AI量化交易：高效构建交易策略的新路径

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”。

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、流程图与代码讲解 172
3.6.4 适用场景与实战应用 176
3.6.5 常见错误与优化建议 176
3.6.6 提示词模板设计 177
3.6.7 练习建议与反思问题 180
3.7 机器学习量价特征工程（阿尔法量化） 181
3.7.1 策略逻辑与来源 181
3.7.2 数据需求与获取方法 182
3.7.3 流程图与代码讲解 183
3.7.4 适用场景与实战应用 188
3.7.5 常见错误与优化建议 188
3.7.6 提示词模板设计 189
3.7.7 练习建议与反思问题 191
3.8 市场情绪量化评分系统（阿尔法量化） 192
3.8.1 策略逻辑与来源 192
3.8.2 数据需求与获取方法 193
3.8.3 流程图与代码讲解 194
3.8.4 适用场景与实战应用 200
3.8.5 常见错误与优化建议 200
3.8.6 提示词模板设计 201
3.8.7 练习建议与反思问题 203
3.9 竞价阶段量价因子的挖掘（贝塔量化） 204
3.9.1 策略逻辑与来源 204
3.9.2 数据需求与获取方法 205
3.9.3 流程图、模型与代码讲解 206
3.9.4 适用场景与实战应用 209
3.9.5 常见错误与优化建议 209
3.9.6 提示词模板设计 210
3.9.7 练习建议与反思问题 212
3.10 复盘连板梯队结构与晋级率分析（贝塔量化） 213
3.10.1 策略逻辑与来源 213
3.10.2 数据需求与获取方法 214
3.10.3 流程图与代码讲解 215
3.10.4 适用场景与实战应用 220
3.10.5 常见错误与优化建议 220
3.10.6 提示词模板设计 221
3.10.7 练习建议与反思问题 222
3.11 高频量价数据策略开发（贝塔量化） 223
3.11.1 策略逻辑与来源 223
3.11.2 数据需求与获取方法 223
3.11.3 流程图与代码讲解 224
3.11.4 适用场景与实战应用 226
3.11.5 常见错误与优化建议 227
3.11.6 提示词模板设计 227
3.11.7 练习建议与反思问题 229
3.12 高频动量衰减因子开发（贝塔量化） 230
3.12.1 策略逻辑与来源 230
3.12.2 数据需求与获取方法 231
3.12.3 流程图与代码讲解 232
3.12.4 适用场景与实战应用 235
3.12.5 常见错误与优化建议 236
3.12.6 提示词模板设计 236
3.12.7 练习建议与反思问题 238
3.13 龙头股特征提取与模仿策略（贝塔量化） 239
3.13.1 策略逻辑与来源 239
3.13.2 数据需求与获取方法 240
3.13.3 流程图与代码讲解 242
3.13.4 适用场景与实战应用 246
3.13.5 常见错误与优化建议 246
3.13.6 提示词模板设计 247
3.13.7 练习建议与反思问题 249
3.14 舆情监控与事件驱动分析（另类量化） 250
3.14.1 策略逻辑与来源 250
3.14.2 数据需求与获取方法 251
3.14.3 流程图与代码讲解 252
3.14.4 适用场景与实战应用 255
3.14.5 常见错误与优化建议 256
3.14.6 提示词模板设计 257
3.14.7 练习建议与反思问题 258
3.15 游资席位行为模式解析（另类量化） 259
3.15.1 策略逻辑与来源 259
3.15.2 数据需求与获取方法 260
3.15.3 流程图与代码讲解 261
3.15.4 适用场景与实战应用 265
3.15.5 常见错误与优化建议 266
3.15.6 提示词模板设计 266
3.15.7 练习建议与反思问题 268
3.16 涨停原因归类与题材持续性评估（另类量化） 269
3.16.1 策略逻辑与来源 269
3.16.2 数据需求与获取方法 270
3.16.3 流程图与代码讲解 270
3.16.4 适用场景与实战应用 275
3.16.5 常见错误与优化建议 275
3.16.6 提示词模板设计 276
3.16.7 练习建议与反思问题 277
3.17 本章小结 278
附录A 量化交易基础入门术语表 280
附录B 生成式AI入门术语表 282
附录C AI量化交易策略及实战案例 286