AI量化交易：从0到1

Name: AI Quantitative Trading: From Zero to One
Author: Wayland Zhang

用多智能体架构构建可落地的量化交易系统

作者: Wayland Zhang · 项目主页: dnalyaw.com · GitHub: ai-quant-book

这本书讲什么？

不是策略圣杯，而是教你构建可落地的量化交易系统。市面上的教程停留在API翻译、技术指标堆砌、过拟合的"神奇策略"。真正的量化系统需要回答：

数据从哪来？ API限流、缺失值、复权、时区
回测怎么不骗自己？ 未来函数、过拟合、交易成本
为什么单一模型不够？ Regime变化、信号冲突、风险分散
如何控制风险？ 止损、仓位、因子暴露、熔断机制
怎么上生产？ 执行滑点、系统监控、故障恢复

本书使用多智能体架构：不同Agent负责不同职责（信号、风控、执行），协同决策进行交易。

内容概览

全书分为 5个部分、22课：

部分	主题	课程数	核心内容
1	快速体验	1	量化全景、多智能体直觉
2	量化基础	7	市场、统计、策略、数据、回测
3	机器学习	2	监督学习、从模型到Agent
4	多智能体	7	架构、Regime检测、LLM、风控
5	生产实战	5	成本、执行、运维、项目

此外还有 30篇背景知识 和 4个附录

目标读者

程序员想转量化: 从零构建交易系统的完整路径
量化研究员: 多智能体架构、生产级风控设计
投资者/PM: 理解量化系统的能力边界和风险

前置要求: 基本编程概念(Python)必需；统计学、金融市场有帮助；机器学习不需要

⚠️ 风险声明

量化交易有风险，投资需谨慎。

本书内容仅供学习和研究目的，不构成任何投资建议：

书中策略仅用于学习，不保证盈利
实盘交易前请充分了解风险
切勿使用无法承受损失的资金
历史表现 ≠ 未来结果

背景知识：LLM量化研究进展 · Triple Barrier标签方法 · 时间序列交叉验证（Purged CV） · 强化学习在交易中的应用 · 另类数据（NLP与卫星） · Meta-Labeling方法 · 特征工程常见陷阱 · 机器学习在金融中的限制 · 模型架构选择指南 · 模型漂移与再训练 · MLOps基础设施 · 前沿ML与RL方法（2025）

Part 4：多智能体系统

构建协作的Agent架构，实现分工与风控

课程	标题
第11课	为什么需要多智能体
第12课	市场状态识别
第13课	Regime误判与系统性崩溃模式
第14课	LLM在量化中的应用
第15课	风险控制与资金管理
第16课	组合构建与风险暴露管理
第17课	在线学习与策略进化

背景知识：多智能体框架对比 · 量化开源框架对比 · 均值方差组合优化

Part 5：生产与实战

从回测到实盘，部署可运行的交易系统

课程	标题
第18课	交易成本建模与可交易性
第19课	执行系统 - 从信号到真实成交
第20课	生产运维
第21课	项目实战
第22课	总结与进阶方向

背景知识：执行模拟器实现 · 策略同质化与容量瓶颈 · 程序化交易监管（2024-2025）

附录

附录	标题
附录A	实盘交易记录标准指南
附录B	量化系统的12种典型死亡方式
附录C	人类决策与自动化边界
附录D	量化交易常见问题FAQ

参考资料

→ Resources & Links

统计

项目	数量
正文课程	22 课
背景知识	30 篇
附录	4 篇
总计	56 篇

阅读建议

读者类型	推荐路径
零基础入门	Part 1 → Part 2 全部 → Part 3 → Part 4（跳过第13课）→ Part 5
有编程基础	第01课 → Part 2 快速浏览 → Part 3-5 全部
有量化基础	第01课 → 第08课 → Part 3-5 全部
只关心架构	第01课 → 第10-17课 → 附录B

课程	标题
第02课	金融市场与交易基础
第03课	数学与统计基础
第04课	技术指标的真实角色
第05课	经典策略范式
第06课	数据工程的残酷现实
第07课	回测系统的陷阱
第08课	Beta、对冲与市场中性