内容简介

本书首先系统梳理了人工智能在量化金融领域的发展脉络与应用趋势，强调数据量化交易人工智能的血液、情感分析在量化交易中的作用、机器学习在量化交易中的实战方法、量化实战中的挑战、极端事件下人工智能模型的抗风险能力以及大模型智能体在量化金融中的未来应用 等核心内容的基础上，重点讲解如何利用大语言模型（LLM）和先进的机器学习算法，融合结构化、非结构化以及多模态数据，开展量化投资研究，包括因子挖掘与筛选、市场情绪量化分析、交易信号生成与风险管理四大关键环节。全书配以大量的 Python代码示例与实证案例，帮助读者构建从理论模型到实盘策略的完整闭环。本书的代码均开源在 https://github.com/LLMQuant/Book ，供读者下载与实践。

全书共七章，结构严谨、层层递进，旨在帮助读者系统掌握大模型在量化金融中的落地方法与实战策略 。全书配备丰富的可复现示例，既便于教学使用，也能满足实务操作需求。 内容覆盖大模型架构与原理、数据预处理、因子挖掘、情绪分析、信号生成、风险管理及模型部署等核心环节，形成从理论到实战的完整知识闭环。 适合作为金融工程、人工智能及量化投资领域等专业高年级本科生与研究生的教材，也可供量化研究员、交易员及人工智能工程师在实践中参考，助力读者快速掌握技术要领，实现策略研发与生产级部署，全面提升交易决策与研究能力。

序

随着以大语言模型（LLM）为代表的人工智能（AI）技术的迅猛发展，我们正站在一场由技术变革驱动的量化金融革命的门槛上。LLM 技术以 Transformer 架构为基础，凭借其强大的序列建模与语言理解能力，逐步渗透并重塑着金融市场的每一个角落。从传统的结构化数据分析到复杂的非结构化数据挖掘，从简单的市场信号识别到精妙的情绪与舆情分析，大语言模型（LLM）正在为量化交易注入前所未有的活力。

LLMQuant 社区自创立以来，汇聚了全球领先的人工智能技术与量化研究人才，致力于通过开源与协作打造高效、可复现的技术方案，显著降低量化金融的门槛。社区成员携手并进，在推动人工智能技术落地金融场景、加速量化交易智能化升级方面取得了卓越成果。

本书集结了 LLMQuant 社区在过去研究与实践中的宝贵经验，系统性地呈现了人工智能、大语言模型与量化金融融合的最新成果与实战方法。从数据处理到模型训练，从情绪因子到事件驱动，从基础模型到复杂的多模态数据融合，力图为读者构建一套完整的人工智能量化方法论，帮助大家不仅看懂趋势，更能动手实践。每一章节均配有可复现的 Python 代码示例与实证案例，帮助读者从理论快速过渡到实盘应用。更重要的是，本书不仅阐述技术细节，更关注人工智能与金融交汇处的关键挑战：如何设计高效的 Prompt 驱动策略；如何提升模型在极端行情下的稳健性；以及如何科学管理算力成本。

在此，衷心感谢所有 LLMQuant 社区成员的智慧与付出，也感谢 Aitist 公司对本书出版的大力支持。我们期望，本书能为量化研究员、交易员及工程师提供切实可行的解决方案，并激发更多创新思考，共同推动人工智能与量化金融的融合。未来已来，唯有不断探索与实践，方能立于潮头。