Skip to content

完整路线图 ​

这条路线面向 AI 时代的个人量化开发者。它不要求一开始就掌握全部金融理论,而是从工程可落地的内容开始:数据、AI 辅助开发、回测、交易系统、风控和项目。

个人量化开发的核心不是“会写一个策略”这么单一,而是能借助 AI 提升开发效率,同时把数据、研究、系统和风险边界连接起来。一个专业路线应同时覆盖四类能力:数据可信、实验可复现、系统可运行、风险可控制。

路线结构 ​

入门阶段:数据处理 ​

目标是理解量化开发中的数据处理流程,能把原始行情数据整理成可用于研究和回测的数据集。

  • 行情数据:K 线、逐笔成交、盘口和公司行动。
  • 数据源与数据获取:API、文件、数据库和实时订阅。
  • 数据清洗:字段、时间、缺失值、异常值和复权。
  • 数据存储:CSV、Parquet、SQLite、PostgreSQL 和 ClickHouse。
  • 数据质量:完整性、一致性、唯一性和可追溯性。

贯穿能力:AI+Dev ​

目标是学会把 AI 工具安全、有效地纳入量化开发流程,而不是把模型当成不可验证的答案来源。

  • AI 模型选型:按代码、文档、长上下文、结构化抽取和隐私场景选择模型。
  • AI 最佳实践:描述上下文、拆分任务、约束输出和验证结果。
  • AI+效率提升:辅助数据处理、回测开发、交易系统设计和求职准备。
  • AI 能力边界:识别幻觉、过时信息、上下文遗漏和高风险误用。

进阶阶段:回测开发 ​

目标是理解策略从想法到历史实验的完整流程。

  • 信号生成、目标持仓、订单模拟和组合状态。
  • 因子研究、分组收益、IC、换手率和稳定性分析。
  • 交易成本、滑点、容量和不可成交约束。
  • 未来函数、幸存者偏差和过拟合检查。
  • 回测报告和实验记录。

系统阶段:交易系统与风控 ​

目标是理解策略如何进入可运行、可监控、可恢复的生产系统。

  • 交易系统架构、行情接入、策略引擎、OMS 和 EMS。
  • 订单状态机、成交回报、持仓现金和对账。
  • 风控管理、规则引擎、审计告警和降级动作。
  • 日志、指标、监控、故障恢复和交易后复盘。

拓展阶段:低延迟 ​

目标是理解延迟来源、测量方法和基础优化思路。

  • 网络基础、TCP、UDP 和多播行情。
  • 并发模型、锁竞争、线程调度和消息队列。
  • 内存分配、缓存局部性和数据布局。
  • 延迟测量、profiling 和 C++ 优化。

实战阶段:作品集项目 ​

目标是做出能放进简历和 GitHub 的项目。

  • 行情数据清洗 pipeline。
  • Python 因子回测小项目。
  • 简易事件驱动回测框架。
  • 订单簿模拟器和撮合引擎。
  • 风控规则引擎 demo。
  • 交易系统 mini demo。

求职阶段:岗位表达 ​

目标是把能力转化成简历、面试回答和项目讲解。

  • 梳理 Quant Developer 岗位画像。
  • 准备 Python、C++、Linux、网络、数据结构与算法题。
  • 准备数据、回测开发、交易系统、风控管理基础题。
  • 将项目整理为简历条目、讲解稿和演示材料。

专业性标准 ​

学完这条路线后,不应只会调用库或展示净值曲线,而应能回答:

  • 数据字段、时间戳、复权和样本范围是否可靠?
  • 回测有没有未来函数、幸存者偏差、成本低估和过拟合?
  • 策略信号如何进入订单系统,订单状态如何流转?
  • 风控规则在哪里执行,触发后做什么动作?
  • 系统异常时如何日志定位、状态恢复和交易后对账?
  • AI 输出如何验证,哪些环节不能交给模型直接决定?