AI 投资与量化：先分清研究、验证和执行
最后更新:
大模型擅长读文本、调工具和组织研究过程，量化系统擅长处理可重复计算、回测和风控。真正可用的组合不是“让 AI 猜涨跌”，而是让模型提出和解释假设，再由结构化数据与程序验证。
结论：AI 负责研究接口，量化负责可证伪验证
如果一个任务需要理解公告、归纳电话会、拆解行业链条或调用多个数据工具，LLM 很合适；如果一个任务需要计算因子、控制样本、回放历史或执行仓位约束，就应交给确定性程序。两者的接口是“结构化研究假设”：模型必须把判断写成可查询字段、时间窗口和可验证条件，而不是只输出一段看多或看空文字。 最稳妥的起点是研究辅助而非自动交易。先让系统保留来源、原始数据、计算代码和失败记录，再用 paper trading 观察一段时间。模型输出只有在能追溯到证据、能被程序复算、能在未见数据上检验时，才从意见升级为研究结果。
- 文本理解、工具编排和报告生成交给 Agent。
- 收益计算、样本切分、风控约束和回测交给代码。
- 交易执行是单独权限域，首版不应与研究 Agent 直连。
四层架构决定系统是否可靠
一个完整 AI 投资系统至少有数据、研究、验证和执行四层。把它们混在一个 Prompt 里，会让数据缺失、推理错误和执行风险无法定位。分层后，每层都有独立输入、输出和验收条件。
| 层 | 主要工作 | 适合的技术 | 最小验收 |
|---|---|---|---|
| 数据层 | 行情、财务、公告、新闻和时间对齐 | 数据库、数据 API、确定性清洗 | 字段、时间戳、来源可追溯 |
| 研究层 | 提出假设、阅读材料、调用工具 | LLM / Agent | 结论引用来源并输出结构化假设 |
| 验证层 | 因子计算、回测、稳健性检查 | Python、Qlib、统计检验 | 无未来函数，样本外结果可复算 |
| 执行层 | 订单、仓位、限额和异常处置 | 交易系统、人工审批 | 权限隔离、可撤销、完整审计 |
Qlib 图表说明了“验证”与“讲故事”的区别
研究报告需要同时呈现收益、回撤、风险、换手和基准，而不是只挑一条最好看的累计收益曲线。Qlib 本体是量化实验底座，不是直接消费聊天模型的 Agent；它适合承接 Agent 生成的因子或模型方案，再执行可复算实验。
模型应通过受控入口进入研究流程
统一模型入口的价值不是让所有模型输出一样，而是让研究系统在同一请求合同下比较快速模型、深度模型和代码模型。行情与财务数据仍走独立数据接口，不能因为模型能联网就省略数据版本。
数据质量比模型大小更早决定上限
同一条公告在发布时间、抓取时间和交易日归属上处理不同，就可能产生完全不同的回测结果。数据层至少要记录 source、event_time、ingested_at、symbol、market 和版本；文本还要保留原文或可追溯链接。模型生成的摘要只能作为派生字段，不能替换原始证据。 对于 A 股，还要处理复权、停牌、涨跌停、公告盘后发布、行业分类变更和幸存者偏差。若项目只展示一个模型对话框，却没有说明这些数据规则，它更像研究界面，不是可直接比较收益的量化系统。
开源项目应该按任务拼装，而不是按热度全装
TradingAgents：多角色股票研究、看多看空辩论与风险复核。已完成项目自身调用验证；项目输出不等于可执行投资建议，也未证明任何收益表现 RD-Agent：用 Agent 自动化因子、模型和量化实验研发。已审查源码入口，未完成项目调用；已确认正式配置和调用路径，但未完成项目自身真实调用 Qlib：量化数据、因子、模型、回测和实验管理。已审查源码入口，未完成项目调用；不能把 Qlib 本体写成直接调用模型 API 的 Agent OpenBB：统一金融数据访问和研究工作台。已审查源码入口，未完成项目调用；OpenBB 本体不应被描述成通用 LLM 网关消费项目
- 多角色研究：TradingAgents 适合观察不同研究角色如何交叉复核。
- 自动量化研发：RD-Agent 负责提出和实现实验，Qlib 负责数据与评估。
- 金融数据访问：OpenBB 可作为数据层之一，但不是模型网关。
成本要按任务链而不是单次回复计算
一次任务成本 = 输入 token × 输入单价 + 输出 token × 输出单价 + 缓存读写费用 + 外部数据费用。模型价格和实际 token 只从当前模型目录与控制台调用日志读取，不在文章里复制一份会过时的数字。 多 Agent 项目会在一次用户任务中产生多次模型调用；回测还会产生计算和数据费用。控制成本的有效方式是限制最大研究轮数、把长文档先确定性切分、对相同材料使用缓存，并分别给快速摘要和深度复核分配模型。文章不固定复制价格，因为模型上下架和扣费会变化，实际预算应从模型目录与分 Key 日志计算。
最常见失败不是模型报错，而是证据链断裂
系统可能返回一份语气完整的报告，但引用的是错日期数据；也可能回测很好，却把未来财报放进了过去样本。其他常见失败包括工具调用超时后模型自行补全、同一指标口径在训练和回测中不一致、模型重试造成重复费用、执行权限过大。 因此每条研究结果都应保存输入版本、工具调用、错误与重试、最终结构化输出。失败可以保留，伪装成成功不可以。上线前先做离线回放和 paper trading，再决定是否增加人工审批后的执行动作。
常见问题
AI 投资和量化投资是一回事吗？
不是。AI 可以用于阅读、检索、代码和研究编排；量化强调可计算规则、历史验证和风险约束。两者结合时，AI 提出与解释假设，量化系统负责证伪。
大模型可以直接预测股票涨跌吗？
可以生成判断，但不能因此视为可靠预测。没有数据时间对齐、样本外验证、成本和风险约束的涨跌答案，只是一条不可审计意见。
新手应该先装哪个项目？
先从一个明确任务开始：每日研究可看 daily_stock_analysis，多角色研究可看 TradingAgents，量化实验底座可看 Qlib。不要一次部署全部项目。
为什么文章不列固定模型价格？
价格和上下架会变化。固定抄一张价格表会很快过时，本文只给成本公式，实际数字从当前模型目录和控制台调用日志读取。
什么时候才能接真实交易？
至少完成数据审计、样本外回测、纸面交易、权限隔离、限额和人工审批后再评估。模型研究链成功不等于执行链安全。