首页
AI类系统
电商类系统
智慧门店
关于我们一个人，也能拥有一支 AI 量化交易团队
在 PandaAI 第三届因子大赛颁奖典礼暨 AI 交易峰会上，PandaAI 创始人兼 CEO 李昱琦围绕《一个人，也能拥有一支 AI 量化交易团队》，系统介绍了 PandaAI 在 AI 交易领域的产品布局与技术实践，重点分享了 AI 交易基础设施、金融 Agent 开发、多智能体协同等方面的最新进展，并展望了 AI 驱动金融交易模式演进的发展方向。
以下为演讲实录整理：
过去一段时间，我们一直在讨论 AI 如何改变金融。从 ChatGPT 到多智能体，从代码生成到自主决策，几乎每隔几个月，行业都会出现一个新的热点。我原本也想讲一些关于 AI 交易未来的想象。但后来我觉得，只谈未来其实是一件很虚的事情。
因为如果一种技术还没有被实践，没有真实案例，也没有人知道它究竟应该怎么使用，那么再宏大的未来，也可能只是一个概念。
所以今天，我不想只和大家谈想象。
我更想和大家分享，我们团队这段时间真正做过的一些研究、实验和产品实践。
我们想回答一个具体的问题：
一个普通的研究者，能不能借助 AI，拥有一支属于自己的量化交易团队？
我们的答案是：这件事已经不只是未来，而是正在发生。
一、交易中真正稀缺的，不只是更大的模型
过去一段时间，整个大模型行业都在快速发展。
无论是闭源模型还是开源模型，通用能力都在迅速提升。模型可以写代码、阅读研报、总结市场信息，也可以完成越来越复杂的推理任务。
但进入金融和交易领域后，我们发现了一个非常重要的问题：
金融研究并不存在一套绝对统一的评价标准。
不同机构、不同基金经理和不同交易者，对「什么是一个好策略」「什么是一个好因子」「什么样的风险可以接受」，往往有完全不同的判断。
有的机构关注绝对收益，有的机构关注回撤；有的看重 IC，有的看重组合容量；有的能够接受高换手，有的则更重视交易成本和长期稳定性。
这就像优秀的律师、医生或者投资经理，每个人都会形成自己的判断体系。
因此，在专业交易中，真正稀缺的可能并不是大模型的通用知识，而是机构和研究者长期积累下来的投资经验、交易逻辑和评价标准。
通用大模型可以理解金融知识，但它并不会天然拥有一家机构的投资审美。
它可以回答「什么是一个好因子」，但它不知道在你的交易体系中，究竟什么样的因子才值得被保留。
所以，我们真正需要解决的问题是：
如何把专业研究者的思维方式、判断过程和量化经验，交给 AI？
二、CQ2：把量化经验放进模型和研究闭环
基于这个问题，我们首先做了 CQ2。
我们把团队在量化研究中的专业语料、分析逻辑和部分思维链，用于训练和微调自己的量化模型。
随后，我们将 CQ2 接入一套完整的因子研究框架。
这套框架并不是让大模型直接、孤立地生成一个因子，而是让它进入一个持续运行的研究闭环。
首先，系统会识别市场状态。
市场究竟处在趋势、震荡、牛市、熊市，还是某一种特殊的风格环境中，不同市场状态可能适合不同类型的因子和策略。
在识别市场环境后，CQ2 会在一定的研究约束下生成候选因子。
因子生成之后，系统会进行验证，观察 IC、收益、回撤、换手率以及其他指标，再把实验结果反馈给模型，让模型继续生成和优化。
因此，它不是「一次生成、一次结束」，而是一个不断生成、检验、反馈和再生成的过程。
我们在实验中发现，当模型真正吸收了一部分量化语料和专业经验后，即便仍然运行在传统研究架构中，它在因子排序、收益风险特征以及回撤控制方面，也有可能产生明显改善。
这说明，专业经验是可以被部分编码、训练和复用的。
而当这种能力进一步被产品化后，一个研究者就不再需要手动完成每一轮策略修改。
例如，我们上线的 Qube，可以根据用户的策略和实测结果，提出下一轮优化建议，并继续调整策略。
在这个过程中，我们实际上是在慢慢把自己的部分专业经验交给 AI。
AI 所压缩的，也不仅是写代码的时间，而是在逐渐压缩整个研究链路。
三、AI 可以学习经验，但它能不能创造新的经验？
做到这一步之后，我们又遇到了一个更深的问题。
即便我们把专业经验交给了 AI，模型仍然是在人的评价体系中运行。
例如，我们用 IC 评价因子，它就会持续寻找 IC 更高的因子；如果只用收益率作为目标，它就会不断围绕收益率进行优化。
问题在于，当所有人都使用相似的评价标准时，大家最终可能得到越来越相似的结果。
因子同质化的根源，未必来自大模型本身，而可能来自我们共同使用的评价体系。
如果所有模型都追求同一套指标，模型越强，拥挤反而可能越快。
而且，只使用一个目标进行优化，还很容易产生过拟合。
当所有判断都围绕最大收益展开时，模型自然会倾向于找到最符合历史数据的答案，却未必能够面对未来真实的市场变化。
所以，我们进一步提出了第二个问题：
过去的量化经验由人产生，AI 可以学习这些经验；那么当 AI 学会经验以后，它能不能继续创造新的经验？
它能不能不只生成新的因子，还能够提出新的评价指标，甚至参与优化整个研究框架？
基于这个问题，我们进行了 Agora 多智能体实验。
四、Agora：让因子和评价体系共同进化
在传统的因子研究中，评价标准通常是固定的。
研究者生成因子，然后使用 IC、IR、收益率、夏普比率、最大回撤等既有指标进行筛选。
但在 Agora 架构中，我们尝试让因子的生成与评价体系的生成同时发生。
系统中设置了多个承担不同角色的 Agent。
有的 Agent 负责生成因子，有的负责评价因子，有的负责审查评价体系，还有的负责总结实验结果并提出下一轮研究方向。
每一轮实验中，系统不仅会产生新的候选因子，也会尝试提出新的评价维度。
不同 Agent 之间相互评审、相互制约，并将产生的经验保存在共享的 Context 和知识体系中，进入下一轮迭代。
在实验运行过程中，系统提出了大量 IC 之外的候选评价指标。
这里最重要的并不是「AI 一次性提出了多少个指标」，而是它证明了一件事：
AI 可以不只执行人的研究标准，还有可能开始参与研究标准本身的形成。
过去，AI 只是在一个固定的框架中寻找答案。
现在，我们开始尝试让它参与修改问题、修改标准，并重新组织研究路径。
这也是我们理解的 L3 阶段。
AI 不再只是替代人的执行力，而是开始进入部分深度思考过程。
它开始保留实验经验，比较不同路线，与其他 Agent 协作，并基于结果不断更新下一轮研究。
当然，这类架构目前仍然需要较高的 Token 和计算成本。
但与培养一支成熟的专业投研团队相比，计算成本仍然具有持续下降和规模化复用的可能。
真正值得关注的，不是一次实验消耗了多少 Token，而是过去只能依赖少数资深研究者完成的复杂思考过程，是否能够逐渐被系统化。
五、未来的协作单位，将从人变成 Agent
当多智能体协作逐渐成熟以后，交易团队的组织形态也会发生变化。
过去，一个量化团队可能包括研究员、数据工程师、策略开发人员、风控人员和交易执行人员。
他们通过会议、文档、代码和任务管理系统协作。
未来，这些岗位中的一部分标准化工作，可能会逐渐由不同类型的 Agent 承担。
例如：
数据 Agent 负责获取、清洗和整理数据；
市场情报 Agent 负责观察市场并形成观点；
因子研究 Agent 负责提出假设和生成因子；
策略开发 Agent 负责把研究想法变成可以运行的策略；
风控 Agent 负责检验回撤、敞口和交易限制；
复盘 Agent 负责总结每轮实验中的有效经验与失败原因；
执行 Agent 则根据权限完成仿真或实盘任务。
这些 Agent 不再只是彼此孤立的工具，而是共享同一套研究状态。
一个 Agent 完成因子研究后，可以交给另一个 Agent 审查；审查 Agent 根据评价体系提出修改建议；修改结果再回到研究 Agent，进入下一轮优化。
过去，这种过程依赖人与人之间的交流。
未来，它会越来越多地变成 Agent 与 Agent 之间的协作。
我们可以把这种状态想象成一个 AI 办公室。
办公室里的「员工」不再全部是人类，而可能是数十个、甚至更多拥有不同专业能力的 Agent。
有的在做研究，有的在分析市场，有的在管理风险，有的在进行实盘监控。
甚至连任务的分解和分配，也可以由一个管理型 Agent 完成。
当 Agent 数量越来越多时，我们需要的就不再只是单个 AI 工具，而是一套管理 AI 团队的系统。
六、从 Agent 办公室到 AI 交易 OS
这也是我们继续思考 AI 交易 OS 的原因。
如果说 AI 办公室解决的是 Agent 的可视化协作，那么 OS 解决的，是如何创建、调用、连接和管理这些 Agent。
在这样的 OS 中，用户可以通过自然语言完成很多事情：
创建一个新的 Skill；
调用已有的量化能力；
将多个 Skills 组合成一个工作流；
创建定时运行的研究任务；
连接外部数据、模型、Agent 和工具；
为不同 Agent 设置权限和目标；
编排 Agent 之间的协作顺序；
追踪每一轮研究的输入、过程和输出。
一个人可以直接告诉系统：
每天收盘后整理市场信息，识别当前市场状态，寻找可能的研究机会；基于这些机会生成候选因子，完成回测和风险检验，再把结果交给复盘 Agent，形成第二天的研究计划。
系统则自动把这句话拆解成多个任务，并分配给不同 Agent。
未来，研究过程可能不再从打开代码编辑器开始，而是从一次自然语言交互开始。
人在更高层提出目标、设计边界并保留控制权，系统则负责组织底层能力和完成执行。
七、量枢院：为什么我们选择开源
大家可能会问：
既然这些能力可以用于交易，为什么我们还要把研究、Skills 和部分架构开源出来？为什么不全部留给自己使用？
这是一个非常核心的问题。
我们团队目前主要在做三件事情。
第一，持续研究 AI 交易时代的新技术、新架构和新策略，并尽可能把其中一部分研究成果开放出来。
第二，把研究成果进一步工程化和产品化，让普通用户能够真正使用，而不只是停留在论文和概念中。
第三，建设开放的 AI 交易研究生态。
今天，AI 交易还没有形成广泛的行业共识。
很多人听到 AI 交易，第一反应仍然是概念、噱头，甚至骗局。大家不确定这种范式能不能真实运行，也不知道自己应该怎样参与。
一种新的交易范式要形成共识，仅靠一家公司反复宣传是不够的。
它需要更多人真实使用、持续验证，也需要更多专业研究者贡献自己的能力。
因此，我们建立了量枢院，希望通过开放 Skills、Agent 和研究任务，让更多探索者一起参与 AI 交易范式的建设。
目前，量枢院已经汇集了三十多名探索者，完成九十多项任务，并沉淀了一百余个 Skills 和多个专业 Agent。
这些能力覆盖因子自动挖掘、研报复现、策略研究、市场分析、期货研究、风险管理和工程开发等不同方向。
例如，用户可以把一篇研报交给研报复现 Agent，让它尝试将研究逻辑转化为可以检验的策略；也可以调用因子挖掘 Agent，让它在预设的研究空间中持续生成、检验和优化因子。
当然，开源不意味着所有交易策略和商业能力都必须完全公开。
我们希望开放的是一种可以被学习、复用和共同建设的基础能力，以及一套 AI 交易研究的方法论。
过去，交易行业更强调保密。
大家习惯把策略锁在自己的电脑和机构内部，因为一个策略一旦被更多人知道，就可能快速失效。
但在 AI 时代，基础能力的开放与核心 Alpha 的保护并不冲突。
数据处理、研报复现、风险检验和研究编排等底层能力，可以成为整个行业共享的基础设施；真正的差异，则依然来自每个人的独家数据、投资判断、研究审美和系统组合方式。
八、一个人拥有一支 AI 量化团队，已经不是想象
从通用大模型，到 CQ2 这样的量化模型；
从模型，到可以复用的量化 Skills；
从 Skills，到承担专业岗位的 Agent；
从单个 Agent，到共享 Context 的多智能体协作；
再到能够统一创建、管理和编排 Agent 的 AI 交易 OS。
当这条技术链逐渐连接起来，一个人就可以拥有一支属于自己的 AI 量化团队。
他可能没有几十名研究员，也没有庞大的工程团队，但他可以调用多个具备不同专业能力的 Agent。
他可以让 AI 观察市场、发现机会、提出研究假设、复现研报、生成因子、完成回测、检验风险，并持续复盘。
而人自己，则负责提出真正重要的问题，提供独特的信息，制定交易约束，并做出最终决定。
所以，一个人拥有一支 AI 量化团队，是未来吗？
我认为它已经不完全是未来。
因为这件事，我们已经开始做出来了。
当然，现在的系统还不完美，Agent 还会犯错，研究结果仍然需要人进行审查，很多基础设施也需要继续建设。
但方向已经开始变得清晰。
AI 交易真正值得期待的地方，不是让一个模型代替所有人，也不是承诺一键生成永远赚钱的策略。
真正的变化，是普通研究者第一次有机会调用过去只有大型机构才能拥有的研究能力。
一个人的经验可以被沉淀为 Skill；
一个人的方法可以被交给 Agent；
多个 Agent 可以组成一支团队；
而一支团队又可以在同一套系统中持续协作和进化。
九、结语：共同推动 AI 交易成为一种真实范式
AI 交易是否真的会到来？
我认为，它正在到来。
而且，AI 交易真正形成的标志，不是某一个模型在一次比赛中获得多高的收益，也不是某一个产品拥有多少功能。
真正的标志是：
越来越多研究者开始使用这种方式完成真实研究；
越来越多专业能力被沉淀为可以复用的 Skills；
越来越多 Agent 开始参与完整的投研流程；
越来越多人相信，这种研究范式可以被实践、被验证，也可以被持续改进。
AI 交易最大的受益者，未必一定是 PandaAI。
但我相信，PandaAI 会在这条道路上留下自己的研究、产品和实践。
我们也希望把这套范式分享给大家，让更多人基于它创造出新的能力、新的 Agent 和新的交易方式。
感谢量枢院每一位参与共建的探索者。
他们不仅拥有专业能力，也愿意把一部分能力开放出来，让整个生态共同进步。
他们是 AI 交易时代最早的一批先行者。
我们也欢迎更多有经验、有想法，并愿意参与共建的朋友加入我们。
从一个模型，到一项 Skill；
从一个 Agent，到一支 AI 团队；
从一次研究，到一套持续运行的交易系统。
一个人，也能拥有一支 AI 量化交易团队。
这不是一句关于未来的口号，而是我们正在共同完成的现实。
来源：互联网
