道 道积君
路线图教程
专题卷
价值投资体系技术分析与裸 K 战法期货与衍生品风险管理与仓位控制量化与 AI 投研
速查库
技术指标图鉴经典案例与投资史投资大师与流派资产 / 品种图鉴投资原理库A股与场内规则库量化与 AI 投研概念库
计算器
全部 163 个工具场景清单：一件事要算哪几个数方案对比：A 和 B 选哪个投资理财（59）贷款（23）存款理财（13）养老与退休（9）个税与税费（16）社保公积金与用工（17）财会实务（9）外汇（5）Excel 财务函数（12）
术语关于

量化与 AI 投研

把量化与 AI 投研的概念讲透 · 纯教育向

L5-19 量化思维

  1. 1. 什么是量化投资：用规则和数据代替拍脑袋

AI 投研 SOP

  1. 1. 做投研，别让 AI 一个提示词问到底
  2. 2. 分了角色还是四份废话？问题出在你给它们看了同样的东西
  3. 3. 让 AI 读原文，和让它凭记忆说，是两回事
  4. 4. 财报精读：让 AI 干什么，你自己干什么
  5. 5. 一个行业几百家公司，怎么收敛到值得细看的那三家
  6. 6. 先排除，别先挑选：让 AI 干去劣这件粗活
  7. 7. 把「我为什么买」写成一句将来能判你错的话
  8. 8. 你的买入理由被悄悄换掉了，自己却没发现
  9. 9. 管理层研究：让 AI 帮你把话和账对上
  10. 10. 每只都研究透了，为什么整个账户还是让你睡不着
  11. 11. AI 投研这条流水线上，翻车的地方是可以预先点名的
  12. 12. 核对这件事，放到最后做就已经晚了
  13. 13. 投研提示词模板库：可以直接抄走的那几个
  14. 14. 有三件事，无论 AI 多好用都别交给它

仓库导览

  1. 1. 交易机器人开机之后，它一整天到底在忙什么
  2. 2. 「保护」机制：把停手写进策略里

回测与实盘为什么对不上

  1. 1. 回测好看实盘亏，差的到底是哪三件事
  2. 2. 回测里你每根 K 线看一眼盘，实盘里你每几秒看一眼
  3. 3. 回测按贵宾价算账，实盘按你的真实价算账

AI 投资祛魅

  1. 1. AI 能不能预测股价，先看清它到底在算什么
  2. 2. AI 选股靠不靠谱：这个问题得先拆成四个
  3. 3. 那些晒出来的 AI 战绩，是怎么被做成好看的样子的
  4. 4. 那个数字是编的，可它比真的还像真的
  5. 5. 同一个问题问两遍，答案为什么不一样
  6. 6. 它嘴里的「现在」，其实是它上学那年的现在
  7. 7. 让 AI 读评论区判断情绪，你能拿到什么，拿不到什么
  8. 8. 用 AI 跑出一条漂亮曲线，不等于 AI 有效
  9. 9. AI 替代分析师，替代的是哪部分
  10. 10. 泼完冷水，说说 AI 在投研里真正能帮上忙的五件事

L5-20 因子与策略

  1. 1. 量化常见策略：趋势跟随、均值回归与套利的底层逻辑

L5-21 回测与评价

  1. 1. 什么是回测，回测在骗你什么：好看的曲线最会骗人
  2. 2. 怎么避免过拟合：参数调得越完美，未来可能死得越惨

用量化技术诊断你自己

  1. 1. 你的交易流水里藏着一份体检报告
  2. 2. 如果当初真的止损了，账户现在会是什么样
  3. 3. 赚一点就跑、亏了死扛：给这些习惯量个尺寸
  4. 4. 查出毛病之后，怎么把它变成一条真能执行的规矩

L5-22 Python 量化工具链

  1. 1. 用 pandas 处理行情数据：量化的第一项基本功
  2. 2. 写一个最简策略回测：跑通流程，但别信那条曲线

AI 投研实操

  1. 1. 别问哪个模型最强，自己出一套题测它
  2. 2. 它一次能读多少字，决定了你该怎么喂财报
  3. 3. 几百页的材料怎么喂给 AI，三条路各丢掉什么
  4. 4. 什么时候必须让它联网，什么时候不能
  5. 5. 让它吐表格，别让它写散文
  6. 6. 一个好的投研提示词，有四个东西不能少
  7. 7. 每一句都得有出处，不然你连核都没法核
  8. 8. 一次问全，还是分几轮追问
  9. 9. 什么活值得用最贵的模型，什么活用最便宜的就够了
  10. 10. 本地模型解决的是什么问题，可能和你以为的不一样
  11. 11. 问顺了一次不算会，把它拆成模块存下来

量化认知与边界

  1. 1. 量化到底在做什么：三件事，缺一件都不算
  2. 2. 散户做量化，真实门槛在哪几道
  3. 3. 量化和主观的真正差别，不是用不用电脑
  4. 4. 五种人不适合做量化，和聪明不聪明没关系
  5. 5. 量化做不到的四件事，也就是你必须亲自站的四班岗
  6. 6. 仓位比选股重要在哪
  7. 7. 策略失效的时候，你怎么才能察觉

AI 交易与 Agent

  1. 1. 从一句话到一张委托单，中间隔着多少步
  2. 2. Agent 循环：感知、决策、执行，每一步都会出错
  3. 3. 多个智能体一起干活，怎么不打架
  4. 4. 给 AI 接上行情和财报，为什么以前那么费劲，现在有了统一插口
  5. 5. AI 怎么拿到实时行情和财报
  6. 6. 三个月前你跟它聊过这家公司，今天它一个字都不记得
  7. 7. 用大白话说一个策略让 AI 写成代码，它替你猜掉的正好是最要命的部分
  8. 8. 强化学习在交易里到底放在哪一层
  9. 9. 把下单权交给 AI 之前，这六个问题你得先答上来
  10. 10. 从一个跑得通的 demo 到真能用，差的是什么

读懂策略报告

  1. 1. 拿到一份策略业绩报告，先看哪几个地方
  2. 2. 报告里哪些数字是化过妆的
  3. 3. 看到「年化 30%」，你该问出哪五个问题

量化避坑

  1. 1. 免费的策略为什么不值钱
  2. 2. 卖策略的人，为什么自己不用它赚钱
  3. 3. 「我们优化过参数」这句话，听着像优点其实是警告
  4. 4. 你以为的分散，可能只是同一个赌注下了十次

心态与执行

  1. 1. 为什么你执行不了自己定的策略
  2. 2. 连着亏了几次，该怎么办
  3. 3. 一个策略什么时候该停掉
  4. 4. 从纸上到真钱，中间会发生什么

E 线 · 起步

  1. 1. 动手之前：环境和数据从哪来
  2. 2. 行情数据里那些会让你回测结果全错的坑
  3. 3. 数据到手别急着回测，先跑这六项自查

E 线 · 从规则到代码

  1. 1. 「均线金叉就买入」这句话，程序其实读不懂
  2. 2. 日志里写着「买入信号」，账户里却什么都没发生
  3. 3. 把策略写成能被测试的样子

E 线 · 回测引擎

  1. 1. 点下「开始回测」之后，那个程序内部到底在忙什么
  2. 2. 你那份回测的成交价，到底是从哪个数抠出来的
  3. 3. 回测里成本那一格，别急着填一个"对的数"
  4. 4. 一个开源回测框架摆在你面前，从哪一行开始读

E 线 · 实盘边界

  1. 1. 回测跑通了，实盘还差五件事没写
  2. 2. 延迟和容量：两个回测里根本不存在的约束
  3. 3. 实盘跑起来之后，该盯着什么
  4. 4. 什么情况下必须立刻停手

仓库导览 · freqtrade

  1. 1. 这个开源交易框架，到底替你做了什么、又坚决不做什么
  2. 2. 一个框架专门造工具来防的坑，说明它真的很常见
  3. 3. 超参优化：一个天生和过拟合纠缠在一起的功能
  4. 4. FreqAI：机器学习长在一个真实交易系统里是什么样
  5. 5. 历史全在硬盘上，它凭什么让你只看见「当时那一段」

仓库导览 · qlib

  1. 1. 同样叫「量化框架」，为什么这一个和交易机器人长得完全不一样
  2. 2. qlib 里找不到「前视偏差检测」命令，因为它把这件事挪到了数据层
  3. 3. 同一堆行情数据，做研究和做交易要的根本不是一个东西
  4. 4. 一口气造出几百个因子之后，那份「第一名」还值多少钱
  5. 5. 模型吐出一列分数，它是怎么变成持仓的
  6. 6. 模型会过期，可为什么不能靠人记得去重训

仓库导览 · Vibe-Trading

  1. 1. 用一句大白话驱动一整套研究流程，实际是什么体验
  2. 2. 有人把「拿数据照镜子」做成了一个功能
  3. 3. 评估一个 AI 交易项目，先翻到它给自己画线的那一段

仓库导览 · AI-Trader

  1. 1. 让几千个 AI 在同一个模拟盘里比高低，这件事能证明什么
  2. 2. 「在这个榜单上排第一」和「在你账户上能赚钱」，中间隔着什么
其它专题卷
价值投资体系 →技术分析进阶与裸 K 战法 →期货与衍生品 →风险管理与仓位控制 →投资心理与决策 →

本站内容仅为投资教育，不构成投资建议；不荐标的、不预测点位、不承诺收益。投资有风险，决策需谨慎。