网站地图
按栏目查找课程、公开课课件和研究文章。
主要栏目
课程
公开课课件
研究专题
研究文章
- 3个AI都说卖,谁说了算?
- 100元的组合,最后剩多少?
- AI想下单,风控凭什么放行?
- 模型升级了,组合为何没变?
- 账户赚了34.5%,功劳属于谁?
- 量子选股,值得换系统吗?
- AI交易的高收益,藏着历史答案?
- 组合风险更低,估计就更可信吗?
- 显著信号越找越多,哪些只是碰巧?
- 因子IC更高,就值得留下吗?
- 新因子显著了,真给因子库带来新信息了吗?
- 交易研究员的蜕变:从漂亮回测到科学证据
- 深度学习黑箱模型白箱化:从技术指标理解神经网络
- 漂亮策略背后的风险:从回测曲线到可信验证
- 回测跑通了,交易系统就能上线吗?
- 组合收益变好,靠的是模型还是信息?
- 101个因子公式,为什么还不是一套交易策略?
- AI策略赚了钱,靠的是择时还是持仓方向?
- 从会跑回测到专业研究:量化人才的四项核心能力
- 预测效果相近,模型就值得换吗?
- AI组合跑赢了,优势究竟来自哪里?
- 协整检验通过了,为什么配对交易还是失效?
- 别急着删除高相关因子:先看它给组合留下了什么
- LLM挖出的因子,为什么要先审计再谈收益?
- 预测误差降了,交易决策价值就会提高吗?
- 公开课预告|专业机构量化人才培养:四大核心能力进阶
- 为什么“因子工程科学评估大乘班”是 AI量化系列里最关键的一次跃迁
- 从“回测好看”到“预测未来”:大乘班真正升级了什么
- 评价和预测为什么必须分开做
- 所有 Alpha 都会死:为什么量化团队必须建立死亡管理制度
- 从工匠到建筑师:因子工厂为什么要走向规模化生产
- Bootstrap、CSCV、PBO、DSR 到底各自解决什么问题
- 六个模块如何串成一条完整的因子研发流水线
- 因子预测行情,元因子预测失效:健康分体系怎么理解
- 元模型 + HRP 组合装配:为什么不该迷信单一“最强因子”
- 怎样判断这套因子体系真的能毕业:四个验收标准
- 为什么量化新手最需要的不是模型,而是一张完整的全流程地图
- 金融时间序列为什么不是一份普通数据集
- 为什么 EDA 在量化里不是可选项,而是必修动作
- 从 OHLCV 到特征流水线:量化特征工程到底在做什么
- 第一场公开课暴露的 5 个回测陷阱
- 为什么看起来不错的因子,最后还是会死
- 一个真正好的因子库,至少要满足哪三件事
- 因子构建的范式思维,到底在升级什么
- UISO 8层架构到底解决了什么问题
- 为什么批流一体化部署,会改变因子工厂的效率上限
- 为什么因子准入 Gate 是可运营体系的第一道门
- 为什么因子基数一大,就必须进入运营思维
- 为什么简单因子在样本外,常常比复杂模型更稳
- Bootstrap 的真正价值:把一次回测,变成一片分布
- PBO 和结构性死亡,其实是两种不同的警报
- 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”
- SMA 不是一条神秘均线,而是最简单的固定权重卷积核
- 从 EMA 到 LSTM,本质上是在学习“记忆如何动态变化”
- Attention 真正厉害的地方,是让内容自己决定权重
- White-box Factorization 为什么不是解释性点缀,而是系统级升级
- 统计过拟合为什么是量化交易里最危险的隐形杀手
- 为什么回测越完美,越可能是策略失败的开始
- 量化研究的原罪:用有限历史去预测不确定未来
- 小样本诅咒:为什么几十笔信号就足以把人骗得很深
- 选择偏差:为什么测试得足够多,总会挑出一条完美曲线
- 过滤器挖掘:很多“聪明规则”其实只是对历史做后视镜裁剪
- 参数孤岛:为什么只有 MA(20) 有效,通常不是发现了规律
- 异常值拟合:当策略的大部分利润都来自几次黑天鹅
- 测试集泄露:很多人不是故意作弊,只是在反复偷看答案
- 从 Alpha 挖掘者到 Alpha 评估者:量化研究最关键的角色升级
- Sharpe 和最大回撤到底哪个更重要?很多人一开始就看错指标了
- 为什么很多策略纸面上有 Alpha,一上组合就被换手吃掉
- 调仓频率到底怎么选?日频、周频、月频不是越快越好
- 因子失效前通常会出现什么信号?怎么更早发现因子在衰减
- 回测里基准到底怎么选?很多策略从比较对象开始就错了
- 多空策略和市场中性策略有什么差别?别把两个概念混着用
- 行业中性什么时候必须做,什么时候反而会把有效信号洗掉
- 机器学习量化里最致命的不是模型,而是特征泄漏
- Walk-forward 测试到底在解决什么问题?为什么很多回测离实盘还差这一层
- 为什么做机器学习量化时,嵌套验证比普通调参更靠谱
- PBO 到底在告诉你什么?为什么很多好看的回测其实只是参数幻觉
- 策略容量为什么要在早期就估?别等做到实盘才发现根本装不下钱
- 交易成本模型到底该做到什么程度,才不会把回测做成纸上富贵
- 滑点模型为什么不能随手填一个数?它决定了你有多接近真实市场
- 量化交易里限价单和市价单怎么选?这不是一个纯执行层问题
- 实盘策略应该监控什么?不是只看今日收益这么简单
- 策略上线前为什么最好先走一遍模拟盘?别把正式资金当测试环境
- 券商和交易 API 最容易出什么问题?量化上线前别只看“能不能连上”
- 做加密量化和做传统市场量化,最关键的差别是什么
- 做日内策略还是日频策略更适合你?别只看谁更刺激
- 市场状态切换该怎么识别?策略失效很多时候不是信号错了,而是市场变了
- 一个因子突然不赚钱了,第一步该查什么?
- 因子库版本管理应该怎么做,才不会越积越多越难维护
- 多个信号怎么组合,才不会表面分散、实则重复加仓
- 组合换手控制有哪些实用做法?别让调仓自己变成主要风险源
- 风险预算到底怎么理解?它不是大资金专属概念
- 最大回撤后为什么“涨回来就行”是个危险想法
- Beta 中性到底是什么意思?很多人以为做了对冲,其实还在押市场
- 事件驱动量化适合新手吗?它和因子、CTA 的研究语言有多不一样
- 基本面数据最容易忽略的不是口径,而是发布时间滞后
- 因子里的缺失值该怎么处理?填一填不一定比删掉更科学
- A 股 T+1 规则对量化策略影响有多大?很多海外思路搬不过来
- 对冲和分散到底有什么区别?很多组合看起来分散,其实一点都没对冲
- 波动率目标为什么能让组合更稳定?但它也不是万能按钮
- 量化策略每月应该怎么复盘?没有清单,团队只会讨论情绪
- 为什么量化研究最好写研究日志?很多好想法不是错了,是后来忘了
- 一个策略里到底需要多少因子?很多人是把“多”错当成“强”
- Alpha 挖掘里最容易忽略的风险:你可能只是挖到了假发现
- 集成模型在量化里什么时候真的有用,什么时候只是把复杂度翻倍
- 特征重要性排序为什么经常会误导量化研究
- 机器学习量化里的标签周期怎么选?很多模型不是学不好,是标签设错了
- 量化标签里类别不平衡怎么处理?不是简单过采样就能解决
- 量化数据里的平稳性和漂移到底在影响什么?
- 深度学习在量化里什么时候真的有帮助,什么时候只是更贵
- 机器学习模型该解释到什么程度,才算对交易有帮助
- 期权数据适合量化新手一开始就研究吗?
- 截面信号和时序信号到底差在哪?为什么很多策略明明都在预测收益却完全不是一回事
- 组合优化最常见的错误,不在优化器,而在输入假设
- 风险平价为什么经常被误解?它不是“平均分仓”的高级说法
- 策略暴露归因到底该怎么做,才能知道自己到底赚了什么钱
- 信号到执行的延迟有多重要?很多短周期策略就是死在这几秒里
- 事件驱动回测和向量化回测怎么选?不要把框架之争变成立场之争
- 实盘策略的任务调度怎么设计,才不会每天靠手动补救
- 量化团队最该优先自动化什么?别一上来就想全链路替换人工
- 让大模型帮你孵化因子思路,Prompt 应该怎么写才更像研究员而不是闲聊
- 把研报或论文真正变成策略,最难的不是写代码,而是补齐中间那几层
- 一个量化团队的研发流程该怎么设计,才不会大家都很忙但产出很散
- 量化研究为什么也要管算力成本?不是只有大模型团队才需要算账
- 回测前数据 QA 应该检查什么?很多策略一开始就输在这张清单没做
- 策略什么时候该退役?没有下线规则,团队会一直抱着旧逻辑不放
- 股票量化和期货量化到底差在哪?很多人一开始就选错了战场
- 为什么很多 CTA 策略回测很好,一到实盘就失真
- 多因子策略怎么做因子去重与相关性控制,才不会看起来很多其实都一样
- 量化交易里数据清洗到底在清洗什么?很多研究从第一步就错了
- 如何为量化策略设计一套靠谱的风控框架,而不是事后补止损
- 回测系统应该先做到什么程度,再谈优化和复杂功能
- WorldQuant Brain 新手最容易忽略的三个关键点
- 做多因子组合时,为什么不能只看 IC
- 量化研究里怎样做样本内外划分,才更接近真实世界
- 因子挖掘为什么越做越多,却越难真正上线
- 策略从研究到实盘,中间到底隔了哪些环节
- 机器学习量化为什么最怕标签定义错了
- 量化团队协作时,研究代码为什么总是越来越乱
- 如何判断一个量化策略有没有真实容量,而不是纸面上能做很大
- 从日频到分钟级,量化策略开发难度到底差在哪里
- 让大模型写因子代码时,怎样提高一次生成就可用的概率
- 为什么很多量化学习者卡在“会看不会做”
- 量化交易里的组合优化,什么时候真的有必要上
- Alpha 研究为什么一定要做版本管理,不然很快就会失控
- 做量化求职时,作品集应该怎么准备,才不会只剩几张回测图
- 量化交易到底有哪些主流做法?一篇看懂因子、CTA、套利、机器学习策略
- 为什么很多人学了量化还是做不出策略?问题往往不在模型,而在方法路径
- 因子交易、CTA、AI量化,到底哪一种更适合你?
- 从零开始做量化,最容易踩的 7 个坑
- AI大模型正在怎样改变量化交易研发?从研报理解到策略原型生成
- 一套完整的量化交易学习路线:先学什么,后学什么,怎么避免走弯路
- 大规模因子如何做血缘关系与溯源设计
- 部署执行时,如何只计算最少的因子
- 如何把 PDF 研报更稳定地转成量化策略逻辑
- 量化研究中,怎样设计稳定的 AI 编程工作流
- 如何判断一个因子是不是过拟合了