这是《AI量化学习手记》系列的第一篇文章。在这个系列里，我会以学习者的视角，记录从零开始学AI量化的真实经历——踩过的坑、填过的土、试过的方法、翻过的车。不讲大道理，只分享真问题。今天这篇，是我入门3个月的真实复盘，希望能给同样刚起步的你一点参考。
引言：那个永远在“收藏”的我
2025年底，我被朋友拉进他的“量化小黑屋”——满屏跳动的K线、实时滚动的成交数据、角落里默默跑着的模型。
“这些都是AI在交易。”他说。
我盯着屏幕，脑子里冒出的第一个问题是：我一个文科生、数学停留在高中、编程零基础的人，能学会这个吗？
换作以前，我会立刻打开知乎，收藏几十篇“AI量化学习路线图”，买几本推荐的书，然后……就没有然后了。熟悉的循环：收藏从未停止，学习从未开始。
这一次，我决定换一种方式。不囤资料、不列完美计划，而是直接开始。每天下班后挤出2小时，用AI工具辅助我一步步往前走。3个月后，我竟然跑通了自己的第一个LSTM模型——虽然被朋友吐槽“拟合了噪音”，但这个过程让我彻底摆脱了“收藏家”的循环。
这篇文章就是我的“通关笔记”，分享给同样想入门、又怕坚持不下来的你。
一、入门三问：数学、编程、金融，到底要学到什么程度？
网上关于这个问题的说法五花八门：有的说“线代概率必须精通”，有的说“会用库就行”。其实，每个人的基础不同，根本没有统一标准。我是文科生，每天能挤出来的时间就2小时，必须找到适合自己的路。
我的答案是：不用等学完再动手，直接“干中学”。
设定一个具体目标，比如“用LSTM预测茅台第二天的涨跌”，然后直接开干。遇到数学问题就补数学，遇到编程问题就学编程，遇到金融概念就查金融。哪里卡住补哪里，不用一口气吃成胖子。
二、我的核心武器：用AI工具搭建学习体系
2.1 创建专属AI导师
我用的工具是DeepSeek。关键不是工具，而是提示词。这是我给自己写的“AI导师”提示词模板，分享给你：
## 角色
你是一位资深的AI量化导师，擅长用通俗易懂的方式指导零基础小白。你精通Python、机器学习、金融知识，但从不直接给答案，而是引导我思考和动手。
## 我的背景
- 文科生，数学停留在高中，编程零基础。
- 上班族，每天学习时间有限（2小时左右）。
- 第一个目标是：用LSTM预测茅台(600519.SH)第二天的涨跌。
## 你的任务
1. 帮我拆解这个目标，列出需要一步步完成的任务清单。
2. 每当我完成一个任务，告诉我下一个做什么。
3. 当我卡住时，不要直接给代码，而是解释原理，引导我尝试。
4. 定期帮我复盘，总结学到的知识点，避免碎片化。
## 对话风格
- 耐心、鼓励，但不过度夸奖。
- 多用比喻，少用术语。
- 随时准备解释我不懂的概念。
有了这个导师，我再也不用纠结“下一步该学什么”了。他会像项目经理一样，带着我一步步往前走。
2.2 NotebookLM：我的私人知识库
“干中学”有个天然缺陷：知识容易碎片化。今天学LSTM输入格式，明天学数据清洗，后天学回测评估……如果不整理，过两周就忘。
我用NotebookLM来解决这个问题。这是Google的一个实验性工具，可以创建多个笔记本，每个笔记本相当于一个专属知识库。
我的操作步骤：
-
创建一个“AI量化”笔记本。把所有能找到的资料都扔进去：下载的PDF书籍（比如Ernest Chan的《量化交易》）、收藏的博客文章、B站视频的文字稿、甚至自己写的笔记。
-
用DeepResearch功能挖掘权威素材。当我对某个概念（比如“三重屏障法”）一头雾水时，我会用以下提示词让AI帮我深度搜索：
请为我深度挖掘关于“三重屏障法（Triple Barrier Method）”的权威资料，要求： 1. 原始出处：找到提出该方法的论文或书籍（Marcos López de Prado）。 2. 核心原理：用通俗语言解释这个方法解决了什么问题，怎么做的。 3. 代码实现：找到高质量的Python实现（GitHub或知名博客）。 4. 社区评价：技术社区对该方法的真实讨论，正反面观点。 5. 学习建议：对我这样的初学者，应该学到什么程度？需要掌握哪些前置知识？
搜到的结果（论文PDF、博客网页、GitHub仓库）全部保存下来，上传到NotebookLM。
-
利用内置模型提问和总结。资料都放进去后，我再用以下提示词让AI提炼核心知识点：
你正在协助我处理一份关于“三重屏障法”的DeepResearch报告。请基于报告内容，提炼出以下信息，以便我存入Notion知识库： 1. 核心思想（一句话总结） 2. 解决的问题 3. 具体步骤/原理 4. 代码实现要点（关键函数或库） 5. 社区共识（正反面评价） 6. 学习优先级（对初学者的建议） 7. 相关前置知识清单 8. 延伸阅读推荐（1-2个）
这样一来，我不需要自己啃完整本书，就能快速获取核心知识点。而且因为是基于我自己的资料库回答，完全不用担心AI胡编乱造。
2.3 Notion AI：沉淀我的知识大厦
NotebookLM负责“查”和“快速学习”，Notion AI负责“存”和“体系化”。
我按照AI导师的建议，先在Notion里搭建了一个完整的知识框架。这个框架不是空架子，而是填充了每个学科最核心的20%知识点——这些知识点能覆盖80%的应用场景。
【数学篇】核心概念
| 核心概念 | 一句话说明 | 在量化中的应用 |
|---|---|---|
| 向量、矩阵运算 | 数据的基本表示，矩阵乘法用于特征组合 | 所有模型的基础（如因子加权） |
| 特征值与特征向量 | 矩阵分解的核心，用于降维 | PCA因子模型、风险模型 |
| 随机变量、期望、方差 | 描述数据的分布和不确定性 | 收益分布、风险评估 |
| 条件概率、贝叶斯定理 | 基于新信息更新信念 | 贝叶斯统计、贝叶斯优化 |
| 导数与偏导数 | 函数的变化率，梯度下降的基础 | 模型训练优化 |
| 链式法则 | 复合函数求导，反向传播的核心 | 深度学习训练 |
【编程篇】核心技能
| 核心技能 | 一句话说明 | 掌握程度 |
|---|---|---|
| Python基础：数据类型、列表推导式、函数 | 编程入门基础 | 能写简单脚本 |
| Pandas：DataFrame操作、groupby、时间序列 | 数据处理核心 | 必须熟练 |
| NumPy：数组运算、广播机制 | 科学计算基础 | 会用即可 |
| Scikit-learn：fit/predict、交叉验证 | 机器学习基础 | 理解流程 |
| PyTorch：张量、自动求导、构建简单网络 | 深度学习框架 | 按需学习 |
【金融篇】核心概念
| 核心概念 | 一句话说明 | 为什么重要 |
|---|---|---|
| 订单类型（市价/限价/止损） | 不同类型的交易指令 | 影响执行成本和滑点 |
| 买卖价差、流动性 | 市场深度和交易成本 | 高频策略的生命线 |
| 未来函数（前瞻偏差） | 回测中使用了未来数据 | 回测虚高的主要原因 |
| 幸存者偏差 | 只考虑存活股票导致的偏差 | 回测结果失真 |
| 过拟合 | 模型死记硬背历史数据 | 实盘崩溃的元凶 |
| 最大回撤、夏普比率 | 风险收益核心指标 | 评估策略好坏 |
【模型篇】常用模型
| 模型 | 一句话说明 | 适用场景 |
|---|---|---|
| 线性回归 | 最简单的预测模型 | 因子预测、收益率预测 |
| 随机森林/XGBoost | 树模型，非线性拟合能力强 | 分类问题、因子挖掘 |
| LSTM | 处理时间序列的循环神经网络 | 价格预测、波动率预测 |
| Transformer | 注意力机制模型 | 复杂时序依赖建模 |
| DQN/PPO | 强化学习模型 | 交易执行优化 |
这个框架不是一次性建好的，而是随着学习不断填充。每天学完后，我会花15分钟把新学的知识点填进对应的Notion页面。Notion AI还可以帮我自动生成复习卡片，提醒我哪些内容需要巩固。
三、数据获取：第一个绕不开的现实问题
路线图再完美，第一步就卡住了——数据从哪来？
我刚开始天真地以为，数据不就是一个API的事吗？试了一圈才发现，这里面的坑比想象的多。下面是国内主流数据源的详细对比，希望能帮你少走弯路。
| 数据源 | 核心优势 | 接入方式 | 注意事项 | 适用场景 |
|---|---|---|---|---|
| Tushare Pro | - 数据清洗极好，字段标准统一 - 覆盖A股全品类（股票、基金、期货、期权） - 提供财务数据、特色因子 | 1. 官网注册获取token 2. pip install tushare3. 在代码中设置token | - 需要积分（可通过注册、充值或贡献数据获取） - 普通用户每分钟请求限制 - 2025年8月曾发生近一周服务中断 | 基本面量化、需要高质量数据的回测、学术研究 |
| AKShare | - 完全免费，无需积分 - 覆盖极广，包括股票、基金、期货、宏观数据，甚至一些奇葩数据（如大宗商品库存） | 1. pip install akshare2. 直接调用接口（如 ak.stock_zh_a_hist()） | - 本质是爬虫，不稳定，随时可能因网站改版失效 - 速度慢，不适合高并发 - 实时数据延迟高（约500ms） | 盘后研究、另类数据挖掘、学习用途、免费替代方案 |
| Baostock | - 无需注册，直接可用 - 数据稳定性高，很少缺失或错误 - 提供财务报表和财务指标 | 1. pip install baostock2. 登录 bs.login() 后获取数据 | - 分钟级数据有限（只有最近几天） - 历史长度不足（部分数据只有几年） - 文档较少 | 中长期基本面策略研究、数据交叉验证 |
| JoinQuant | - 一站式平台，提供数据、回测、模拟盘 - 社区活跃，有很多现成策略 - 数据质量有保障 | 1. 官网注册 2. 在平台内直接使用（支持本地SDK下载） | - 2025年涨价后年费接近千元 - 本地使用有限制 | 新手快速上手、不想自己搭回测框架的人 |
| TickDB | - 30天免费试用，全品类数据开放 - 一套API覆盖A股、美股、港股、外汇、贵金属、指数、加密货币 - 数据质量高，有预处理（前复权、异常过滤） - 国内节点优化，延迟低 | 1. 官网注册获取API Key 2. pip install tickdb（SDK）3. 调用接口 | - 历史深度不如专业数据商（但日线足够） - 付费方案尚未公布（试用期先爽） | 个人开发者实盘、跨市场策略、从免费过渡到付费的场景 |
四、我的“干中学”实操全流程（供参考）
如果你也想试试这个方法，这是我的完整流程：
- 设定一个具体目标（我用的是：用LSTM预测茅台次日涨跌）
- 创建AI导师（使用上面的提示词模板）
- 搭建Notion知识框架（先建空架子，填充核心知识点）
- 启动NotebookLM素材库（把所有资料扔进去，用DeepResearch补充）
- 跟着导师开始干：
- 每一步遇到问题，先问导师
- 需要深入的概念，用DeepResearch搜权威资料，存入NotebookLM
- 学到的知识点，分类填充到Notion框架
- 每周复盘：让导师帮我总结本周学到的东西，更新知识框架
写在最后：最大的坑，是你自己
有位前辈说过一句话我印象特别深：
“我最大的错误是花了几个月在回测中完善策略，而不是尽早在模拟盘中向前运行。策略在历史数据上表现完美，是因为它在死记硬背。”
这句话提醒我：不要等到“准备好”再开始，因为你永远不可能准备好。与其花几个月囤资料、定计划，不如现在就动手，用AI工具辅助你边做边学。
如果你也对这套方法感兴趣，欢迎留言告诉我。文章里提到的AI导师提示词、DeepResearch提示词、Notion知识框架模板，我后续可以整理出来分享。
一起加油，从“收藏从未停止”到“学习真正开始”。
本文核心观点（速读版）
- 放弃“收藏式学习”，转向“干中学”：设定目标，用AI导师指导实操
- 用NotebookLM+DeepResearch搭建专属素材库，快速获取权威知识
- 用Notion AI搭建知识框架，沉淀核心知识点（数学、编程、金融、模型）
- 数据源对比：Tushare（质量好但需积分）、AKShare（免费但爬虫）、Baostock（稳定但数据有限）、JoinQuant（一站式但贵）、TickDB（新手友好，30天免费试用）
- 最大的坑是自己：别过度准备，尽早动手
