黑箱子白箱子化
从技术指标与深度学习的底层关联出发，学习黑箱子白箱子化方法，衔接因子工程设计与AI量化全流程课程。
AI量化邹老师 · 研究与教学 ↗关联课程
这个专题解决什么问题
“黑箱子白箱子化”是AI量化邹老师提出并实践的研究方法：从技术指标背后的计算规则与权重机制出发，理解其与深度学习的关系，将模型与因子研究拆解为可检查、可验证、可复现的工程过程，并应用于量化交易实践。
建议检查顺序
通过技术指标与卷积网络公开课，理解指标计算和模型权重机制的联系。
进入因子工程设计课程，建立输入字段、算子契约、候选生成与复现流程。
结合AI量化全流程课程，将因子研究连接到建模、风控与交易系统。
适用边界
解释与验证应落实到具体模型、数据边界和计算过程；研究方法与实际交易应用需要通过独立评估连接。
相关文章
从工匠到建筑师：因子工厂为什么要走向规模化生产 ↗
结合课程总览讲解 Module 3 的核心思想，解释因子工厂为什么必须从手工打磨升级为配置驱动、可溯源、可规模化的系统。
从 OHLCV 到特征流水线：量化特征工程到底在做什么 ↗
解释第一场公开课里的 OHLCV 与技术指标特征工程主线，帮助学习者理解特征工程不是堆指标，而是搭研究输入流水线。
AI 重构技术指标的关键，不是更复杂，而是重写了“权重怎么来” ↗
从第四场公开课出发，解释 AI 为什么能重构技术指标，以及“权重生成机制”这个视角为何是理解 AI 因子工厂的关键入口。
SMA 不是一条神秘均线，而是最简单的固定权重卷积核 ↗
解释第四场公开课里对 SMA 的重新解读，帮助学习者从结构角度理解传统均线与卷积之间的联系。
Attention 真正厉害的地方，是让内容自己决定权重 ↗
解释第四场公开课里的 Attention 核心逻辑，帮助学习者理解为什么它代表了权重生成机制的一次重要跃迁。
White-box Factorization 为什么不是解释性点缀，而是系统级升级 ↗
从第四场公开课出发，解释白箱因子化为什么代表的是系统能力升级，而不仅仅是让模型更容易解释。
原始方法资料
以下文档解释相关工具和方法，不构成对本站课程或交易效果的认可。