内容简介

本书以“数据→策略→模型”的闭环为主线，将量化交易与人工智能深度融合。具体而言，首先通过通俗的讲解为读者普及量化与人工智能的基础知识，进而快速切入?15?个可实现实盘操作的典型策略，覆盖竞价量价因子、高频交易、舆情监控等核心场景。本书首次系统呈现了大模型提示工程与智能体在交易中的完整落地路径，每章均配备数据获取方案、可复用代码及提示词模板，同时提供配套的代码仓库与术语词典，方便读者随时使用。本书旨在助力金融从业者、技术人员、学术研究者及个人投资者高效搭建?AI?量化策略，真正打通理论与收益之间的“最后一公里”。

精彩书评

本书以大模型技术应用为核心，全面阐述量化交易策略构建方法论，兼具理论创新与实践指导意义，为智能投资领域的研究者与实践者提供重要参考。

杨晓光

国务院政府特殊津贴专家

国家杰出青年科学基金获得者

中国系统工程学会理事长

中国科学院数学与系统科学研究院研究员、博士生导师

本书系统构建了AI量化交易的学习路径，涵盖基础理论与实战应用，结合生成式AI的技术优势，助力读者实现量化交易领域的突破性进展。无论是资深投资者，还是量化交易初学者，均可通过本书获得全新的视角与启发，把握AI时代的发展机遇。

陈剑

马里兰大学史密斯商学院管理科学博士

复旦大学国际金融学院金融学实践教授

成都市复旦西部国际金融研究院研究员

信风金融科技创始人兼CEO

联科熙和碳中和战略研究院研究员

中国资产证券化论坛信息披露专委会主席

智能投资与超级算力已深刻影响证券投资、交易行业及风险管理技术的发展，AI技术正在深度融入金融经济体系。本书通过系统分析AI量化交易策略与交易技术，从多维度反映市场结构变迁与行为特征，运用AI技术精准挖掘市场有效性与风险偏好特征，具有重要的参考价值。

卢申林

纽约大学柯朗数学科学研究所博士

上海睿值私募基金管理有限公司总经理

本书为金融从业者、科研人员和技术开发者理解AI重构投资范式提供了精准路径，将为关注AI与量化交易融合的读者带来具有实践意义的启发。

何晓敏

五矿证券研究所消费电子行业研究员

目录

第1章  量化交易基础入门 1
1．1  什么是量化交易 1
1．2  量化交易的研究对象与应用领域 2
1．3  发展简史与行业现状 3
1．3．1  量化交易的萌芽 3
1．3．2  量化交易的发展历程 3
1．3．3  中国量化交易发展历程 6
1．3．4  AI时代的量化交易现状 7
1．4  量化交易策略的五大分类 8
1．4．1  基本面量化交易策略 9
1．4．2  资产配置量化交易策略 11
1．4．3  阿尔法量化交易策略 13
1．4．4  贝塔量化交易策略 14
1．4．5  另类量化交易策略 16
1．5  未来趋势与挑战 17
1．6  本章小结 19
第2章  生成式AI入门简介 21
2．1  初识大模型：常见误区与能力分级 22
2．1．1  传统误区：关于生成式AI的十大误区 22
2．1．2  核心区别：推理模型和非推理模型的区别 27
2．1．3  能力分级：大模型使用者的九大段位 31
2．2  提示词工程：与大模型有效沟通的艺术 41
2．2．1  主要框架：如何高效构建提示词 41
2．2．2  突破技巧：利用搜索引擎的高级技巧，提升使用精度 49
2．2．3  能力进阶：系统提示词与用户提示词的使用指南 53
2．3  工具与平台推荐 57
2．3．1  国外平台：ChatGPT，大模型的世界起源 58
2．3．2  国产之光：DeepSeek，国产大模型的骄傲 59
2．3．3  开源模型：那些灵活可控的AI引擎 60
2．3．4  量化AI：大模型与量化交易的数据插件与辅助平台 61
2．3．5  国内生态：中国量化平台生态与未来发展 62
2．3．6  选型建议：从简单到复杂 63
2．4  大模型时代的学习与研究新模式 65
2．4．1  学习模式：大模型时代下的量化交易学习 65
2．4．2  报告撰写：利用大模型撰写量化交易研究报告的通用
路径 71
2．4．3  研究助手：ChatGPT的Deep Research使用指南 77
2．4．4  思研差异：深度思考和深度研究的区别 82
2．5  大模型定制与智能体入门 93
2．5．1  微调与蒸馏：将DeepSeek-R1微调/蒸馏为某领域的
专家 93
2．5．2  智能体原理：Manus的底层技术原理 97
2．5．3  智能体工具：MCP深度解读与使用研究 104
2．5．4  智能体桥梁：深度解读Agent2Agent协议 115
2．6  本章小结 123
第3章  AI量化交易基础入门 124
3．1  量化交易的数据基石 126
3．1．1  数据类型详解 126
3．1．2  数据源获取与主流工具 127
3．1．3  数据预处理的核心环节 128
3．1．4  实战案例：数据获取与预处理流程 130
3．1．5  数据保存与管理 131
3．1．6  练习建议与反思问题 132
3．2  财务指标的深度解析与业绩预测（基本面量化） 132
3．2．1  策略逻辑与来源 132
3．2．2  数据需求与获取方法 133
3．2．3  流程图、模型与代码讲解 134
3．2．4  适用场景与实战应用 138
3．2．5  常见错误与优化建议 139
3．2．6  提示词模板设计 140
3．2．7  练习建议与反思问题 142
3．3  研报因子的自动化解析与建模（基本面量化） 143
3．3．1  策略逻辑与来源 143
3．3．2  数据需求与获取方法 143
3．3．3  流程图与代码讲解 144
3．3．4  适用场景与实战应用 148
3．3．5  常见错误与优化建议 149
3．3．6  提示词模板设计 150
3．3．7  练习建议与反思问题 151
3．4  多因子动态加权模型（资产配置量化） 152
3．4．1  策略逻辑与来源 152
3．4．2  数据需求与获取方法 153
3．4．3  模型、流程图与代码讲解 154
3．4．4  适用场景与实战应用 157
3．4．5  常见错误与优化建议 158
3．4．6  提示词模板设计 159
3．4．7  练习建议与反思问题 160
3．5  资金流向与板块轮动复盘（资产配置量化） 161
3．5．1  策略逻辑与来源 161
3．5．2  数据需求与获取方法 162
3．5．3  代码讲解 163
3．5．4  适用场景与实战应用 166
3．5．5  常见错误与优化建议 166
3．5．6  提示词模板设计 167
3．5．7  练习建议与反思问题 169
3．6  LV2订单簿不平衡因子的挖掘（阿尔法量化） 170
3．6．1  策略逻辑与来源 170
3．6．2  数据需求与获取方法 171
3．6．3  模型、流程图与

前言/序言

很多人会有一个疑问：为什么国产大模型DeepSeek是一个量化交易团队开发的？

其实，这背后有一个很简单的原因——量化交易与大模型在本质上是相似的。量化交易的核心目标是预测下一根K线的走势，而大模型的任务是预测下一个字符或字符串。无论是数据分析还是模型预测，背后都离不开海量的数据、精妙的算法和强大的算力。因此，量化交易者与大模型研究者的工作内容在本质上是相同的——他们都在利用先进的技术去解码复杂的数据模式。

说到大模型与量化交易的结合，就不得不提世界知名的量化投资公司WorldQuant（世坤）。2015年，WorldQuant通过公开101个阿尔法因子的方式，推动了全球量化交易的发展。更重要的是，他们是最早将大模型应用于量化研究和全球量化竞赛的公司之一。2024年，在WorldQuant主办的全球量化大赛中，我们团队拿下了中国区前8名中的4个席位，这不仅是团队的荣耀，也是我们在大模型与量化交易结合方面不断探索的成果。

在这段历程中，我们不断借助大模型的强大能力，完成了对全球市场中近3000万个因子组合的测试和挖掘。正是因为大模型赋予了我们如此强悍的数据处理和预测能力，我们才能在海量数据中快速挖掘出有价值的信息。与以往的手工挖掘因子相比，我们的工作效率提升了近10000倍！

大模型时代为我们提供了一次智力平权的机会。时至今日，我们已经可以利用大模型高效且高质量地完成很多工作。例如，1分钟，实现从研报到因子构建，再到数据回测；10分钟，撰写100万字的高质量文章；1小时，翻译20万字的可达出版水平的内容。效率的大幅提升彻底改变了量化交易的工作方式，甚至可以说，这是一次革命性的突破。

作为国内最早一批的量化研究者和大模型使用者，我深知大模型为投资者带来的变革。在本书中，我将带你走进人工智能（AI）与量化交易的未来，探索如何利用大模型提高投资效率、发掘市场潜力，并在投资回报上取得更大的突破。无论你是经验丰富的投资者，还是刚刚涉足量化交易的新人，本书都能为你提供全新的视野和启发，帮助你搭上AI时代的列车。

所以，准备好了吗？让我们一起走进AI时代的量化交易世界！

罗勇

2025年4月