作为程序员,入门 AI 量化理财的核心是:用 Python 做数据与策略、用机器学习找规律、用回测与风控验证、小资金实盘迭代。下面按 “认知→技能→工具→策略→回测→实盘→风控” 一步步走,尽量落地、少废话。
一、先懂概念(1 天)
1. 什么是 AI 量化?
- 量化:把交易规则写成代码,用数据执行,杜绝情绪干扰。
- AI 量化:用机器学习 / 深度学习自动挖掘因子、生成信号、优化策略。
- 本质:数据 → 特征 → 模型 → 信号 → 交易 → 收益。
2. 程序员的天然优势
- ✅ 会 Python、懂数据结构、能写代码
- ✅ 熟悉算法、模型、工程化思维
- ✅ 能快速迭代、调试、部署系统
3. 风险先讲清楚
- 回测好≠实盘好(过拟合、滑点、手续费)
- 市场会变,模型要持续迭代
- 严禁重仓、杠杆、追高;单笔止损≤2%
二、必备技能栈(2–4 周)
1. Python 金融编程(核心)
bash
运行
pip install pandas numpy scikit-learn matplotlib backtrader
- Pandas:时间序列处理、数据清洗、因子计算
- NumPy:数值计算、矩阵运算
- Scikit-learn:机器学习模型(XGBoost、随机森林、逻辑回归)
- Backtrader:本地回测框架
- Matplotlib:收益曲线、回撤可视化
2. 金融基础(够用即可)
- A 股 / 基金交易规则、K 线、均线、成交量、市值、PE/ROE
- 常用因子:动量、波动率、价值、质量、情绪
- 指标:RSI、MACD、布林带、换手率
3. 机器学习入门(重点)
- 监督学习:用历史数据预测涨跌(分类)或收益(回归) 输入:60 天价格、成交量、技术指标、基本面 输出:明日涨跌概率、未来 5 日收益
- 常用模型: XGBoost/LightGBM:选股、择时(稳定、易解释) LSTM/Transformer:价格趋势预测(时序数据) 逻辑回归:简单信号过滤
三、工具与平台(直接用,少造轮子)
1. 数据获取(免费 + 付费)
- 免费:Tushare(基础行情)、聚宽数据、东方财富 API
- 付费:Wind、Choice、聚宽专业版(基本面、财报、舆情)
- AI 辅助:用大模型(如 Claude、GPT-4)爬取并清洗新闻、财报情绪数据
2. 量化平台(推荐国内)
- 聚宽 JoinQuant:社区强、策略多、Python 环境、回测免费
- BigQuant:可视化 + AI 建模、自动因子挖掘、适合快速原型
- 迅投 QMT / 恒生 PB:券商实盘接口,支持 Python 自动交易(需 10 万资金)
- Backtrader + 本地数据:完全自主、适合学习与自定义策略
四、第一个 AI 策略(2 周落地)
目标:用 XGBoost 做 “选股 + 择时”,回测 3 年,年化 > 15%、最大回撤 < 20%
步骤 1:数据准备(Pandas)
python
运行
# 获取沪深300成分股近3年日线
# 特征:20/60日均线、RSI、波动率、PE、ROE、动量
# 标签:未来5日涨跌(1=涨,0=跌)
步骤 2:AI 模型训练(XGBoost)
python
运行
from sklearn.ensemble import XGBClassifier
model = XGBClassifier()
model.fit(X_train, y_train) # X=特征,y=标签
步骤 3:生成信号
- 每日收盘后,模型预测次日上涨概率
- 选Top 5高概率股票,等权买入,持有 5 日轮换
步骤 4:回测(Backtrader / 聚宽)
- 时间:2021–2024 年
- 费率:手续费 0.03%、滑点 0.1%
- 核心指标: 年化收益:>15% 夏普比率:>1.5(风险调整收益) 最大回撤:<20%(极端亏损) 胜率:>55%
五、从回测到实盘(1 个月)
1. 模拟盘(必做,至少 1 个月)
- 平台:聚宽模拟、QMT 模拟
- 目的:验证实盘逻辑、代码稳定性、信号延迟
- 要求:模拟收益与回测偏差 < 5%
2. 实盘开户(小资金起步)
- 券商:中信、华泰、招商(支持 QMT/API)
- 资金:1–2 万(练手,不影响生活)
- 权限:开通程序化交易(多数券商 10 万资金可开)
3. 实盘执行(自动化 + 人工监控)
- 每日流程: 收盘自动拉取数据→更新模型→生成明日股票池 开盘前自动下单(限价单,避免滑点) 盘中监控:网络、接口、信号异常 收盘复盘:收益、回撤、模型效果
六、风控是生命线(永远第一)
- 仓位管理:单策略仓位≤50%;单票≤10%
- 止损规则:单笔亏损≤2%;周回撤≥5% 暂停交易
- 策略分散:同时跑 2–3 个低相关策略(如选股 + 指数增强)
- 模型监控:每月检查模型胜率、夏普;下降 > 10% 立即重训
七、学习路径与资源(按顺序学)
第 1 周:Python 金融
- 书:《Python for Finance》(Yves Hilpisch)
- 课:B 站 “Python 金融量化实战”
第 2 周:金融与因子
- 书:《手把手教你读财报》、《量化投资:策略与技术》
- 课:聚宽 “因子投资入门”
第 3–4 周:机器学习 + 策略
- 课:吴恩达《机器学习》(Coursera)、《深度学习》(花书)
- 实战:用聚宽 / BigQuant 复现 XGBoost 选股策略
持续:社区与迭代
- 社区:聚宽论坛、知乎量化、雪球 AI 量化话题
- 工具:用 AI(如 Cursor、Claude)辅助写代码、调参、生成回测报告
八、常见坑(提前避坑)
- 过拟合:回测完美,实盘亏钱 → 解决:数据切分、交叉验证、简单模型优先
- 未来函数:用了未来数据(如当日收盘价算指标) → 解决:严格用历史数据
- 忽略成本:手续费 + 滑点吃掉收益 → 解决:回测时按实盘费率设置
- 过度优化:参数调太细,市场一变就失效 → 解决:参数范围搜索,不追求极致
九、行动清单(今天就能开始)
- 安装 Python + 量化库,跑通第一个 Pandas 数据示例
- 注册聚宽 / BigQuant,跑一遍平台自带的 AI 选股策略
- 用 AI 助手(如 GPT-4)生成 XGBoost 选股代码,本地回测
- 1 个月内完成模拟盘,2 个月内小资金实盘
一句话总结:程序员做 AI 量化,优势在技术,关键在数据 + 模型 + 风控 + 迭代。从小策略、小资金开始,持续学习,稳步提升。
