一、课程导论：AI与基本面量化的融合

各位同学，欢迎来到《人工智能与基本面量化实战课程》。我是你们这门课的主讲人，一个在量化投资和AI领域摸爬滚打了十几年的老工程师。

说实话，每次开新课我都在想：怎么把这两个看似不搭界的东西揉到一起？AI是搞算法的，基本面是看财报的，它们能擦出什么火花？

嗯，今天这第一节课，我就带大家把这个事儿彻底捋清楚。

1.1 为什么是AI + 基本面量化？

先讲个我自己的故事。2015年那会儿，我刚从一家互联网大厂跳到一家量化私募。当时团队里分两派：一派是纯量化派，天天盯着K线、均线、动量因子；另一派是基本面派，抱着财务报表啃，研究ROE、毛利率、现金流。

两派互相看不上。量化派说：「基本面那玩意儿太滞后，等财报出来黄花菜都凉了。」基本面派回怼：「你们那些技术指标，说白了就是统计套利，跟赌博有什么区别？」

我当时就在想：有没有一种方法，能把两边的优势结合起来？

后来我慢慢发现，AI就是那个桥梁。为什么？因为基本面数据虽然滞后，但它包含的信息量巨大——一家公司的营收、利润、负债、现金流，这些数据背后反映的是企业的真实经营状况。而AI，尤其是自然语言处理（NLP）和机器学习，能帮我们从这些数据里挖出传统量化方法看不到的东西。

举个例子。我2017年做过一个项目，用LSTM模型分析上市公司季报里的管理层讨论。你猜怎么着？模型能从「管理层语气」里预测出下一季度的业绩超预期概率。这个因子，传统量化根本做不了。

1.2 课程目标与学习路径

这门课的目标很明确：让你从零开始，掌握用AI做基本面量化的完整技能栈。

具体来说，学完这门课，你应该能：

• 理解基本面量化的底层逻辑——知道哪些因子有效，为什么有效
• 掌握AI在量化中的核心应用——从文本分析到预测模型，从因子挖掘到组合优化
• 独立搭建一套AI基本面量化系统——从数据获取、特征工程到回测、实盘

学习路径我建议这样走：

1. 先打基础（第1-5章）：量化投资的基本概念、Python金融数据处理、基本面因子体系
2. 再学AI工具（第6-15章）：机器学习基础、NLP入门、时间序列预测、强化学习
3. 最后实战（第16-30章）：从因子挖掘到策略构建，从回测系统到实盘部署

1.3 量化投资的基本概念与历史

说到量化投资，很多人第一反应就是「高频交易」「算法交易」。其实，量化投资的历史比大多数人想象的要长得多。

最早期的量化（1950s-1970s）

1952年，哈里·马科维茨提出了现代投资组合理论，用数学方法解决了「如何分散风险」的问题。说白了，就是告诉你别把所有鸡蛋放在一个篮子里。这个理论后来帮他拿了诺贝尔奖。

到了1960年代，威廉·夏普提出了资本资产定价模型（CAPM），第一次用公式解释了「风险和收益的关系」。我刚开始学金融时，觉得CAPM就是个数学游戏，直到后来做风险归因才发现，这玩意儿是真有用。

量化革命的爆发（1980s-1990s）

1980年代，计算机开始进入金融领域。我记得有个叫詹姆斯·西蒙斯的数学家，他创立了文艺复兴科技公司，用纯数学模型做交易。这家公司的大奖章基金，从1988年到2018年，年化收益率超过66%——注意，是扣完管理费之后的。

西蒙斯的方法说白了就是：找规律。他不看基本面，不看技术面，只看数据里的统计规律。这种方法后来被称为「统计套利」。

AI时代的量化（2000s-至今）

进入21世纪，机器学习开始渗透到量化领域。2007年，谷歌发表了一篇关于「因子投资」的论文，用机器学习方法从海量数据中自动挖掘有效因子。这标志着AI量化的正式起步。

最近十年，深度学习、强化学习、自然语言处理全面开花。我2019年做过一个项目，用BERT模型分析美联储会议纪要，预测加息概率。效果比传统方法好了不止一个量级。

时期	代表人物/机构	核心方法	我的评价
1950s-1970s	马科维茨、夏普	现代投资组合理论、CAPM	奠定了理论基础，但实操性一般
1980s-1990s	西蒙斯、文艺复兴	统计套利、高频交易	真正把数学用到了极致
2000s-至今	谷歌、Two Sigma	机器学习、深度学习、NLP	AI让量化进入了新纪元

1.4 本章知识体系总览

为了让你对这门课有个整体印象，我画了一张框架图。它展示了AI与基本面量化融合的核心逻辑：

这张图其实就概括了这门课的全部内容。从数据到特征，从模型到策略，每一步都有对应的章节去深入讲解。

好了，第一节课就到这里。记住：量化投资不是玄学，是科学。AI也不是魔法，是工具。把两者结合起来，你就能在市场上找到属于自己的优势。