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。
先了解因子工程设计卓越班的学习方向。
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：持续赚钱的因子 ↗
围绕因子为什么会失效、什么是可运营因子库、如何做生命周期管理与批流一体化部署，帮助学习者建立因子运营思维。
腾讯会议录播 · 申请观看权限
查看课程与观看方式 ↗公开课：AI重构技术指标 ↗
聚焦技术指标背后的权重机制，从卷积、LSTM 到 Attention，帮助学习者看懂 AI 为什么能重构传统技术指标与因子生产方式。
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。
因子工程设计卓越班 ↗
12讲 · 按实际排课安排
- 第01讲：课程总览与完整工程主线：因子资产的最低条件：定义、复现、追踪、治理与交接
- 第02讲：问题定义与输入层字段拆解：九类问题定义字段与强约束配置对象
- 第03讲：基础指标资产化与指标适配器：timeframe base的OHLCV语义与字段命名
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。