (numer.ai) · "数据科学 Kaggle × 对冲基金"。每周给加密数据，让全球建模者预测，贡献最佳者拿 NMR 代币奖励。

第二档 · Python 研究 + 平台托管

• 聚宽 (JoinQuant) · A 股最主流研究平台。Notebook + 回测 + 模拟交易 + 社区因子库。
• 米筐 (RiceQuant) · 米筐旗下，RQAlpha 内核，社区与文档完善。
• 优矿 (Uqer) · 通联数据旗下，数据丰富，研究 + 回测一体。
• BigTrader (BigQuant 自营交易) · 国内较早支持 AI 因子 + 实盘一键部署的平台之一。

第三档 · 开源研究框架

• Qlib (github.com/microsoft/qlib) · 微软开源，"AI + Quant" 最完整的 Python 框架。从数据到模型到回测一站式。
• Backtrader · 经典回测框架，社区活跃，文档好。
• Zipline-reloaded · Zipline 的现代化分支，支持美股 / A 股。
• RQAlpha · 米筐开源，A 股回测事实标准之一。
• QuantConnect Lean · QuantConnect 的开源内核，多资产 + 云端回测。
• FinRL / TradeMaster · 清华 XAAI-lab 系列，强化学习量化研究的入门首选。

第四档 · 实盘交易 + 算法 API

• A 股 · QMT（迅投）、PTrade（恒生）、恒生 UFT、华锐 ATP——券商极速柜台。
• 美股 · Interactive Brokers API、Alpaca、Tradier、Polygon.io。
• 加密· CCXT（统一 API 层）、HummingBot（开源做市）、Jesse / Freqtrade（开源策略框架）。
• 另类做市 · Wintermute、Amber、Cumberland、Flow Traders——crypto market makers。

平台选择决策树

1. 完全不会代码？直接用 BigQuant / WorldQuant BRAIN / Numerai——它们提供"AI 因子库 + 拖拽策略"。
2. 会 Python，目标 A 股？聚宽 / 米筐 / 优矿 + RQAlpha 起步。
3. 想跑 ML/DL 量化研究？Qlib + Qlib-Contrib，几乎是工业界事实标准。
4. 想做 RL 做市 / 执行？FinRL / TradeMaster + Stable-Baselines3。
5. 想做 HFT / 加密做市？C++ / Rust + HummingBot + FPGA 柜台。

12 个月入门路径：从零到能跑实盘

这条路线假设你"会一点 Python + 大学数学还给了老师"，每周投入 10-15 小时，目标是一年后能独立写出一个能上模拟盘的 AI 量化策略。

第 1 — 2 个月 · 数学与金融基础

• 数学· 概率统计（贝叶斯、随机过程入门）、线性代数（矩阵分解）、最优化（凸优化）。教材：Boyd & Vandenberghe "Convex Optimization"、Shreve "Stochastic Calculus for Finance"。
• 金融· 《一本书读懂财报》、《漫步华尔街》、《主动投资组合管理》（Grinold & Kahn 经典）。理解股票 / 债券 / 衍生品 / 风险因子。

第 3 — 4 个月 · 编程 + 数据工程

• Python 进阶· pandas / numpy 向量化、SQL、Git、Docker。
• 数据· Tushare / AKShare 拉数据 → 入 DuckDB / Parquet → 学会清洗、做复权、处理停牌。
• 工具· Jupyter / VS Code / Cursor（AI 编程）。

第 5 — 6 个月 · 传统量化基础

• 因子· 读 WorldQuant Alpha101 论文 / Qlib Alpha158，自己实现 20 个核心因子。
• 回测· Backtrader / RQAlpha 搭一个简单均线策略，踩一遍"未来数据 / 复权 / 滑点 / 手续费"四个坑。
• 指标· 年化收益、夏普、最大回撤、Calmar、胜率、盈亏比——这是评价策略的"语言"。

第 7 — 8 个月 · 机器学习 + 量化

• ML 基础· 吴恩达 CS229 / 李宏毅 ML 课程 → scikit-learn 实操。
• 金融 ML· 读 Gu/Kelly/Xiu (2020) Empirical Asset Pricing via ML；用 LightGBM 跑多因子打分。
• Qlib 上手· 跟着官方 tutorial 跑 Alpha360 + LightGBM baseline。

第 9 — 10 个月 · 深度学习 + 另类数据

• DL 基础· 李沐《动手学深度学习》、PyTorch 官方教程。
• 金融 DL· LSTM / Transformer 时序预测；LLM 提取新闻情绪（用 DeepSeek API + HuggingFace）。
• 论文复现· 选 1 篇 FinRL / DeepLOB / FinGPT 论文复现，跑通并改一改。

第 11 — 12 个月 · 模拟盘 + 实盘

• 模拟盘· 聚宽 / 米筐 / QuantConnect / BigQuant 上跑 6 个月模拟盘（建议从最小仓位开始）。
• 实盘· 先用 5-10 万小资金、严格止损上线一个月，确认一切正常再考虑加大。
• 持续学习· 加入 QuantConnect / WorldQuant BRAIN 社区，关注 SSRN / arXiv 量化论文最新动态。

推荐资源清单

风险与陷阱：量化老兵的 6 道伤疤

这一章比前面所有章节加起来都重要。AI 让量化变得更容易上手，但也更容易踩坑。下面 6 个坑，每一个都曾经摧毁过团队。

1. 过拟合（Overfitting）

回测里表现完美，实盘一塌糊涂——这是90% 量化新手的第一道坎。

• 典型症状· 训练集 IC 0.15、回测年化 80%，上模拟盘就亏。
• 原因· 因子太多、参数太多、规则太多——历史数据被"硬背下来"。
• 防范· ① 样本外验证（out-of-sample）；② 交叉验证（walk-forward）；③ 严格控制参数数量；④ 用夏普 / IR（信息比率）而非绝对收益做评价；⑤ 做 permutation test（随机打乱标签看策略还赚不赚）。

2. Regime 切换（市场环境突变）

策略在 2020 年的低波动环境有效，2022 年的高通胀环境失效——这是第二个最常见的失败模式。

• 原因· 因子 / 信号本质是"对历史规律的拟合"，当市场结构、参与者、政策环境变化时，过去有效的规律失效。
• 防范· ① 多策略组合（避免单一策略暴露）；② Regime 切换检测（HMM / 在线学习）；③ 持续监控 IC / 胜率的衰减；④ 严格止损。

3. 容量限制（Capacity）

策略用 100 万资金能赚 50%，用 1 亿可能只能赚 10%——这是规模化最容易忽视的陷阱。

• 原因· 信号容量是有限的市场深度。你买得越多，价格冲击越大，最终自己吃掉自己的收益。
• 防范· ① 用"换手率 × 持仓量"估计容量上限；② 多标的分散；③ 严格控制策略总规模；④ 用 VWAP / TWAP 拆单减少冲击。

4. 数据偏差（Data Bias）

数据本身有偏——幸存者偏差、复权偏差、停牌偏差、宏观事件——任何一个都可能让你的 alpha 看起来"很美"。

• 幸存者偏差· 数据里只有今天还存在的股票，但历史上退市的、st 的票被你忽略了——你的策略实际承受了更差的市场环境。
• 复权偏差· 前复权 / 后复权选错，导致历史价格失真。
• 防范· 用专业数据源（Wind / Qlib 自带清洗）而非 Yahoo CSV；统一复权口径；写数据自检脚本。

5. 流动性与执行（Execution & Liquidity）

回测假设你能按收盘价成交，实盘可能滑点 5%——这是个人交易者最容易踩的坑。

• 原因· 回测默认完美成交，但实盘有冲击成本（market impact）、等待成本（timing risk）、手续费、印花税。
• 防范· ① 回测时加合理的滑点（千一到千三）；② 限制策略换手率；③ 避开流动性差的标的；④ 用 RL 做 optimal execution。

6. 监管与合规（Compliance）

在 A 股，量化交易面临"高频交易"认定、异常交易监控、印花税调整等监管红线。2024 年起，多家量化私募被要求降频。

• A 股监管要点· ① 异常高频报撤单会被交易所限制；② 2024 年起新规要求量化账户报备；③ 策略不能构成市场操纵。
• 美股监管要点· SEC Rule 15c3-5（防欺诈）、Reg NMS（撮合优先）、Reg SHO（做空限制）。
• 合规建议· 上规模之前请律师；遵守交易所规则；保留完整的交易日志和算法说明。

回测里的 PnL 是"理论最大收益"。实盘里的 PnL = 理论收益 − 滑点 − 手续费 − 监管成本 − Regime 损失 − 心理波动。

未来 3 年的三条主线：值得提前卡位的方向

AI 量化在 2026 年还在快速演进。下面三条主线，不是预测而是趋势——它们已经被多个团队押注。

主线 1 · 多模态 Alpha（Multimodal Alpha）

把"所有可被感知的数据"变成可量化信号。这是 LLM 时代最大的 alpha 新维度。

• 具体方向· 财报 + 电话会语音 + 卫星图 + 社交媒体 + 邮件 + 招聘信息——全部经 LLM 提取 → 向量化 → 拼接进多模态模型。
• 代表玩家· Two Sigma（多模态研究公开招聘）、BloombergGPT、FinGPT 社区。
• 卡位建议· 学一个金融 LLM 微调 + 多模态对齐（PaliGemma / InternVL）的小项目。

主线 2 · RL Agent 做执行 / 做市 / 组合

把"决策环节"交给强化学习。LLM 负责理解，RL 负责行动。

• 具体方向· Optimal Execution、Market Making、跨资产组合再平衡、动态对冲。
• 代表玩家· Hudson River、Jump、Citadel、Jane Street、Man AHL 的 RL 实验室。
• 卡位建议· 学 Stable-Baselines3 / Ray RLlib + 跑通 FinRL / TradeMaster tutorial。

主线 3 · 量化研究 Agent（Agentic Quant）

多 Agent 协作完成"数据 → 因子 → 回测 → 报告"全链路。这是 2024 年后最被看好的方向。

• 具体方向· DataAgent（找数据）→ FactorAgent（挖因子）→ BacktestAgent（跑回测）→ RiskAgent（监控）→ ReportAgent（写日报）。
• 代表论文· TradingAgents (2024)、AlphaAgents (2024)、FinAgent (2024)。
• 代表产品· QuantAgent、OpenAI Operator + 量化插件、各大厂内部"研究副驾"。
• 卡位建议· 学 LangChain / LangGraph / AutoGen / CrewAI 搭一个最简单的多 Agent 研究流水线。

一个长尾判断

未来 3 年，最稀缺的不是会写策略的人，而是：

• 懂 quant + 懂 AI 工程的跨界人才（"Quant Engineer"）。
• 能搭数据飞轮的人——非结构化数据的获取、清洗、向量化的全链路。
• 懂风控 + 懂合规的复合背景——因为监管只会更严。
• 会 Agent 编排的工程师——因为未来研究流程会是"AI Agent × 人类研究员"。