《XQuant:人人都是量化交易员》课程配套的 Specs 与 Notebooks 开源仓库。
本仓库包含课程中每个章节的:
- Specs — 任务说明书。学员通过撰写 spec 指挥 AI 完成所有编码工作,而非自己写代码。
- Notebooks — 可运行的 Jupyter Notebook 源代码,是每个 spec 的最终产出。
课程围绕 9 个核心问题展开,从零构建一个可实盘运行的量化交易系统:
| 章节 | 问题 | 内容 |
|---|---|---|
| Q0 | 开始前的准备 | 环境搭建 |
| Q1 | 量化交易怎么赚钱? | 建立直觉,跑通最小闭环 |
| Q2 | 买什么? | 标的筛选,构建 Universe |
| Q3 | 买多少? | 权重分配,仓位管理 |
| Q4 | 什么时候买卖? | 信号生成,Agent 决策逻辑 |
| Q5 | 怎么知道策略有效? | 回测验证,建立评估体系 |
| Q6 | 如何避免自欺欺人? | 过拟合识别,稳健性检验 |
| Q7 | 如何真正执行? | 实盘系统,从回测到交易 |
| Q8 | 如何持续改进? | 策略迭代,建立方法论闭环 |
| Q9 | 量化交易的日常是什么? | 因子研究,从想法到策略的日常工作流 |
xquant-learning/
├── q0-before-you-start/
│ └── specs/
├── q1-how-to-profit/
│ ├── specs/ # 6 个 spec:获取数据 → 定投回测 → 基准对比 → 均线择时 → 参数扫描 → 过拟合
│ └── notebooks/ # 01-minimal-strategy.ipynb
├── q2-what-to-buy/
│ └── ...
└── ...
- 阅读某章节的
specs/目录,了解每一步的任务目标 - 将 spec 喂给 AI 编程工具(Claude Code / Cursor / ChatGPT 等),让 AI 帮你完成实现
- 对照
notebooks/中的参考实现,验证你的产出
- 编程语言无关 — 全程用自然语言驱动 AI,学的是"如何描述问题"而非"如何写 Python"
- 问题驱动 — 不从理论开始,而从"这个策略能赚钱吗"开始
- Agent 思维框架 — 把策略看作 Agent:Environment(标的池)→ State(市场状态)→ Action(买卖决策)
MIT