小白学习量化之旅，入门在 WorldQuant平台
注册也半年了，一直混着领低保。最近一直在尝试用Agent做自己的事情，也对金融量化有点兴趣，所以决定好好研究一下。
为什么不自己写交易策略？
自己搞有两个最大的问题。
第一是数据清洗收集。真实世界的股票分很多类型，字段也都千奇百怪，来源不一。需要你自己统一处理成能被程序识别。而依托平台可以直接使用数据工程师提前整理、分类、处理好的数据，能把精力集中在研究本身，而非处理乱七八糟数据、交易手续。
第二个是本金的问题。本金太少了没意思，还不如在平台。本金多，可能一把亏光。为了学点东西，亏一大笔实在不值。
而在平台呢，
平台有完善的实验、研究、验证闭环。对于我们的交易策略，可以获取样本内验证、样本外验证结果来作为反馈，根据实时反馈来调整研究方向。
而且日常每天也会有base、每月季度奖，如果你的因子表现良好，能进入实盘交易，那么也会有长期分红。
两种研究思路
之前是纯用代码跑的，也不太在意金融逻辑。现在发现，想真正做好研究，应该有方向、有思路，然后经过丰富实践，通过反馈去沉淀经验，不断改进上述流程。
1.第一种思路，是通过平台指标反馈来迭代 。比如说我提交一个Alpha，平台进行样本内验证、样本外验证，有各种指标可以帮我去判断我这个Alpha怎么样。然后我根据指标来迭代这个Alpha。
这种更多出于研究一个事物、编排Agent去完整解决一个业务问题，金融只是属于业务领域，而不是目的本身。
2.另一种就是纯研究，通过你的金融知识、对市场的理解来手搓Alpha。这种就比较吃经验，量化经验沉淀本身就是目的。
对于非专业从业人士来说，肯定是第一种方式更好入手。但Agent的出现让我们能比较好的结合这两种角色，可以通过 Multi-Agent的架构来让每个Agent 扮演不同的角色，编排他们的工作流，从而让他们高效地协同起来，共同为一个目标而工作。
总之一句话，我们要设计的是职责、调度、信息交接和权限。
① 职责分工
谁负责提出 Alpha 表达式，谁负责分析回测结果，谁负责检查风险和相关性。
② 调度与顺序
哪些任务先执行，哪些可以并行，哪些必须等待前一个 Agent 的结果。
③ 信息交接
Agent 之间通过什么传递结果，例如 JSON、共享文件、消息，或者由主 Agent 整理后转交。
④ 权限与终止条件
哪些 Agent 能调用回测工具，哪些能提交 Alpha，什么条件下重试、继续或停止。Agent 初步分工
好用的Agent
个人最推荐的是API key + pi之类的极简Agent架构。因为pi本身只封装了读文件、写文件等等基础操作，我们有极大自由度去定义Agent的行为边界，也能很大程度节约Token。
一直在用的AI是一个GPT的中转站，用了半年多了，实测不掺水，计费标准/端口格式对标OpenAI，使用日志也很清晰。价格
0.75￥/4.5￥每百万输入/输出。
但是！如果你对Agent行为不是特别熟悉（比如我），可以先尝试 豆包电脑版。高度封装的成熟Agent的好处就是开箱即用，不用你自己去定义行为。豆包2 Lite的工作模式，每天都有很多免费额度，做点基础的事情是很够用的。
比如说你说一句帮我清理C盘，它就真能给你把电脑当前运行的进程、C盘里的各种用户目录、缓存、大文件全给找出来。你说一句帮我删掉某某某，就能自动搞定权限、服务、删除文件操作。
如果你对数据安全、Token用量不太敏感，其实用这种高度封装的成熟Agent是一个好选择。能让你把更多精力专注在做事本身。
最后
目前进度是设计了Agent架构、把MCP集成到项目中，让AI拥有了工作的脚手架。下一步是要给Agent设定更明确的角色、任务分工。