如何使用ChatGPT帮助我们构建因子工程体系 ↗
B站公开教学视频，了解AI参与因子工程的方法。
在B站观看，播放条件以平台页面为准。
先了解AI量化全流程高级班的学习方向。
通过公开视频、课程目录和可运行小案例了解教学方法。公开分享不等于正式课程完整试看；完整课件按原有访问权限开放。
公开教学视频
利用AI大模型10分钟掌握自动化程序交易体系 ↗
B站公开分享，了解AI辅助量化开发的讨论方式。
在B站观看，播放条件以平台页面为准。
相关免费公开课
以下录播需要按课程页面的实际方式申请观看，不是无需申请的直接播放入口。公开课帮助了解研究方向，不替代所选正式课程。
公开课：AI量化交易全流程 ↗
适合想快速建立 AI 量化全流程认知的人，通过一节公开课理解数据处理、特征工程、模型训练、对冲策略与回测陷阱。
腾讯会议录播 · 申请观看权限
查看课程与观看方式 ↗课程目录样例
以下内容取自当前公开课程目录，便于了解章节如何组织；不是完整付费讲义。
AI量化全流程高级班 ↗
12课时（每课时1小时） · 12小时
- 第01课时：量化策略建模目标设定与交易规划：目标设定与交易规划：收益目标、风险预算、交易频率、品种覆盖与持仓周期。
- 第02课时：基准策略框架、回归/分类模型与目标函数设计：回归任务：预测未来收益、收益分位、风险调整收益或收益方向强度。
- 第03课时：绩效风险评价、交叉验证与模型稳定性：绩效指标：年化收益、Sharpe、Calmar、最大回撤、胜率、盈亏比、换手率。
可运行小案例：先划分，再拟合预处理
这是为说明数据边界构造的Python小样例，不是真实行情或策略回测。训练数据为10、12、14，测试数据为100、104；只在训练集计算均值，再应用同一规则到测试集。
train = [10, 12, 14]
test = [100, 104]
train_mean = sum(train) / len(train)
full_mean = sum(train + test) / len(train + test)
transformed_test = [x - train_mean for x in test]运行结果
train mean = 12.0
full mean = 48.0
train-only transform = [88.0, 92.0]完整样本均值包含测试信息，因此不能用于模拟“只知道训练数据时”拟合的规则。这个例子只解释信息边界，不证明交易收益，也不覆盖标签重叠、公布延迟等全部泄漏问题。