leoncuhk/awesome-quant-ai

what: 一个精选列表（“awesome”风格列表），收集了用于人工智能和机器学习的量化投资资源。它链接到论文、开源工具、书籍和课程，而不是一个工具本身。README 还包含关于如何设计交易策略、比较不同交易方法以及 2025/2026 年领域内新动态的原创解释性内容。关联网站“Regime Research”每天发布 30 个股票代码的市场机制、波动率和风险数据。

列表解释的核心思想：

• 量化金融的三大支柱：主要挑战（例如市场有效性、“动量”等因子是否持续、交易成本），哪些 AI 技术对应每个问题（预测收益、发现隐藏模式、从交互中学习交易策略、生成合成市场数据、理解新闻和文件），以及数学基础（随机过程、优化、博弈论）。

• 构建交易系统的设计流程：README 列出了七个步骤——定义目标和约束；研究策略思路（来自理论或数据挖掘）；构建和校准模型（注意过拟合）；以现实成本进行严格回测；整合风险管理；部署适当的基础设施；持续监控和迭代。

• 交易策略分类法：十个类别，每个类别都有子策略和推荐的源论文或工具——例如，统计套利（均值回归、配对交易）、因子投资（价值、动量、规模）、高频交易（做市、延迟套利）、趋势跟踪、波动率交易、风险平价、宏观策略、事件驱动（并购套利、财报）、机器学习策略（引用 Stefan Jansen 的 150+ notebook 存储库）以及多策略方法（包括分层风险平价）。

• 三种交易范式的比较：一个对比量化交易（静态规则，高透明度）、算法交易（具有参数优化的预定义逻辑，中等适应性）和 AI 智能体交易（自主学习智能体，高适应性但决策为“黑盒”）的表格。

• 前沿主题 (2025/2026)：两个新兴领域。首先，基于 LLM 的交易智能体——多智能体框架，其中大语言模型扮演分析师、交易员和风险经理等角色（列表包括 TradingAgents, FinRobot, FinGPT, FinRL, Vibe-Trading, oracle3）。其次，Transformer 时间序列基础模型——无需特定任务训练即可预测价格或波动率的预训练模型（Chronos, TimesFM, Moirai, Lag-Llama, PatchTST, TimeGPT, Kronos；README 文本在条目中途截断）。

其他部分：该列表还包括学习资源、书籍、研究论文、作者的原创笔记、社区和会议链接以及相关列表。README 开篇是一张题为“投资研究：完整地图”的图片，并提出了一个问题：“你的优势：哪一层你比共识理解得更好？”

基调：面向从业者——写作假设读者熟悉金融和机器学习概念——但该列表的价值在于引导读者找到原始来源（SSRN 论文、GitHub 存储库、如 Kenneth French Data Library 等数据库），以便学习者可以深入研究任何单个项目。