xingwudao/xquant-learning

# 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） ## License MIT

标签：AI辅助编程, NoSQL, 仓位管理, 策略回测, 课程教程, 逆向工具, 量化交易, 金融科技