AI 量化交易入门
《XQuant：人人都是量化交易员》开源书稿：用 AI 编程工具和 Python， 从零跑通第一个量化策略。
这是一本面向零基础读者的 AI 量化交易入门书。它采用 Vibe Coding（氛围编程）的学习方式：你不需要先成为程序员，也不必 先学完 Python 或复杂金融模型。你会先把投资想法说清楚，再让 AI 编程工具辅助生成和运行 Python 代码，通过数据、回测和复查判断策略 是否站得住。
这条“AI 编程工具 + 量化”的路径，把学习起点从“先学会编程”变成 “先学会描述和验证投资想法”，降低传统 Python 量化入门的门槛。 本书适合正在搜索“AI 量化入门”“AI 量化回测”“量化交易自学” 的读者。重点不是提供一个神奇策略，而是建立一条可以反复使用的 研究路径：提出想法、写清规则、跑出结果、评估风险、怀疑结论、 继续迭代。
最新书稿已更新至 XQuant 量化课堂页。 想阅读最新版官方书稿，请前往图书页。
先从这里开始
- 前言：理解这本书的学习路径
- 准备工作：搭好 AI 编程工具和 Python 环境
- 第 1 章：跑通第一个策略：完成第一次策略回测
完整目录见 SUMMARY.md。
你会学到什么
- 如何把投资想法写成策略规格说明书，也就是 spec
- 如何让 AI 辅助生成和运行 Python 量化代码
- 如何获取 ETF 数据并完成第一个策略回测
- 如何做基准对比、收益评估和风险评估
- 如何识别过拟合、数据泄露和参数优化陷阱
- 如何理解交易执行、监控诊断、策略迭代和因子研究
课程结构
- 准备工作：AI 编程工具和 Python 环境
- 第 1 章：跑通第一个策略
- 第 2 章：先选买什么：从 3 只 ETF 开始
- 第 3 章：决定各买多少：3 种分法实测
- 第 4 章：决定何时买卖：再平衡、止损、止盈
- 第 5 章：判断策略好不好：4 个关键视角
- 第 6 章：别高兴太早：防止过拟合
- 第 7 章：从理想到现实：执行交易
- 第 8 章：策略跑起来以后：监控、诊断、迭代
- 第 9 章：持续寻找机会：因子研究入门
配套资源
本仓库存放可发布的书稿源码、图片和发布配置。书中配套的 spec 与 notebook 不放在这里，统一维护在：
https://github.com/xingwudao/xquant-learning
快速入口
- 课程与正式书信息：
https://xquant.shop/courses - 配套练习：
https://github.com/xingwudao/xquant-learning - 书稿反馈：
https://github.com/xingwudao/xquant-beginner/issues/new/choose - 读者群：添加作者微信
xquanter，备注XQuant 读者
作者与服务
刑无刀
本文作者 @刑无刀。《机器学习：实用案例解析》译者，《推荐系统》 作者，极客时间《推荐系统 36 式》专栏作者，开源书《人人都是 量化交易员》作者，15 年 AI 从业经验，贝壳（纽交所 + 港交所 双重上市公司，股票代码 BEKE/2423）前技术总监。
- 公众号：刑无刀
- 小红书：刑无刀
MatrixSpk
本文作者 @MatrixSpk，多年财务及投资经验，系北大 MBA， 公众号「i锐角」主理人。
- 公众号：i锐角
XQuant-Shop
XQuant-Shop 是面向全球个人投资者的一站式量化投资决策平台， 简称 XQuant 平台。XQuant 平台集成标准化量化数据可视化看板、 零门槛策略搭建工具与自动化工作流体系，帮助普通投资者快速搭建 专属量化投资策略。
- 服务号：XQuant-Shop
在线发布
本仓库支持两种发布方式：
- GitBook：通过
.gitbook.yaml、README.md、SUMMARY.md同步发布 - 静态网页：通过 VitePress 构建为纯静态站点
本地预览静态站点
先安装 Node.js，然后运行：
npm install
npm run docs:dev构建静态站点：
npm run docs:build预览构建结果：
npm run docs:preview构建产物位于 .vitepress/dist/。
许可证
本仓库采用双许可证：
- 书稿正文与图片：
CC BY-NC-SA 4.0 - 构建脚本、配置文件和自动化工作流：
MIT
风险提示
本书只用于教育和研究，不构成投资建议。历史表现不代表未来收益， 任何策略都可能亏损。