AI 量化交易完整学习路线（从零到实战）

这套课程大纲，已经不是"普通量化课"了，本质上是在培养：

"AI 多智能体 + 量化交易 + 自动化交易系统"的复合型能力。

它覆盖了：

传统量化
AI Agent
MCP 工具协议
多智能体协作
自动化交易
AI 投研
风控
强化学习
实盘闭环

如果按照正确路线学习，最终你会拥有：

一个完整的 AI 量化交易系统
一个 AI 投资研究团队
一个自动化交易闭环
一个持续迭代的策略工厂

下面我帮你拆成：

学习阶段路线图
每阶段目标
必备准备工作
推荐技术栈
学习节奏规划
避坑建议
最终毕业项目路线

一、先明确：AI量化交易到底是什么？

传统量化：

text 复制代码

人 → 写策略 → 回测 → 下单

AI量化：

text 复制代码

AI情报官 → AI分析师 → AI策略员 → AI风控员 → AI交易员 → AI复盘员

本质区别：

传统量化	AI量化
人工写策略	AI自动生成策略
单策略	多智能体协作
固定规则	AI动态优化
人工分析	AI投研
人工复盘	AI归因分析

你未来不是在"写一个策略"。

而是在：

打造一个 AI 投资公司。

二、整体学习路线（推荐顺序）

第一阶段：基础认知（1~2周）

目标：

先理解金融市场和量化的本质。

必学内容

1. 股票市场基础

理解：

K线
成交量
涨停跌停
T+1
A股交易规则
ETF
指数

建议：

不要上来就学 AI。

先知道：

钱到底是怎么亏掉的。

2. 量化交易核心逻辑

理解四类赚钱逻辑：

类型	本质
趋势	强者恒强
均值回归	涨多必跌
套利	价差修复
高频	微观结构

3. 风险认知

重点：

回撤
杠杆
爆仓
黑天鹅
流动性风险

量化最重要不是收益。

而是：

活下来。

第二阶段：Python 与 AI 编程基础（2~4周）

目标：

能让 AI 帮你写代码。

需要准备的软件环境

开发环境

建议直接：

软件	用途
Python 官网	Python
Anaconda	科学计算环境
VS Code	编辑器
Git	版本控制
Cursor	AI 编程
Trae	AI IDE
Lingma	AI 编程助手

Python 必学

重点不是"精通语法"。

而是：

会调用 AI 写 Python。

重点学习：

基础

list
dict
for
if
function

数据分析

pandas
numpy

可视化

matplotlib

金融计算

talib

AI 编程正确方式

不要：

text 复制代码

从0自己敲代码

而是：

text 复制代码

AI生成 → 自己理解 → 修改

这是未来主流。

第三阶段：数据工程（2~3周）

目标：

搭建自己的金融数据仓库。

数据源学习顺序

第一梯队（免费）

数据源	推荐
Tushare	A股
Baostock	免费
Yahoo Finance	美股ETF

核心能力

数据清洗

必须掌握：

停牌处理
缺失值
复权
对齐时间轴

因为：

脏数据 = 假回测。

最终目标

建立：

text 复制代码

/data
    /stock
    /etf
    /factor
    /news

自己的量化数据库。

第四阶段：回测系统（2~4周）

目标：

学会验证策略。

重点学习

回测四件套

1. 策略

什么时候买卖。

2. 仓位

买多少。

3. 风控

亏多少止损。

4. 绩效

收益如何。

第一策略建议

直接做：

双均线。

因为：

它能让你理解：

趋势
金叉死叉
回测
参数优化

第五阶段：技术指标与经典策略（3~5周）

目标：

理解市场行为。

必学指标

趋势类

SMA
EMA
MACD

超买超卖

波动率

第六阶段：AI Agent 与 MCP（3~4周）

目标：

真正进入 AI 量化阶段。

核心理解

以后：

不是一个 AI。

而是一群 AI。

角色	职责
情报官	新闻/公告
分析师	技术分析
策略员	生成策略
风控员	风险检查
交易员	下单
复盘员	分析绩效

MCP 的作用

MCP 本质：

text 复制代码

让大模型调用本地工具

比如：

text 复制代码

AI → 调用行情接口
AI → 调用回测
AI → 调用数据库

框架	推荐
LangChain	Agent基础
LangGraph	多智能体工作流
Model Context Protocol	MCP协议

第七阶段：机器学习量化（4~6周）

目标：

从规则策略进入概率策略。

核心理念

传统：

text 复制代码

MACD金叉就买

机器学习：

text 复制代码

未来上涨概率 72%

模型	推荐
LogisticRegression	最简单
RandomForest	很实用
XGBoost	量化常用

第八阶段：AI投研系统（3~5周）

目标：

打造 AI 研究团队。

必学

RAG

本质：

text 复制代码

让AI拥有长期记忆

数据源

财报
新闻
公告
研报

技术	用途
向量数据库	检索
Embedding	向量化
LLM	分析

最终目标

实现：

text 复制代码

输入股票代码
↓
自动分析财报
↓
自动生成研报

第九阶段：实盘交易（2~4周）

目标：

打通真实交易。

重点

千万别一开始就实盘。

顺序：

text 复制代码

回测
↓
模拟盘
↓
小资金实盘

实盘最危险的问题

1. 滑点

你以为成交：

实际上没成交。

2. 网络问题

程序挂了。

3. 风控失效

程序无限买入。

必做风控

建议强制限制

text 复制代码

单股 ≤ 20%
单日亏损 ≤ 3%
总仓位 ≤ 70%

第十阶段：完整 AI 量化系统（长期）

目标：

搭建真正的 AI 量化团队。

三、你需要提前准备什么？

1. 硬件

建议：

配置	推荐
CPU	i7/R7以上
内存	32GB
硬盘	1TB SSD
显卡	非必须

2. API

需要：

类型	作用
LLM API	AI能力
行情API	数据
券商API	交易

3. 心态

必须接受：

真相1

90%策略会失效。

真相2

回测盈利 ≠ 实盘盈利。

真相3

量化核心是：

text 复制代码

风控

不是收益。

四、推荐学习节奏（非常重要）

第1个月

重点：

Python
数据
回测

第2个月

重点：

策略
Talib
海龟
网格

第3个月

重点：

AI Agent
MCP
LangGraph

第4个月

重点：

ML
RAG
AI投研

第5个月

重点：

实盘
风控
自动化闭环

五、真正决定你能不能赚钱的东西

不是：

text 复制代码

AI

也不是：

text 复制代码

策略

而是：

1. 风控

控制回撤。

2. 执行力

持续迭代。

3. 数据质量

垃圾数据必亏。

4. 认知

知道：

什么时候市场有效。

什么时候失效。

六、最终毕业项目（建议你一定做）

建议最后做一个：

《AI多智能体量化交易平台》

功能：

第一层：数据

行情
新闻
财报

第二层：AI Agent

新闻分析
技术分析
风险分析

第三层：策略

海龟
网格
动量
ML

第四层：执行

回测
模拟盘
实盘

第五层：可视化

Dashboard
晨报
绩效分析

七、最后给你的核心建议

初学者最容易犯的错误

错误1

一上来就做：

text 复制代码

AI 自动赚钱

错误2

只看收益率。

不看：

text 复制代码

最大回撤

错误3

疯狂优化参数。

导致：

text 复制代码

过拟合

正确路线

text 复制代码

先稳定
↓
再自动化
↓
再AI化
↓
最后强化学习

"打造一个长期稳定迭代的 AI 投资系统"

这才是真正的量化思维。

AI 量化交易完整学习路线（从零到实战）