研究層 · 即將開放
AI 量化實驗室
把交易問題變成可檢驗研究，檢查回測邊界，並使用 AI 輔助程式碼，同時把證據、風險和人的判斷保持清楚。
計畫 5 個研究模組計畫 25 節研究課不提供信號或預測承諾
- 提出可檢驗的問題
- 理解 AI 的邊界
- 識別資料偏差
你會怎麼研究
從提出可檢驗的問題開始，再評估證據。
可檢驗假設
把「我覺得會漲」改寫成可以被資料檢驗、也可以被證偽的研究問題。
理解 AI 的邊界
用 AI 輔助程式碼和研究流程，但不把風險判斷與結論外包給黑箱。
識別研究偏差
檢查資料洩漏、過度擬合、交易摩擦與樣本外失效。
研究複核
在相信結果之前，重新檢查假設、證據與可能的失敗條件。
研究路線
計畫 5 個模組、25 節研究課，目標是做出可以被檢查的證據。
AI 量化實驗室是未來的研究層，不再作為 Pro 後面繼續編號的一段課程。
- 01計畫 5 節
市場微觀結構與訂單流
從訂單流與訂單簿理解價格形成。
- 02計畫 5 節
全球宏觀與流動性
用跨資產與政策變數建立研究視角。
- 03計畫 5 節
多策略組合
建構組合、相關性與市場狀態框架。
- 04計畫 5 節
量化基礎設施
建立資料、回測、驗證與研究工作流。
- 05計畫 5 節
資金與風險研究
用風險預算與組合管理收束研究流程。
計畫 25 節研究課，不再使用全站連續編號
5 個模組從微觀結構到資金研究
Python 與資料回測、模擬與 API
研究 Capstone提交一份可檢查的研究專案
研究 Capstone
最後提交一份你能解釋、也能接受質疑的研究專案。
把一個研究問題、證據、資料與模型限制、風險邊界和複盤結論放進同一個可檢查的成果中。
- 定義一個可證偽的研究問題
- 記錄資料、假設與驗證限制
- 寫下風險邊界與失敗條件
- 完成複盤結論，不包含真實下單或收益目標