AI 赋能

把大模型与智能工具引入备课、实训与过程评价

梳理 AI 在本课程中的具体赋能场景、工具链与可观测的能力画像。

AI 赋能教学

机器学习与智能体正成为量化策略研发的核心引擎：从因子挖掘、时序预测到算法交易执行。本课程把 AI 作为研究工具，强调样本外稳健、成本真实与风险可控。

将大模型与智能体引入课堂，覆盖从概念理解、代码实现到案例推演的全流程。

用树模型与神经网络从海量量价与基本面数据中挖掘非线性因子，做正交化与衰减检验。

以 LSTM 等序列模型刻画收益自相关与波动聚集，注意过拟合与 Look-ahead 偏差。

用新闻、社媒与研报文本构建情绪因子，融入多因子框架。

用强化学习优化下单节奏与冲击成本，连接市场微观结构。

以下工具可在本课程学习与实验中辅助检索、编码、建模与可视化。

本地实现因子计算、模型训练与回测。

云端因子研究与策略回测，贴近实盘。

构建策略研究知识库，用检索增强生成辅助代码与文档。

超参数搜索与并行实验管理，提升研究效率。

以下提示词可直接复制到主流大模型，辅助学习与本课程实验（请核验输出、遵守学术规范）。

因子正交化

请解释如何用 PCA 或回归法对原始因子做正交化，并给出 Python 伪代码。

防过拟合

在量化策略回测中，请列出至少五种防止过拟合的方法，并说明样本外检验如何设计。

使用 AI 须恪守学术诚信、数据安全与行业合规底线。

回测漂亮不等于实盘有效，须做样本外与滚动检验。

忽视滑点与冲击成本的策略在实盘往往失效。

算法交易须符合交易所规则，禁止操纵与幌骗。