01
课程导论与框架概览
LLM量化回测的背景、框架核心功能、适用场景与局限性。
导论概览
02
环境搭建与依赖安装
Python虚拟环境创建、核心库安装与验证。
环境依赖
03
数据源接入与预处理
对接Tushare/Wind/本地CSV，数据清洗、对齐与标准化。
数据预处理
04
LLM模型加载与基础配置
HuggingFace加载开源模型，配置tokenizer与参数。
LLM加载
05
量化策略设计模式
策略基类、信号生成接口、仓位管理模块抽象。
设计模式策略
06
提示词工程与模板管理
设计回测专用提示词模板，动态注入市场数据。
提示词模板
07
模型推理加速
vLLM批量推理、KV Cache、GPTQ/AWQ量化模型。
加速量化
08
回测引擎核心架构
事件驱动循环、Bar数据流、订单簿与成交模拟。
引擎事件驱动
09
资金管理与风险控制
凯利公式、固定比例仓位、最大回撤与止损止盈。
风控资金管理
10
多因子信号融合
LLM信号与传统技术指标（均线、RSI、MACD）加权融合。
多因子融合
11
回测性能评估指标
夏普比率、最大回撤、胜率、盈亏比、年化收益率。
评估指标
12
可视化与报告生成
Matplotlib/Plotly绘制净值曲线、回撤曲线，HTML报告。
可视化报告
13
参数优化与网格搜索
LLM温度、top_p、提示词长度网格搜索与敏感性分析。
优化网格搜索
14
过拟合检测与鲁棒性测试
Walk-Forward、蒙特卡洛模拟、随机化检验。
过拟合鲁棒性
15
实盘模拟与延迟模拟
交易成本、滑点模型、网络延迟对LLM推理的影响。
模拟延迟
16
多周期回测框架
分钟级、日级、周级数据回测，适配不同频率。
多周期频率
17
多标的与投资组合回测
同时回测多只股票/期货，组合净值与相关性。
组合多标的
18
事件驱动型策略
利用LLM分析新闻公告、财报电话会记录生成信号。
事件驱动NLP
19
情绪分析与舆情因子
对接社交媒体API，LLM情感打分，构建舆情因子。
情绪舆情
20
强化学习与LLM结合
LLM作为RL智能体策略网络，在线学习与回测。
强化学习RL
21
回测结果数据库存储
配置、参数、结果存入SQLite/MySQL，便于追溯。
数据库存储
22
分布式回测加速
使用Ray/Dask分发多参数、多标的回测任务。
分布式加速
23
自定义数据源插件开发
编写插件接口，对接自定义数据源（WebSocket等）。
插件数据源
24
LLM幻觉检测与过滤
识别并过滤LLM生成的明显错误或幻觉信号。
幻觉过滤
25
回测与实盘差异分析
对比回测与模拟盘/实盘表现，分析差异原因。
差异分析实盘
26
策略模板库与代码生成
使用LLM自动生成策略代码模板，降低开发门槛。
模板代码生成
27
单元测试与CI/CD
pytest测试框架核心模块，配置GitHub Actions。
测试CI/CD
28
案例：均线+LLM情绪期货日内
基于均线+LLM情绪的双因子期货日内策略实战。
案例期货
29
案例：LLM财报分析选股
基于LLM财报分析的股票中长线选股策略。
案例选股
30
课程总结与未来展望
框架局限性、LLM量化前沿趋势、社区与资源推荐。
总结展望