量化研究 · 第 6 章 AI 加量化前沿

量化研究 · 第 6 章 AI 加量化前沿

章节摘要:本章是全教程的前沿视角。近年大语言模型与强化学习深刻改变了量化研究的边界:LLM 既能做研报与代码助手(RD-Agent、TradingAgents),也能直接生成选股观点与情感因子(GPT 选股);强化学习把交易建模成序贯决策(TradeMaster);而综述与论文清单则提供了这一领域的全景图与文献入口。本章精选 quant-wiki 的 docs/ai 内容成四节,既讲清代表性工具的架构与适用场景,也提示落地难点(数据泄露、可重复性、过拟合)。本章是「地图」而非「食谱」——目标是让你看懂前沿、能读论文、能判断哪些方向值得深入。素材来自 docs/ai。

学习目标

阅读完本章,你应当能够:

1. 描述 LLM 量化工具(TradingAgents、RD-Agent)的定位与架构。
2. 评估 GPT 选股与情感分析的有效边界与陷阱。
3. 理解强化学习(TradeMaster)在交易里的环境、状态、奖励设计。
4. 用 docs/ai 的综述与论文清单规划自己的前沿学习路径。
5. 识别 AI 加量化的常见风险(数据泄露、过拟合、可重复性)。

核心概念速览

AI 加量化是「放大器」:放大研究效率,也放大过拟合与泄露的风险。

子章节导航

01 LLM 量化:TradingAgents 与 RD-Agent

LLM 作为研究/代码/流程助手;RD-Agent 的因子挖掘与回测自动化;TradingAgents 的多智能体框架。

02 GPT 选股与情感

LLM 生成选股观点;新闻/财报/社媒的情感分析;文本因子的构造与回测。

03 强化学习:TradeMaster

MDP 建模、状态/动作/奖励、常用 RL 算法、TradeMaster 工具链与典型实验。

04 综述与论文清单

docs/ai 下的年度综述与论文清单(2024 AI / 2024 LLM-quant / 2025 AI);如何挑选与精读。

子章节之间的逻辑关系

第 1 节(LLM 量化工具) ──► 第 2 节(GPT 选股/情感) ──► 第 3 节(强化学习) ──► 第 4 节(综述/论文)
   │
   ▼
下一章(第 7 章 组合优化与风险管理)
​

前置知识与后续延伸

前置知识:

• 第 3 章(概率统计,理解模型评估)
• 第 4 章(夏普与策略评估,作为 AI 的 baseline)
• 第 5 章(经典策略脚本,AI 方法的对照)

后续延伸:

• 第 7 章(组合优化与风险管理,AI 信号最终要落到组合)
• 第 8 章(职业发展,AI 量化是求职热点方向)