- 文集信息
- 目录大纲
- 最新文档
- 知识宇宙
文集详情
文集导读
AI 驱动的金融分析
从评分函数到多智能体投研—— AI×金融的工程精华。
这本教程讲什么
LLM 与机器学习进入金融领域，有三种失败姿势：让 LLM 直接算数、让提示词承担风控、让模型在没有成绩单的情况下持续输出建议。17 个开源项目用源码展示了正确的三条路线：
- 双层架构（ai-hedge-fund）：确定性代码打分，LLM 只做裁决——可审计、防幻觉、省 token
- 多智能体对抗（Vibe-Trading）：投资委员会式的观点竞争与合成裁决
- 工具面隔离（Vibe-Trading MCP / go-stock）：研究面与交易面物理分离，一切建议可回测验证
在这三条主线下，本教程覆盖：把投资哲学编译成评分函数、技术面信号自动集成、情绪与文本因子、ML/DL/RL 选股与交易、Swarm 工程与风控边界、闭环反馈系统（让 AI 有成绩单）、自适应模型运维。
💡 核心心法：LLM 在金融系统中的正确位置是"裁决器"而非"计算器"。数字必须来自可复算的代码，约束必须来自代码而非提示词，观点必须留下可事后验证的记录。违反这三条的 AI 投资系统，再炫也只是事故预备队。
学习路线
阅读顺序
| 序号 | 章节 | 关键词 | 难度 |
|---|---|---|---|
| 00 | 开篇：当 LLM 遇上金融 | 三条路线、失败姿势、能力边界 | ★ |
| 01 | 双层架构：确定性打分与 LLM 裁决 | ai-hedge-fund 模式、结构化输出、越权防范 | ★★ |
| 02 | 把投资哲学编译成评分函数 | Owner Earnings、护城河量化、Graham Number | ★★★ |
| 03 | 技术面信号的自动化集成 | 五策略加权、体制识别、反脆弱指标 | ★★ |
| 04 | 情绪分析与文本因子 | Baker-Wurgler、情感词典、反转伪装陷阱 | ★★ |
| 05 | 机器学习选股实战 | 标签设计、Purged CV、LightGBM、SHAP | ★★★ |
| 06 | 深度学习与市场状态识别 | AlphaNet、自编码器定价、HMM、TimeGAN | ★★★★ |
| 07 | 强化学习交易 | DQN、trading env、奖励设计陷阱 | ★★★★ |
| 08 | 多智能体投资委员会 | 对抗式 swarm、多空对辩、主席合成 | ★★★ |
| 09 | Swarm 工程与风控边界 | 正反面案例、时间戳注入、硬约束 | ★★ |
| 10 | MCP 工具面与研究交易隔离 | 54 只读工具、数据源矩阵、假设闭环 | ★★ |
| 11 | 闭环反馈：让 AI 有成绩单 | UMP 裁判、观点追踪、提示词回测 | ★★★ |
| 12 | 自适应模型运维：FreqAI 范式 | 滚动重训练、双检测、崩溃恢复 | ★★★ |
| A | 附录A：LLM 金融系统安全清单 | 检查表 | — |
素材来源
ai-hedge-fund（22 agent 双层架构、13 位大师评分函数）、AutoHedge（swarm 正反面）、Vibe-Trading（MCP 工具面、投委会 swarm、Benford 检测、Shadow Account）、daily_stock_analysis（多模型分歧/风险否决/观点追踪）、go-stock（提示词回测、agent 自我进化）、freqtrade FreqAI（实时重训练、双检测）、ML4T（ML/DL/RL 全链路）、Intro-QF（AlphaNet、GAN、LLM 因子工厂）。
目录大纲
最新文档
知识宇宙
正在加载知识图谱...