罗勇，哈尔滨工业大学金融智能量化投资研究中心副主任，WorldQuant首批全球智脑顾问。拥有二十余年实盘交易与量化建模经验，长期专注于量化策略研究及大模型（智能体）在各行业的应用实践。曾在多所高校开设量化投资课程，包括哈尔滨工业大学的”金融投资策略设计“（本科）、哈尔滨金融学院的“金融量化基础”（本科）、哈尔滨商业大学的“计算机语言与量化投资”（研究生）。著有《量化投资教程》《GPT时代的量化交易：底层逻辑与技术实践》，译有《波动率：实用期权理论》。

卢洪波 经济学博士（吉林大学），现任北京外国语大学国际商学院硕士生导师，兼任北京信息产业协会人工智能分会副秘书长。具有全球特许金融科技师资格及高级经济师职称。曾参与国家重大金融风险化解项目研究工作，主要研究方向为金融科技与宏观经济政策。

王光伟 琦际科技创始人。主要研究方向为量化策珞建模与因子工程、低延迟量化交易系统架构、AI智能体驱动的策路优化。合著《GPT时代的量化交易:底层辑与技术实践》，具有12年金融市场实盘交易经验及10年量化系统开发经验，曾为多家金融机构设计量化交易模型，现专注于超短线策略研究，擅长集合克价涨停板策略、近板股动量接力策路及事件驱动型低位潜伏策略。

罗天奇 AIGC爱好者，曾获果龙江省智能机器人党赛冠军第一届中国青少年人工智能及创客大赛三等奖。

当AI大模型重构量化交易范式——一本打通技术与投资的破局之作

1. 零基础友好！从量化概念到大模型实操无缝衔接，15套策略均配“提示词模板+完整代码”，小白也能1:1复现顶级团队工作流。

2. 直击传统量化痛点！用AI把研究时间压缩90%！

3. 融合WorldQuant大赛TOP方法论！5大类策略×4大市场维度 = 智能投研解决方案！

4. 附赠超值AI量化资源：161组策略提示词模板，以及量化策略开发提示词模板！相关配套视频课程限期免费开放！

5. 产学界双重认证：国务院特殊津贴专家杨晓光等专家联袂力荐！

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

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