机器能炒股吗
小哲的公司做大了，账上有了闲钱。老板听说隔壁公司用「机器人炒股」赚了钱，让小哲去研究「量化交易」。周师傅带他从金融市场的地基打起，一路讲到策略、回测、风控、AI——以及最重要的：为什么 90% 的量化尝试会亏钱。
量化交易风险极高，入市需谨慎，投资有风险，盈亏自负。
机器能炒股吗
量化交易 = 数学 + 程序 + 纪律师傅！老板让我研究「量化交易」——说隔壁公司用机器人炒股赚翻了，还让我们用 AI 也搞一套！我该从哪学起？
先泼盆冷水：「机器人炒股稳赚」是最大的神话。量化交易的本质不是「AI 变印钞机」，而是——用数学模型发现规律，用程序代替人执行，用纪律克服情绪。它比的不是「预测准」，而是「长期、稳定、小优势」。
更重要的前提：这是学习手册，不是致富经。量化亏钱的方式有一百种，我带你把这 100 种坑都看一遍。先看路线图——
记住第一句话：量化交易的敌人不是市场，是自己的贪婪和过拟合。走，第一站，先认识战场。
金融市场基础：交易什么
股票 · 期货 · 期权 · 做多做空 · 订单簿量化之前，先搞懂「战场」：你交易的到底是什么东西，有哪些规则，钱是怎么赚怎么亏的。
金融市场的「货架」上主要有四样：
- 股票：买公司的一小块所有权——涨了赚钱，跌了亏钱（A 股 T+1，美股 T+0）。
- 期货：约定未来某天按某价买卖的合约——带保证金杠杆，能做多做空，双向都能赚（也都能亏）。
- 期权：花钱买「权利」——最多亏权利金，赚起来可以放大（专业玩家的玩具）。
- ETF/基金：一篮子资产的份额——散户量化入门常用。
还有两个必懂概念：做多（先买后卖，赌涨）与做空（先借来卖、低价买回还，赌跌）；以及订单簿——交易所里所有买单卖单排成的队，买卖价差（spread）就是「过路费」。
【四大品种对比】
品种 方向 杠杆 交易机制 适合谁
股票 只能做多 1x A股T+1 入门
期货 多空双向 5-20x T+0 专业/CTA
期权 多空双向 权利金 策略丰富 高阶
ETF 只能做多 1x 灵活 稳健/指数增强
【订单簿与成本】
买一/卖一：当前最优买卖价
买卖价差（spread）：买价与卖价之差 = 每笔的「过路费」
流动性：挂单多不多——流动性差，大单砸价
【关键规则差异（对量化很重要）】
A 股：T+1（当天买不能当天卖）、涨跌停 10%、印花税
期货：T+0、双向、保证金、每日无负债结算（会爆仓！）
美股：T+0、无涨跌停、盘前盘后交易
【交易所与数据】
上交所/深交所/中金所、纽交所/纳斯达克/芝商所
行情接口：tushare/akshare（免费）、Wind（机构）基础术语
- 做多 / 做空：赌涨先买 / 赌跌先卖——双向思维是量化的第一步。
- 保证金与杠杆：期货用 10% 保证金撬动 100% 合约——涨 10% 翻倍，跌 10% 亏光（爆仓）。
- 订单簿 / 价差 / 流动性：市场微观结构的三个入口。
- T+0 / T+1：交易结算规则——决定策略能不能当日平仓。
- 交易成本：佣金 + 印花税 + 滑点——高频交易的生死线。
本站收获：战场认知 = 品种（股/期/权）+ 方向（多/空）+ 规则（T+0/杠杆）+ 微观结构（订单簿）。连规则都没搞清就上量化，等于蒙眼下棋。
量化体系：四大模块
数据 → 策略 → 回测 → 执行 · 风控贯穿一套量化系统长什么样？不是「一个预测股价的模型」，而是一条完整的流水线——四个模块环环相扣。
量化交易系统 = 四大模块 + 一根保险绳：
- ① 数据：行情、财报、舆情——量化的「原料」，垃圾数据出垃圾策略（还记得第八本吗？）。
- ② 策略（信号）：数学/统计模型算出「该买还是该卖」——策略是量化的「大脑」。
- ③ 回测：把策略放到历史数据上跑一遍——「时光机测试」，验证策略到底行不行。
- ④ 执行：把信号变成真实订单——下单、拆单、算法交易，减少「想买的价买不到」。
风控贯穿全程：仓位、止损、回撤限制——它不负责赚钱，负责「别死」。
数据源 ──→ 清洗/因子计算 ──→ 策略信号
(行情) (Pandas/因子库) (买卖信号)
↑ ↓
╔══════════════════════════════════════╗
║ 风控层：仓位/止损/回撤/黑名单（贯穿） ║
╚══════════════════════════════════════╝
↓ ↓
回测引擎（历史验证） 实盘执行（订单/算法交易）
↑ ↓
绩效分析（夏普/回撤） 券商/交易所接口 → 成交回报
↓
监控/日志/告警（第7本的老朋友）
【一条黄金法则】
数据 → 策略 → 回测 → 实盘，每一环都可能「骗你」
成熟的团队：模拟盘跑 3 个月，才敢上小资金实盘体系术语
- 四大模块：数据、策略、回测、执行——量化系统的骨架。
- 信号（Signal）：策略输出的「买/卖/持仓不动」指令。
- 策略（Strategy）：从数据到信号的数学规则集。
- 回测（Backtest）：历史数据上的「模拟考试」。
- 执行（Execution）：信号落地成订单的过程——滑点管理是核心。
- 风控贯穿：不是独立模块，是每层都要过的「安检」。
本站收获：量化体系 = 数据供料 + 策略出信号 + 回测验证 + 执行落地，风控贯穿全程。缺任何一环，都只是「玩具」不是「系统」。
数据与因子：量化的原料
行情数据 · 基本面 · 另类数据 · 因子库策略再聪明，也是从数据里「看」出来的。数据的质量决定策略的上限——这是《数据治理与清洗手册》在金融领域的实战。
量化数据分三层：
- 行情数据：tick（每笔）、分钟线、日线——最基础。频率越高越贵（高频数据是机构的地盘）。
- 基本面数据：财报、营收、利润、估值——中低频策略的主食。
- 另类数据：舆情、卫星图像、消费流水、招聘数据——「人无我有」的差异化来源（也是 AI 舆情分析的原料）。
数据来了要变成因子（Factor）——能解释/预测收益的「特征」：动量（过去 60 天涨跌）、反转（跌多了会弹）、量能（成交放大）、价值（PE/PB）、质量（ROE）、低波动……因子就是量化的「味精」，一个策略通常由多个因子组合打分。
import pandas as pd
# 某股票日线数据：close 收盘价
def momentum(close, window=60):
"""过去 window 天的收益率 = 动量因子"""
return close / close.shift(window) - 1
def volume_ratio(volume, window=20):
"""量比：今天成交量 / 过去 20 天平均"""
return volume / volume.rolling(window).mean()
# 因子库：一个股票池，N 个因子打分
factors = {
"momentum_60": momentum(df["close"]),
"volume_ratio": volume_ratio(df["volume"]),
"reversal_5": -df["close"].pct_change(5), # 短期反转
}
# 多因子打分：标准化后加权求和 → 排序 → 买前 N 名
score = (factors["momentum_60"].rank(pct=True) * 0.5
+ factors["reversal_5"].rank(pct=True) * 0.3
+ factors["volume_ratio"].rank(pct=True) * 0.2)
# → 得分最高的 20 只 = 本期持仓
【注意】
数据清洗：复权处理（除权除息）、停牌剔除、涨跌停不可买
（第八本《数据治理》的老朋友在这里继续发光）
因子有效性要检验：IC 值、分组收益单调性数据与因子术语
- 行情/基本面/另类数据：价格的、公司的、独特的——三层数据金字塔。
- 因子（Factor）：能解释收益的特征——动量/反转/价值/质量/低波。
- 多因子模型：多个因子打分加权选股——主流量化选股框架。
- IC 值：因子与未来收益的相关性——因子的「算命准不准」。
- 复权 / 停牌 / 涨跌停：数据清洗的金融版坑——算错一个全盘皆错。
- 数据成本：高频数据很贵——个人量化从日线起步。
本站收获：数据与因子 = 三层原料 + 因子工程 + 数据清洗。记住：数据决定上限，策略决定能不能摸到——先有好数据，再谈好策略。
策略地图：主流策略
趋势 · 均值回归 · 套利 · 多因子 · CTA · 高频策略不是一种，是一「家族谱系」——每种策略赚的是不同市场的钱，也怕不同的行情。先看地图，再谈选择。
主流策略「家族谱」：
- 趋势跟踪（动量）：涨的继续涨，跟着趋势走——牛市赚大钱，震荡市反复挨打。CTA（管理期货）主力。
- 均值回归：跌多了会弹、涨多了会回——震荡市的好手，趋势市会被打脸。
- 统计套利：两兄弟（或一篮子）价格偏离了正常关系 → 做多便宜的、做空贵的，等关系回归——赚「关系修复」的钱，市场中性。
- 多因子选股：因子打分选一篮子股票，定期调仓——公募量化指增的主流。
- 高频交易（HFT）：毫秒级进出，赚微观价差——拼速度拼机房位置，个人玩不了。
- 事件驱动：财报超预期、政策发布等事件带来的短期机会。
策略 赚什么钱 适合行情 怕什么 门槛
趋势跟踪 大趋势 单边牛市 震荡反复打脸 低（CTA常见）
均值回归 价格回归 震荡市 单边趋势 低
统计套利 价差修复 任何（中性） 极端偏离 中
多因子选股 因子溢价 长期有效 因子失效 中
高频交易 微观价差 高流动性 - 极高（机构）
【市场中性：让策略「不怕涨跌」】
做多一篮子 + 做空对冲（如股指期货）
→ 市场跌 30% 我可能不亏——赚的是「超额 alpha」
→ 机构量化的主流形态
【指数增强：普通人的量化入口】
跟踪指数（如沪深300）+ 多因子超配
→ 指数跌 10% 我跌 8%（增强），指数涨 10% 我涨 12%
→ 公募量化指增就是这么玩的
【一句话选型】
没时间盯盘想省心 → 指数增强基金（不是自己写策略！）
想练手 → 从趋势/均值回归单一策略开始，小资金模拟盘新手常用组合：趋势策略管「大方向」（均线金叉进场），均值回归策略管「短线波动」（超跌反弹）——一个抓趋势、一个抓震荡，互补。但注意：组合不等于稳赚，两者同时在震荡市也可能双双挨打——回测说了算。
策略术语
- 趋势跟踪 / 均值回归：两大对立哲学——顺势 vs 逆势。
- 统计套利：赚「关系修复」的钱——市场中性。
- 多因子选股：打分选一篮子——量化指增的基础。
- CTA（管理期货）：期货市场的趋势策略——与股市低相关。
- Alpha / Beta：超额收益 / 市场大盘收益——「跑赢指数」就是 alpha。
- 市场中性：对冲掉市场涨跌，只赚 alpha——机构主流。
- HFT 高频：毫秒级微观交易——个人别碰。
本站收获：策略地图 = 趋势/反转/套利/多因子/高频各有脾气。选策略先问「适合什么行情、怕什么行情」——没有万能的策略，只有匹配的策略。
回测：最骗人的一环
过拟合 · 幸存者偏差 · 前视偏差 · 滑点 · 夏普比率「我的策略回测年化 300%！」——十个说这话的，九个没搞懂回测的坑。回测不是「预言未来」，是「最容易自欺欺人的一面镜子」。
师傅！！！我写的策略回测年化 300%、最大回撤才 5%！我要发财了！！
哈哈哈，经典台词。回测年化 300%，只有三种可能：① 数据有 bug；② 用了未来信息；③ 过拟合到极致。咱们把回测的「五大骗局」逐个拆开——
① 前视偏差（Look-ahead Bias）
用了「当时根本拿不到」的数据
例：用当天收盘后才发布的财报数据，在当天收盘前下单
→ 在历史上「开天眼」，回测必然好看，实盘必然打脸
② 幸存者偏差（Survivorship Bias）
股票池只含「现在还活着的股票」
→ 退市的、暴跌的都从历史里消失了 → 回测虚高
③ 过拟合（Overfitting）
参数调了 1000 遍，专挑历史表现最好的
→ 策略记住的是「历史噪声」，不是规律
→ 换一段数据就崩（样本外测试立刻现形）
④ 交易成本被忽略
没算滑点（想买 10 元，实际成交 10.05）+ 手续费
→ 高频策略尤其致命：每天交易 100 次，成本吃掉一切
⑤ 幸存者偏差的亲戚：停牌/涨跌停没处理
「信号说买，实际涨停板根本买不进去」
【绩效指标必懂】
年化收益：一年能赚多少 %
最大回撤：最惨时亏多少 %（心理承受线）
夏普比率：每承担 1 份风险赚多少超额——越高越好，>1 及格
胜率/盈亏比：赢的次数比例 vs 赢一次赚多少
→ 别只看收益，回撤和夏普才见真章小哲的年化 300% 策略，逐一排查：① 用了「当天收盘数据当天下单」（前视偏差）→ 修掉后年化变 60%；② 补上退市股票（幸存者偏差）→ 变 25%；③ 加上手续费和滑点 → 变 12%，夏普 0.8；④ 换 2022-2024 样本外数据一测 → 直接亏 8%。真相：这是个不赚钱的策略，只是「历史参数拟合器」。
回测术语
- 样本内 / 样本外：调参用的历史 vs 从没看过的历史——样本外才是真考试。
- 过拟合：记住噪声而非规律——量化的头号死因。
- 前视偏差 / 幸存者偏差：开天眼 / 死人不会说话——两大数据陷阱。
- 滑点 / 手续费：真实成交成本——回测不扣成本=自欺。
- 夏普比率 / 最大回撤：风险调整后收益 / 最惨亏损——比「年化收益」诚实得多。
- 实盘前验证：模拟盘（纸上交易）3 个月是行业惯例——回测过关只是第一关。
本站收获：回测 = 一面会骗人的镜子：前视/幸存者/过拟合/成本四大陷阱必须逐个排查；看绩效先看回撤和夏普。记住：回测好的策略不一定赚钱，但回测烂的肯定亏钱。
执行系统：从信号到订单
订单类型 · 算法交易 · TWAP/VWAP · 仿真盘 → 实盘策略说「买 10 万股」，不能真的一笔单砸进去——会把价格砸飞。执行的艺术：把「大意图」拆成「小动作」，减少对市场的冲击。
执行层三件事：
- 订单类型：市价单（立即成交，价格可能不好）、限价单（指定价格，可能成交不了）、止损单（跌破自动卖，防大亏）——选对类型是基本功。
- 算法交易：大单拆小单慢慢买。TWAP（时间加权：均速买）、VWAP（成交量加权：跟着市场节奏买）——机构执行标配。
- 通道与延迟：程序通过券商 API 下单——高频拼的是机房到交易所的距离（微秒级），中低频拼的是「稳定不乌龙」。
上线流程必须走：仿真盘（模拟撮合）→ 小资金实盘 → 放大——一步到位是找死。
策略信号（买 100 万股 平安银行）
↓
风控检查（仓位上限？当日亏损超限？黑名单？）
↓
拆单算法（TWAP：分成 200 笔，每 5 分钟买 5000 股）
↓
下单引擎（连接券商柜台 API / 交易所通道）
↓
成交回报（FIX 协议/WebSocket）→ 对账 → 持仓更新
↓
监控告警（订单卡住？成交异常？→ 人工介入）
【订单类型速查】
市价单：立即成交，接受当前价（急用）
限价单：挂价等成交，不追高（省钱但可能买不到）
止损单：跌破触发自动卖（保命）
冰山单：只显示一小部分，隐藏真实大单（机构）
【算法交易三兄弟】
TWAP：时间平均——匀速执行
VWAP：成交量加权——跟随市场节奏
Implementation Shortfall：追求「执行成本最小化」——高级版
【仿真 vs 实盘（血泪教训）】
仿真盘撮合理想 → 实盘滑点、延迟、部分成交全来了
行业惯例：仿真 3 个月 + 小资金 3 个月，稳了再放大执行术语
- 市价 / 限价 / 止损单：三种基础订单——快、省、保命。
- TWAP / VWAP：时间加权 / 成交量加权拆单——减少市场冲击。
- 冲击成本：大单把价格推离理想价——执行的大敌。
- 仿真盘（Paper Trading）：用实时行情模拟撮合——实盘前的练兵场。
- API 交易：程序对接券商接口——个人用券商量化接口（如 QMT/Ptrade）。
- 延迟：从信号到成交的时间——高频的命，中低频的稳定要求。
本站收获：执行 = 选对订单类型 + 拆单控冲击 + 仿真练手再上实盘。策略决定「赚不赚」，执行决定「少亏多少」——执行好，一年省几个点。
风控：生命线
仓位 · 止损 · 回撤控制 · 黑天鹅 · 压力测试量化界有句老话：「活得久比赚得快重要」。风控不负责赚钱，只负责一件事——让你活到策略赚钱的那一天。
风控五道闸：
- ① 仓位管理：每次下多少注。凯利公式告诉你「最优下注比例」，但实际要用「半凯利」（保守一半）——没人能精确估计胜率。
- ② 止损：单笔最多亏 X% 就无条件出场——「截断亏损，让利润奔跑」。
- ③ 回撤熔断：总资金回撤超 20% → 策略全部暂停，复盘后再开——防止「越亏越赌」。
- ④ 杠杆控制：期货杠杆是把双刃剑——2015 年股灾、2024 年日经闪崩，都是杠杆连环爆仓的现场。
- ⑤ 黑天鹅预案：极端行情（熔断、涨跌停、流动性消失）——预案要有：暂停交易、自动平仓、人工接管。
def risk_check(order, portfolio):
# ① 单笔止损：单笔潜在亏损 > 总资金 2% → 拒绝
if order.risk_amount > portfolio.equity * 0.02:
return "REJECT: 单笔风险超限"
# ② 仓位上限：单标的持仓 > 总资金 20% → 拒绝
if portfolio.position(order.symbol) > portfolio.equity * 0.20:
return "REJECT: 单一持仓超限"
# ③ 回撤熔断：总回撤 > 20% → 全部暂停
if portfolio.drawdown > 0.20:
halt_all_strategies("回撤熔断，进入复盘模式")
return "HALT"
# ④ 当日亏损熔断：单日亏损 > 5% → 当天停止
if portfolio.daily_pnl < -portfolio.equity * 0.05:
return "HALT_TODAY"
# ⑤ 黑名单：财报发布前/涨跌停附近 → 不交易
if order.symbol in blacklist:
return "REJECT: 黑名单标的"
return "OK"
【压力测试】
用极端历史（2008 金融危机/2015 股灾/2020 疫情熔断）
跑一遍策略 → 看最大回撤自己扛不扛得住
→ 扛不住？降杠杆、加对冲、缩仓位
【凯利公式（了解一下）】
f* = (bp - q) / b
胜率 p、赔率 b 算出的最优下注比例
实战用「半凯利」甚至「四分之一凯利」——人算不如天算小哲的 CTA 策略在趋势市赚了 40%，膨胀后加了 3 倍杠杆。某周行情急转，回撤一路跌破 20% ——风控引擎自动熔断全部策略。虽然把利润回吐了大半，但保住了本金——「活下来」比「赚到」重要，因为市场永远有下一次机会。
风控术语
- 凯利公式：最优下注比例——实战用半凯利保守执行。
- 止损 / 熔断：单笔限额 + 总回撤熔断——两条保命线。
- 最大回撤：历史最惨亏损——风控预算的核心指标。
- 压力测试：极端历史行情模拟——「地震演习」。
- 黑天鹅：无法预测的极端事件——预案比预测重要。
- 杠杆风险：爆仓的元凶——杠杆越高，活得越短。
- 人工接管：程序失灵/极端行情时的最后一道闸——系统要留「急停按钮」。
本站收获：风控 = 仓位（半凯利）+ 止损（单笔限额）+ 熔断（回撤暂停）+ 压力测试（地震演习）。记住：活得久比赚得快重要——风控是量化的生命线。
技术栈：工程师工具箱
Python · 回测框架 · 行情接口 · 时序数据库 · 部署量化 = 金融 × 编程。这一站把「工程师那一半」的工具箱列出来——很多都是前几本书的老朋友。
量化技术栈，从上到下：
- 语言：Python 是绝对主力（生态无敌），性能关键处用 C++/Rust。
- 数据分析：Pandas/NumPy（第八本、第九本的老朋友）——因子计算、数据清洗全靠它们。
- 回测框架：Backtrader / vectorbt（个人）、聚宽/米筐/掘金（在线平台，含数据+回测+模拟盘一条龙，国内个人量化首选）。
- 数据与存储：行情接口（akshare/tushare/聚宽）+ 时序数据库（InfluxDB/DolphinDB）——行情数据的家。
- 执行：券商量化接口（QMT/Ptrade）或交易所 API；加密货币用 CCXT。
- 部署：Linux 服务器 / Docker（第七本老朋友）/ 云——策略跑在 7×24 的机器上。
【入门版（个人，够用）】
数据 ：akshare/tushare（免费）→ SQLite/CSV
研究 ：Jupyter + Pandas
回测 ：Backtrader / 聚宽在线平台
模拟盘 ：聚宽/掘金（仿真环境，免费）
实盘 ：券商 QMT/Ptrade 量化接口（A股）
部署 ：一台云服务器 + crontab/定时任务
【进阶版（团队/机构）】
数据 ：Wind/聚源 + 另类数据 + 实时行情
存储 ：DolphinDB（时序数据库）+ 对象存储
回测 ：自研分布式回测平台（并行跑百万组参数）
执行 ：低延迟柜台 + 算法交易系统
监控 ：实时风控 + 告警（第七本的老朋友）
AI ：GPU 集群训练模型（第三本的老朋友）
【踩坑提醒】
别一上来就自研一切——先用在线平台验证策略
框架只是工具，策略和风控才是核心技术栈术语
- Python 生态：Pandas/NumPy 做因子、Backtrader 回测——量化的事实标准。
- 在线量化平台：聚宽/米筐/掘金——数据+回测+模拟盘一条龙，个人入门最佳路径。
- 时序数据库：DolphinDB/InfluxDB——行情数据的专业存储。
- 券商量化接口：QMT/Ptrade——A 股程序化下单的通道。
- CCXT：加密货币交易所统一接口——币圈量化标配。
- 部署运维：Docker + 云服务器 + 监控——策略 7×24 跑着不出事。
本站收获：技术栈 = Python 做研究、在线平台做回测、券商接口做执行、服务器做部署——前几本书学的工程能力，在这里全部派上用场。工具是脚手架，策略和风控才是房子。
AI 量化：预测与局限
机器学习 · 深度学习 · 舆情 NLP · 大模型「AI 能预测股价吗？」——诚实回答：能提供「统计意义上的微弱优势」，不能当水晶球。AI 量化是把第三本到第四本学的 AI 能力，用在金融数据上。
AI 在量化里的四大用法：
- 机器学习预测：用因子做特征，预测「未来 N 天涨跌概率」——GBDT/XGBoost 是实战主力（不是深度学习！）。
- 深度学习：LSTM/Transformer 做时序预测——数据量大才值得，小数据不如传统模型（过拟合更快）。
- NLP 舆情：用大模型读新闻/公告/研报，提取情绪分数——「事件驱动」策略的原料（衔接第四本的 RAG/Prompt 手艺）。
- 强化学习：让模型自己学「何时买何时卖」——研究前沿，实盘很少（样本少、环境不稳定）。
from xgboost import XGBClassifier
# 特征：因子 + 技术指标（第3站）+ 舆情分数（NLP）
X = df[["momentum_60", "volume_ratio", "sentiment", ...]]
# 标签：未来 5 天涨跌幅 > 2% 记为 1（分类）
y = (df["future_5d_return"] > 0.02).astype(int)
# 训练 + 时间序列切分（不能随机打乱！）
train_x, train_y = X.iloc[:8000], y.iloc[:8000]
test_x, test_y = X.iloc[8000:], y.iloc[8000:]
model = XGBClassifier(n_estimators=200, max_depth=4)
model.fit(train_x, train_y)
print("样本外准确率:", (model.predict(test_x) == test_y).mean())
# 诚实预期：55%-60% 就算不错（51% 就是印钞机级别了……）
【AI 量化的四大陷阱】
① 金融数据信噪比极低——不是图像识别，别指望 99%
② 时间序列不能乱打乱切——要用「时间窗」切分（防前视偏差！）
③ 过拟合比传统策略更猛——深度模型尤其容易
④ 市场会变——模型在 2023 有效，2024 可能失效，要持续重训
【大模型在量化里的实际应用】
舆情情绪分析、财报解读、新闻摘要（辅助研究员）
生成代码辅助开发（研究员写因子更快）
——注意：大模型「直接预测股价」目前不靠谱（幻觉 + 无时序感知）用大模型每天批量读 2000 篇财经新闻和公告，输出「正面/负面/中性」情绪分 → 合成「舆情因子」加入多因子模型。实测：单独用准确率 52%，但和传统因子组合后，策略夏普从 0.8 提到 1.1——AI 的价值不是单打独斗，是「锦上添花」。
AI 量化术语
- 特征工程：因子 + 技术指标 + 舆情 → 模型输入（AI 量化 80% 的活）。
- XGBoost / LightGBM：表格数据实战主力——比深度学习更实用。
- 时间序列切分：按时间窗切训练/测试——防前视偏差的关键。
- 舆情因子（NLP）：大模型读新闻出情绪分——事件驱动原料。
- 强化学习交易：前沿方向——实盘应用还早。
- 模型失效：市场风格切换 → 定期重训、监控因子衰减（衔接第七本模型评估）。
本站收获：AI 量化 = 机器学习做因子预测（55% 就算赢）+ NLP 做舆情 + 大模型做辅助。别指望 AI 变水晶球——它提供的是「统计上的微弱优势」，加上严格风控才可能赚钱。
落地路径：从学到做
学习路线 · 模拟盘 · 合规 · 职业与风险学了九站，怎么落地？答案可能和你想象的不一样——第一步不是「写策略」，而是「不亏钱地学会亏钱」。
落地五步走，每一步都别跳：
- ① 学基础：金融知识 + Python（前九站就是这个）。
- ② 模拟盘 3 个月：在线平台（聚宽/掘金）跑策略——先证明策略「在理想环境能活」。
- ③ 小资金实盘 3 个月：用「亏了不心疼」的钱（比如总资产的 5%）——验证真实成本和真实心态。
- ④ 复盘迭代：实盘和回测的差距，就是你的「学费清单」。
- ⑤ 才谈放大：连续稳定半年以上，才考虑加钱——且永远设风控上限。
另外注意合规：个人用自己的钱程序化交易是合法的（券商渠道要合规开通）；但代客理财、公开荐股需要牌照（私募基金等）——红线别碰。
【个人学习路线（0 → 能跑通）】
第1月：金融市场基础 + Python 数据分析（Pandas）
第2月：因子计算 + 回测框架（Backtrader/聚宽）
第3月：写第一个策略（均线趋势或双因子）→ 模拟盘
第4-6月：模拟盘迭代 + 学风控 + 学实盘接口
第7月+：小资金实盘 → 复盘 → 迭代（永远循环）
【职业方向（想入行？）】
量化研究员：策略/因子研究（数学+编程+金融）
量化开发工程师：交易系统/回测平台（工程能力强——你的主场！）
量化交易员：执行/盘口（反应+纪律）
数据工程师：行情数据管道（第九本的老本行）
→ 国内量化私募：幻方/九坤/明汯/衍复 等
【红线提醒（务必记住）】
不代客理财（无牌照 = 违法）
不公开荐股
不碰内幕信息
不使用他人账户
不承诺收益——「稳赚」的量化都是骗局
【最后的风险提示】
量化不是印钞机：全球对冲基金也有大量亏损年份
永远只用「亏得起的钱」参与
本文档仅供学习交流，不构成任何投资建议落地术语
- 模拟盘 → 小资金 → 放大：三级火箭——一步都别跳。
- 亏得起的钱：闲钱、小比例——心态是实盘的第一生产力。
- 合规红线：个人自营合法、代客理财要牌照——违法的事收益再高也别碰。
- 量化职业：研究员/开发/交易员/数据——工程能力是量化开发的敲门砖。
- 持续迭代：市场在变，策略会死——量化是一辈子的事。
本站收获：落地 = 模拟盘三个月 + 小资金三个月 + 复盘迭代 + 合规红线。量化不是暴富捷径，是「用纪律换长期优势」的修行——而纪律的第一课，是承认自己会错。
术语速查 + 学习资源
最后一页速查表术语一句话速查
| 术语 | 一句话人话 |
|---|---|
| 做多 / 做空 | 赌涨先买 / 赌跌先卖 |
| 杠杆 / 保证金 | 用小钱撬大钱——涨得快，爆仓也快 |
| 订单簿 / 价差 | 买卖挂单的队列 / 买价卖价的差（过路费） |
| 因子 | 能解释收益的特征（动量/反转/价值…） |
| Alpha / Beta | 超额收益 / 大盘收益 |
| 回测 / 过拟合 | 历史模拟考 / 记住噪声而非规律 |
| 前视偏差 / 幸存者偏差 | 开天眼 / 死人不会说话 |
| 夏普比率 / 最大回撤 | 风险调整后收益 / 最惨亏损 |
| 滑点 | 想买的价和实际成交价的差 |
| TWAP / VWAP | 均速拆单 / 跟着成交量节奏拆单 |
| 凯利公式 | 最优下注比例（实战用半凯利） |
| 市场中性 | 对冲市场涨跌，只赚 alpha |
| CTA | 期货趋势策略——和股市低相关 |
| 舆情因子 | AI 读新闻出的情绪分 |
学习资源（入门友好）
- 书：《打开量化投资的黑箱》《宽客人生》、陈小米《量化交易之路》
- 在线平台：聚宽、米筐、掘金量化（数据+回测+模拟盘一条龙）
- 数据：akshare、tushare（免费）、Wind（机构）
- 课程：Coursera《Machine Learning for Trading》、国内券商投教（先学防骗）
- 态度：先模拟盘半年，再谈实盘——这条比任何资源都重要
是自己的贪婪和过拟合。
它不承诺暴富，只提供「用纪律换长期优势」的可能性。
记住：活下来，比赚得快重要；
而且——本手册仅供学习，不构成任何投资建议。