XQuant Learning

《XQuant：人人都是量化交易员》课程配套的 Specs 与 Notebooks 开源仓库。

这是什么

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。

课程结构

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

目录结构

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/
│   └── ...
└── ...

如何使用

1. 阅读某章节的 specs/ 目录，了解每一步的任务目标
2. 将 spec 喂给 AI 编程工具（Claude Code / Cursor / ChatGPT 等），让 AI 帮你完成实现
3. 对照 notebooks/ 中的参考实现，验证你的产出

课程特色

• 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）

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

License

MIT