ai量化实战开发探索

这门课的名字里有“AI”和“量化”两个词，但它真正想解决的问题只有一个：你已经会写 Python、也懂一点均线 MACD，可一旦要把模型接到实盘数据上，就发现自己卡在中间——回测跑得挺漂亮，换到真实行情就失效；想用机器学习选股，特征怎么造、标签怎么打，全靠拍脑袋。

下面按“缺口—练什么—学完能答什么”的顺序说清楚，你可以对照自己的情况决定要不要往下走。

先看清三个常见的断点

第一个断点是数据。很多人拿到的行情是整理干净的 CSV，而实盘里是缺失值、停牌、复权不一致、时间戳对不齐。课程里会反复处理这类脏数据，而不是跳过去直接建模。

第二个断点是“模型”与“交易”之间的那道墙。用 sklearn 训一个分类器不难，难的是：预测的是收益率还是方向？持仓怎么从预测值映射过来？交易成本、滑点、涨跌停要不要进回测？这些不写清楚，回测曲线就是自欺欺人。

第三个断点是工具链。研究用 notebook，跑起来要靠脚本，参数要能复现，指标要能落库。只会写单文件脚本的人，改一次参数就乱一次。

这门课练的是什么

它把 Python 当作管道，把 AI 当作加工环节，串起一条从数据到信号的链路。重点不在讲某个模型的数学推导，而在于：

• 把原始行情整理成可以喂给模型的特征表，包括滞后、滚动统计、量价组合这些常见做法；
• 用分类或回归的思路处理“涨还是跌”“涨多少”两类问题，并理解它们的标签定义差异；
• 把预测结果接回仓位规则，做一次包含交易成本的向量化或事件驱动回测；
• 用简单指标检查策略是不是靠某一段行情撑起来的，而不是只看总收益。

换句话说，你不是在学“某个模型多厉害”，而是在学怎么让一个不太完美的模型在交易约束下活下来。

配套该动手的部分

只看不写，这门课基本白学。建议跟练时至少完成三件事：

• 自己换一份标的或时间段，重跑一遍特征构建和回测，观察曲线变化；
• 故意去掉某个特征或改一下标签阈值，看结果怎么变，记录原因；
• 把关键参数和中间结果存成文件，保证第二次运行能复现第一次的结果。

这三步做下来，你会明显感到“AI 量化”不是加个模型就完事，而是大量琐碎决定堆出来的东西。

看完应该能回答的问题

• 我的特征里有没有用到未来信息？如果有，回测会假到什么程度？
• 预测方向正确率只有 52%，还能不能赚钱？取决于哪些条件？
• 回测收益不错但换手率极高，实盘最可能死在哪一步？
• 同一套流程换到另一个市场或品种，最先要改的是哪一块？

如果你现在答不上来，或者答得含糊，这门课的方向就对了——它补的正是从“会写代码”到“能跑一条完整链路”之间缺的那一段。缺什么补什么，别假装什么都会。