1、课程导论：多Agent投资框架的核心理念、与传统量化策略的对比、课程目标与学习路径

1.1 为什么我要讲这个框架？

做量化投资这些年，我踩过最大的坑，就是「单一策略的脆弱性」。

2018年那会儿，我手头有个CTA策略，回测曲线漂亮得像教科书。结果实盘第三周，市场风格突变，连续回撤15%。我盯着屏幕，冷汗直流。那时候我就想——如果策略能自己「商量」着来，是不是就不会这么惨？

嗯，这就是多Agent协同投资的雏形。

说白了，多Agent框架不是让你写一个更牛的策略。而是让一群「小策略」像团队一样协作。有的负责看趋势，有的盯着波动率，有的专门抓套利机会。它们互相投票、互相纠错，最后共同决策。

我个人习惯把这种架构叫做「投资委员会模式」。每个Agent就是一个委员，有自己的专长和脾气。你想想看，一个委员会做决策，是不是比一个人拍脑袋靠谱？

1.2 多Agent框架 vs 传统量化策略

传统量化策略，说白了就是一条流水线。数据进来，信号出去，中间是一套固定的逻辑。优点是快，缺点是死板。

我遇到过最典型的例子：一个基于均线交叉的策略，在震荡市里反复开仓止损，一个月亏了8%。策略本身没问题，但它在错误的市场状态下做了错误的事。

多Agent框架怎么解决？

对比维度	传统量化策略	多Agent协同框架
决策方式	单一模型，固定逻辑	多个Agent投票/加权
适应性	需要人工调参	Agent可动态切换权重
风险控制	硬止损/硬约束	Agent间互相制衡
开发成本	较低，一人可完成	较高，需要架构设计
鲁棒性	市场风格切换时易失效	多策略互补，更稳定

这里有个关键点：多Agent不是简单地把几个策略拼在一起。如果只是拼凑，那叫「策略组合」，不叫「协同」。真正的协同，是Agent之间能通信、能协商、能根据当前市场状态动态调整。

1.3 这个框架长什么样？

我画了一张图，帮你快速建立整体认知。这是我在项目中反复迭代后的标准架构：

这张图我建议你多看两眼。整个课程就是围绕这个架构展开的。数据层怎么清洗？Agent怎么设计？协同决策用什么算法？每一块我都会带着你手写代码实现。

1.4 课程目标：你能带走什么？

这门课不是讲理论，是让你能真正搭出一套可用的多Agent投资系统。具体来说，学完之后你能做到：

• 设计自己的Agent族群——知道怎么拆分任务，怎么定义每个Agent的「专业领域」
• 实现Agent间通信机制——不是简单的信号拼接，而是真正的协商与投票
• 搭建动态权重分配系统——让表现好的Agent在决策中更有话语权
• 处理冲突与异常——当Agent们意见严重分歧时，系统该怎么仲裁
• 回测与实盘衔接——避免「回测猛如虎，实盘亏成狗」的尴尬

1.5 学习路径：怎么学最有效？

这门课一共30章，我把它分成了四个阶段。每个阶段都有明确的目标：

1. 基础篇（第1-8章）——搭建框架骨架。你会学会Agent基类设计、消息队列、配置管理。这部分是地基，我建议你跟着敲代码，别跳。
2. 策略篇（第9-16章）——填充具体Agent。趋势、波动率、套利、情绪……每个Agent我都会给完整代码。你可以直接复用，也可以改造成自己的。
3. 协同篇（第17-24章）——核心机制实现。投票算法、贝叶斯融合、强化学习调度……这部分最难，但也是最有价值的地方。
4. 实战篇（第25-30章）——上线与迭代。回测框架、实盘对接、监控告警、策略退化检测。嗯，这里我会分享一些血泪教训。

1.6 你需要准备什么？

技术栈方面，我选的是Python。原因很简单：生态成熟，做量化的人基本都会。具体来说：

• Python 3.8+（推荐3.10）
• pandas、numpy（数据处理必备）
• asyncio（Agent间通信用，我会手把手教）
• redis（可选，做消息队列用，我会给替代方案）

如果你只会写简单的Python脚本，没关系。我会从类设计开始讲，你跟着写就能学会。

好了，导论就到这里。接下来我们直接进入第2章——开始写第一个Agent类。记住，别光看，动手敲代码才是王道。

---

公众号:蓝海资料掘金营，微信deep3321