AI量化学院AIQUANT ACADEMY
菜单
首页/课程体系/因子工程
进阶因子工程

因子工程设计卓越班

12讲工程主线 · 从因子想法到可信、可复算的工程资产

12讲贯通指标资产化、候选生成、搜索空间控制、案例复现、可信审计、因子池治理与Replay交付。

指标资产化算子契约搜索空间控制
学习阶段
进阶
课程时长
按实际排课安排
内容安排
12讲
课程价格¥8,999
购买课程 ↗
01 / THE OUTCOME

学完之后,
你能带走什么。

从理解方法,到形成自己的研究能力。

01

能用配置、指标合同和搜索预算组织可追踪的因子候选生成

02

能区分可信审计、计算等价与入池治理三类证据

03

理解Recipe、Replay、单元验收和Checkpoint如何支撑交付与恢复

WHAT MAKES THIS COURSE

12讲围绕通用指标工厂组织,从研究定义走向可复现、可审计、可交付的因子资产

指标适配、算子契约、候选命名与搜索预算共同约束生成过程

真实案例把配置、执行、产物与验收证据连接起来

泄漏审计、相关性准入与池版本治理分层处理,OOS只作独立复核

Recipe v2、Trace、Replay与Runtime恢复机制形成交付证据

指标资产化算子契约搜索空间控制可信审计因子池治理Replay与Runtime
02 / FIND YOUR PLACE

先确认方向,
再决定如何出发。

适合这样的你

  • 能复跑Python研究脚本,准备将因子想法组织成工程资产的人
  • 需要统一指标适配、候选生成、评估和因子池治理的研究员
  • 需要Recipe、Trace、Replay和批次恢复证据的开发者与团队

希望把指标和因子想法组织为生产流程的研究员 · 需要配置化实验、批次管理和复算交付的量化开发者 · 准备建设可审计因子资产与因子池治理机制的团队成员

开始前,需要准备

  • 已完成基础量化训练,能使用Python、复跑研究脚本并核对图表和数据表
  • 理解基础因子与回测概念,愿意逐层检查时间、字段、标签和输入输出合同
  • 愿意以配置、产物和程序检查验证结论,不把案例数量或回测表现当收益承诺
哪些情况建议先调整学习计划?
  • 尚未具备基础Python和量化研究认知的纯零基础学习者
  • 只希望获取现成盈利公式,不准备核对数据与验收证据的人
  • 把候选数量、Replay通过或样本外案例当作生产效果保证的人
03 / THE CURRICULUM

知识有顺序,
能力逐步建立。

12 个模块,按学习顺序展开。
点击每个模块,查看具体主题与课时。

教学目标

  1. 01

    区分因子公式、候选结果与可交付资产

  2. 02

    建立配置、生产、评估、治理和复算的主线认知

核心内容

  1. 01

    因子资产的最低条件:定义、复现、追踪、治理与交接

  2. 02

    原理设计、真实项目案例、扩展治理交付之间的职责

  3. 03

    用RSI/DPO、M30、lo/ts_std课堂批次理解生成、筛选和复核边界

实操任务

  1. 01

    结合本讲案例整理工程主线图、因子资产判断清单与研究断点定位表,明确输入、输出和验收依据。

本课交付物

工程主线图、因子资产判断清单与研究断点定位表

04 / THE APPROACH

这门课,
着重解决什么。

了解课程体系 ↗

常见学习方式

零散公式与一次回测难以形成稳定交付;输入、标签、生成规则、审计和运行证据缺一环,都难以定位结果差异。

本课的侧重

以12讲串联指标资产、受控候选生成、案例复现、可信验证、池治理及全链Replay,让研究方法落实为程序合同和可核验产物。

关键差异

生成前控制搜索空间,运行中保留计划与阶段证据,入池前审计可信性,交付时分别验证计算等价和恢复边界。

IN PRACTICE

让方法,
落到具体的问题里。

CASE 01

从受控搜索空间到414案例复现证据

研究场景
候选数量不断增加,配置、来源、筛选口径和验收结果难以对应。
方法路径
用RSI/DPO、M30、lo/ts_std限定案例,固定配置和运行计划,沿stage产物、实体行数和唯一键逐层验收。
学习结果
形成可定位、可重跑的案例证据;414是验证批次候选集合,不是生产池或收益保证。
CASE 02

可信审计、Replay与Runtime的分层交付

研究场景
有selected名单和输出文件,仍无法回答是否偷看未来、是否能准确复算以及如何恢复。
方法路径
分别建立泄漏审计、Recipe与Trace、快速及全链Replay、单元验收和Checkpoint/Resume。
学习结果
学会区分可信性、计算等价和工程恢复证据,明确available能力、planned扩展与尚需修复的边界。
YOUR INSTRUCTOR

与你一起,
把研究做扎实。

AI量化邹老师

量化课程讲师 · 因子工程与科学评估

围绕量化基础、因子工程设计、科学评估和 AI 辅助研发组织课程与公开研究。教学结合问题定义、代码实践、样本外验证和工程复现,帮助学习者形成可检查、可复盘的研究流程。

关注学院的公开分享 ↗
A CLOSER LOOK

进一步了解这门课。

这门课解决什么工程问题

因子工程设计班面向已经具备基础量化研究和Python能力的学习者,训练如何把一个因子想法做成可配置、可复现、可审计、可交接的工程资产。课程以通用指标工厂和真实项目案例为主线,从问题定义与输入字段、指标资产化、算子契约和搜索空间控制,推进到配置编排、执行验收、标签审计、候选准入、因子池治理、溯源复算与Runtime批次管理。学员学习的不只是怎样写出一个公式,而是怎样说明它从哪里来、按什么口径生成、为什么被保留、能否准确复算,以及如何在受控资源下继续扩展。

第01-05讲:原理与资产设计

先明确对象、输入和指标资产,再用算子契约、范式与预算控制候选生成。

第06-09讲:真实案例与可信边界

把配置、执行、复现、标签处理与数据泄漏审计连起来,以证据约束候选后续准入。

第10-12讲:准入治理、溯源与Runtime

按证据治理因子池,从真实1分钟复算交付,再组织受控扩展与恢复。

可信审计与计算复现分别验收

第09讲检查时间可得性、切分边界、处理范围和OOS选择证据;第11讲检查Recipe、Trace与从真实1分钟重新计算的等价性。

课件代表性产物审计发现126条严格跨界记录,不能由Replay一致性替代修复;这也不代表全部414因子都已被逐列审计或全部失效。

案例与能力边界

414是受控批次候选集合,不是最终生产池或收益承诺;OOS观察不参与反向选择。

可信审计、计算等价和生产准入分别验收;证据不足不默认为通过。

Replay一致性不替代数据泄漏审计;课件已发现的跨界样本需要单独定位和修复。

Runtime的任务编译、单unit验证与全部任务实算分开表述;planned能力不作为已实现承诺。

课程安排

按12份定稿课件组织为12讲,具体时长以实际授课安排为准;不沿用旧版6节每节2小时的课程安排。

教学方式与课程资料说明
数据与案例
课程讲义与公开研究中的示例
实践方式
代码实现、复现与验证
课程范围
量化基础 / 因子工程 / 科学评估 / AI辅助研发
课程目标
建立可复盘、可迁移、可升级的研发框架
教学侧重

体系化落地

从目标设计、特征工程、因子研究到风控、部署与复盘,强调一套完整方法如何真正落地。

课程风格

理论+代码并行

不只解释原理,更会讲清每一步为什么这么做、对应什么工程实现,以及如何迁移进自己的研究流程。

交付结果

可复用框架

目标不是只学完目录,而是沉淀一套可复盘、可扩展、可持续升级的量化研发与策略迭代框架。

BEFORE YOU BEGIN

出发前,
把疑问说清楚。

LEARNING TOGETHER

让课程形成一条学习主线。