当我把做量化踩过的坑，沉淀成了一个 Agent...

本文作者：刘思昊
·量化私募基金风控总监；
·前硅谷互联网公司软件工程师；
·AI易投创始人。

一个做量化的人，最大的痛点不是没有想法，而是有太多想法，却没有足够时间验证！

我是程序员出身，后来因为一个朋友介绍，进入了量化行业。

刚开始接触量化的时候，其实我的理解跟大多数人一样，觉得量化就是找到一个指标，然后写个程序跑一下。

比如：

MACD 金叉买入。
均线突破买入。
设置止盈止损。
然后看看收益怎么样。

但在进入并深耕这个行业之后，我发现：

量化真正难的地方，并不是把策略跑出来。

而是：

你怎么证明这个策略是真的有效？

比如，一个策略回测赚钱了。

你可能会觉得：

“这个方法不错。”

但是进一步去看，会发现很多问题：

· 这个回测有没有用未来数据？
· 交易成本有没有考虑？
· 数据有没有问题？
· 这个因子是不是只是刚好在这一段行情有效？
· 换一个市场环境还成立吗？

这些问题，才是量化研究真正需要花时间解决的地方！

那今天，我就跟大家分享一下我在量化研究中踩过的坑，以及我是如何利用 AI Agent，把原本需要几天完成的数据处理、因子分析、策略回测流程，压缩到几个小时完成。

量化研究最耗时间的，是验证策略

刚开始做量化的时候，我经历过很多个阶段。

最开始接触的是一些规则类策略。

比如：

满足某个条件买入；达到某个条件卖出。

后来慢慢接触多因子、机器学习之后，才开始真正理解：

量化不是简单写规则。

背后其实是一整套研究流程。

这几年下来，我觉得有几个地方特别容易踩坑。

第一个坑：数据管理

很多人刚开始做量化，会觉得：

数据下载下来就可以用了。

但实际上，数据是非常重要的一环。

比如：

数据有没有缺失？

时间有没有对齐？

字段有没有错误？

不同周期的数据怎么管理？

以前我们做数据管理，有的人用数据库。

有的人直接存 CSV。

当然，还有一些其他格式。

但在不断实践之后，我们发现：

数据存储方式，其实会直接影响后面的研究效率。

所以后来我们选择了一套更适合量化研究的数据管理方式，Parquet。

目的就是：

让后面的因子计算、策略回测可以更顺畅。

---

第二个坑：因⼦绩效评价

很多刚接触量化的人，会觉得：

我做一个指标。

然后跑一下回测。

赚钱，那这个指标就是好的。

其实不是。

一个因子，需要有完整的评价体系。

比如：

IC。IR。分层测试。

简单来说：

你需要知道：

这个因子有没有预测能力？
这个能力是不是稳定？
不同分组之间有没有明显差异？

如果只看最后收益，就很容易会被误导。

---

第三个坑：策略回测

现在很多平台都有回测功能。

输入策略。

点击运行。

然后出来一个收益曲线。

但是一个真正可靠的回测，需要考虑很多东西。

比如：

未来函数。
交易成本。
滑点。
信号产生时间。
实际成交时间。

这些问题，如果没有处理好。

一个看起来非常漂亮的收益曲线，可能完全没有意义。

---

也正因为如此。

后来我一直在想一件事。

如果量化研究真正难的，不是某一个步骤，而是整个流程。

那有没有一种方式，可以让 AI 不只是帮我写一段代码、分析一份数据。

而是真正像一个研究助手一样，参与到整个研究过程中？

它知道我要研究什么。

知道下一步该做什么。

甚至能够按照一套成熟的方法，把后面的工作一步一步完成。

如果真的可以做到这一点。

量化研究的效率，会不会完全不一样？

也是从这个问题开始，我们发现：

AI量化的下一步，并不是"AI会不会写代码"。

而是，它能不能真正参与整个研究流程。

从普通AI对话，到AI研究助手

很多人都会问："那我直接用 ChatGPT，让它帮我写代码，不就可以了吗？"

当然可以。

而且现在，大多数人也是这么用 AI 的。

想到一个策略。

打开 ChatGPT。

让它写几段代码。

改一改。

跑一遍。

如果报错，再继续问。

它确实能帮你完成很多工作。

但问题是，它解决的，始终只是某一个步骤。

因为它不知道：

你的数据在哪里。
你的项目怎么组织。
你的研究流程是什么。
你的结果应该怎么验证。

而一个真正用于研究的 Agent，需要知道这些上下文。

于是，我创建了 Quant Space。

在 Quant Space 里面，我们设计了：

项目规则。

Skill。

研究流程。

比如：

数据获取有一个 Skill。
因子分析有一个 Skill。
回测有一个 Skill。
报告生成有一个 Skill。

这些 Skill 就像量化研究团队里的不同角色。

每一个负责自己的专业环节。

而 Agent 的作用，就是把这些能力连接起来。

当你提出一个研究目标后，AI 不需要你一步一步告诉它：

“先做什么，再做什么。”

它可以根据任务需求，自动调用不同 Skill，推动整个研究流程。

比如：

先完成数据准备。
再进行因子分析。
然后验证策略效果。
最后整理研究报告。

把原本需要不同角色协作完成的研究流程，变成一个 AI 可以协助完成的工作流。

所以，AI Agent 和普通 AI 最大的区别在于：

普通 AI 是回答问题。

而 Agent 是围绕目标完成任务。

它不仅能理解你的需求，还能调用不同能力，帮助你推进完整的研究过程。

1、Quant Space 项目链接：
https://www.quantskills.ai/agents/agent-quantspace
2、Quant Space 介绍链接：
https://mp.weixin.qq.com/s/lodZvPL1tNXtymlp5FQ-6Q?click_id=828693318&scene=1

Quant Space 如何协助量化研究

看到这可能又有人会问：“那 AI Agent 到底能帮量化研究做到什么程度？”

其实，最好的答案，就是看一次完整的研究过程。

在上周的直播中，我通过 Quant Space 演示了一次从研究想法，到策略验证的完整流程。

在 Quant Space 中，AI 可以参与到整个研究过程中，帮助研究者完成多个环节的协作。

01 完成人与 AI 的研究协作

过去的量化框架，本质上是给程序调用的。

研究者需要先理解框架，再通过代码完成数据处理、因子分析、策略回测等工作。

而 Quant Space 的设计逻辑，是让 AI 成为研究流程的入口。

研究者只需要提出研究目标，AI 就可以根据已有的 Skill 和项目规则，调用对应能力完成任务。

可以在 Quant Space 中，直接通过自然语言告诉 AI 自己想研究什么。

比如，我告诉AI：

“下载螺纹钢日线数据到2018年至今。”

它会自动：

检查已有数据；补充缺失时间；验证日期；检查字段；保存结果。

整个过程，一分钟左右完成。

AI 可以理解研究目标，并根据需求协助完成后续流程。

所以，量化研究也从过去：

人与代码之间的反复沟通，变成：人与 AI 研究助手之间的协作。

02 完成全链路闭环

量化研究并不是完成一次回测那么简单。

从一个想法到一个可验证的策略，中间需要经历：

数据准备、因子研究、策略构建、回测验证、结果分析等多个环节。

过去，这些环节往往需要研究者在不同工具之间不断切换。

而 Quant Space 将这些流程串联起来。

从数据管理，到因子分析，再到策略回测和研究报告生成，整个研究链路都可以在同一个框架中完成。

例如：

一个新的因子想法提出后，

AI 可以协助完成因子计算；

通过 IC、IR、分层测试等指标分析效果；

进一步进行策略回测；

最后生成对应的研究结果。

更重要的是，整个过程会被沉淀下来。

每一次实验、每一个因子、每一份报告，都可以成为后续研究的积累。

所以 Quant Space 并不是简单帮你“跑一次实验”，而是在帮助研究者建立一套可持续迭代的 AI 研究体系。

人和AI应该怎么分工？

我也在直播评论区看到有人问：“AI 会不会替代量化研究员？”

我的看法是：

不会。

至少目前不会。

因为量化研究最重要的部分，从来不是执行。

而是发现问题。

比如：

为什么研究这个方向？
为什么选择这个因子？
为什么相信这个逻辑？

这些仍然需要人的判断。

未来更可能出现的一种方式是：

人负责提出想法。

AI 负责快速验证。

所以，人和AI怎么分工？

那就是，AI做他的能力，人去提出假设和AI协作。

具体怎么协作，怎么把一个想法转化成完整的研究流程？

我把它沉淀成了一套可以复制的方法论！

如果你想进一步了解：

如何搭建自己的 AI 量化研究流程，

如何使用 Agent 完成数据、因子、策略到报告的完整闭环。

可以扫码报名，来了解《21天 AI Agent 量化实战训练营》，我会带大家完整实践这一套流程！