AI 量化交易训练营

这门「AI 量化交易训练营」放在后端开发分类下其实挺合适——它真正吃重的不是金融理论背诵，而是一条从数据获取、存储、回测到实盘的工程链路。资料包里有直播回放、PDF 讲义、配套软件和按周划分的模块，结构上更适合当成一套可对照的工程参考，而不是看完就关的视频课。

技术栈落在哪儿

从线索看，这条链路的核心工具是 QMT（迅投的量化交易终端），围绕它展开行情数据获取、下单接口调用和策略挂载。数据侧涉及数据库搭建，后期还引入向量数据库处理非结构化信息，这一块和后端开发里的存储选型、索引设计是同一类问题。机器学习部分不是调包演示，而是落到论文复现和指标体系构建，意味着要自己处理特征工程、标签定义和评估口径。整体看，Python 是主线语言，SQL 和时序数据处理是必备配套，QMT 提供交易执行层。

项目结构怎么读

资料按周推进，但真正值得先看的是那条依赖顺序：金融品种认知与技术指标逻辑 → 数据获取与入库 → 回测引擎 → 经典策略案例 → 机器学习策略 → 实盘绩效分析。前两步是地基，跳过直接看策略会看不懂参数为什么这么设。回测引擎那一周是分水岭，它决定了后面所有策略能否被一致地评估——滑点、手续费、撮合逻辑如果没对齐，回测曲线再漂亮也没意义。实盘绩效分析放在最后，讲的是回撤、夏普、换手率这些指标怎么解读，属于把工程结果翻译成决策依据的环节。

可复用的模块

• 数据管道：行情拉取、清洗、入库的固定流程，可以抽成独立脚本反复调用。
• 回测框架：策略与撮合逻辑解耦后，同一套引擎能跑不同策略，这是最值得吃透的部分。
• 指标体系：机器学习策略的评估口径，和传统技术指标策略的评估方式需要统一。
• 向量数据库接入：处理公告、研报这类文本信息的检索层，属于可独立复用的组件。

这几块拆出来，就是一套小型量化系统的骨架，换品种、换策略都不用重写底层。

适合拿来对照实践的地方

这类资料的价值不在「讲了什么」，而在「能不能跑起来对照」。建议边看边做三件事：一是把数据获取到入库的流程自己复现一遍，确认字段和频率对得上；二是拿回测引擎跑一个经典策略，手动改滑点和手续费，观察曲线变化，理解参数敏感度；三是挑一篇论文复现里的因子，用自己的数据重算一遍指标，看差异出在哪。PDF 讲义适合当索引，直播回放适合看操作细节，配套软件则是环境依赖，先装好再动手。

自学路径建议

如果金融背景弱，先把品种认知和技术指标逻辑过一遍，不用深究公式推导，知道每个指标在什么行情下会失效即可。编程侧重点补时序数据处理和数据库操作，这两块在后端开发里也常用。机器学习部分不要一上来就啃论文，先把回测框架跑通，再回头理解特征和标签怎么构造。整条路径的关键节点是回测引擎——它既是前面数据的消费方，也是后面策略的评估方，卡在这里往下推进会一直别扭。

总体看，这份资料适合已经有一定编程基础、想补齐量化工程链路的人，按模块拆解、按依赖顺序推进，比顺着视频刷一遍更有用。