αAlpha LearningTHE QUANT STUDY GUIDE
AI QUANTITATIVE RESEARCH · THE COMPLETE ROADMAP

AI 时代的量化交易
完整学习路线。

从概率统计、金融市场和数据工程,走向 Alpha 发现、科学验证、组合管理与真实执行。12 个阶段循序推进,每个小环节都有对应教材、实践任务和可检查的成果。

小资金 · 中低频 · 跨市场
以研究证据和长期净收益为目标
12学习阶段
58逐项检验
0已完成
0%整体进度
学习进度0 / 58
学习原则:每周建议投入 12–15 小时,第一轮规划约 12–18 个月;学习与实践并行,从第一周就做真实数据练习。课程完成不等于获得 Alpha,盈利能力仍须经过样本外、交易成本、前向模拟和长期实盘验证。
THE FOUR CORE SKILLS

AI 时代必须长期打磨的四项核心内功

这是能力主轴,12 个学习阶段会反复训练它们。

RESEARCH WORKFLOW

从市场信息到可兑现收益的五个环节

把另一份五环节建议融入 12 阶段,而不是另起一套重复课程。

12 LEARNING STAGES

12 个阶段,一眼看全貌

点击任一阶段,进入详细学习路线;每个阶段的课程、书单与验收都在同一处。

从基础到实盘
SMALL CAPITAL EDGE

小资金的优势,不是免费的 Alpha

西蒙斯式的数据、算力、算法竞争并非个人的正确起点。个人更适合寻找容量较小、持仓周期较长、能用公开数据研究的机会,但这些只是潜在优势,不是收益保证。

01容量与灵活性:小资金对市场冲击可能更低,能研究大型机构容量受限的细分机会;但小众市场常伴随差数据、低流动性和更高执行风险。
02时间自主权:没有基金赎回和月度排名压力,不代表可以无限期扛回撤;资金期限、机会成本和风险预算仍然约束你。
03AI 的真实作用:降低编程、信息整理和实验自动化成本,不会自动创造独家数据、统计优势或交易纪律。
START THIS WEEK

别等学完再开始

第一周先建立最小研究环境,并选一条自己熟悉的中低频想法做基线实验。

01建一个可复现的 Python 研究仓库。
02获取一份日线数据,计算收益、波动率、回撤和交易成本。
03读《Quantitative Trading》新版目录与核心章节,写下自己的交易系统地图。
04把第一个策略想法写成可证伪假设,不急着追求漂亮回测。
建议并行
课程和书籍按研究用途分为必修主线与选修拓展。必修表示建议优先掌握,不意味着每本书都必须逐页读完;具体市场数据、平台功能、证书和云算力可能另有费用或访问条件。