HKUDS052: HKUDS Quant 系列专题总结 - Vibe-Trading / AI-Trader / FutureShow / UrbanGPT 对比
HKUDS052: HKUDS Quant 系列专题总结 - Vibe-Trading / AI-Trader / FutureShow / UrbanGPT 对比
这是 PENGYI_HKUDS_STUDYMAP 的 HKUDS052。
在 HKUDS050 里，HKUDS052 曾经被预告给 OpenCity。 现在我们再插入一篇专题总结：
1
HKUDS052 -> HKUDS Quant / Forecasting / Trading 系列专题总结
原因很直接：
1
2
HKUDS 里和 quant 有关的项目已经不是单点启发。
它们已经能拼出一个 Quant Research OS 的系统骨架。
所以这篇先不继续单仓推进，而是把之前已经看过的 HKUDS quant-relevant 项目重新放在一张图里。
核心项目：
1
2
3
4
HKUDS002 -> Vibe-Trading
HKUDS005 -> AI-Trader
HKUDS020 -> FutureShow
HKUDS049 -> UrbanGPT
强相关支撑项目：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
HKUDS001 -> LightRAG
HKUDS007 -> RAG-Anything
HKUDS018 -> MiniRAG
HKUDS021 -> VideoRAG
HKUDS024 -> GraphAgent
HKUDS025 -> OpenGraph
HKUDS026 -> GraphGPT
HKUDS027 -> HiGPT
HKUDS028 -> RecLM
HKUDS029 -> XRec
HKUDS030 -> AutoCF
HKUDS031 -> KGRec
HKUDS015 -> OpenHarness
HKUDS017 -> AnyTool
HKUDS035 -> FastAgent
HKUDS008 -> AutoAgent
HKUDS045 -> CatchMe
HKUDS047 -> SepLLM
HKUDS048 -> MGP
这篇目标是回答：
1
2
3
4
HKUDS 给我们的 Quant Research OS 到底有哪些启发？
Vibe-Trading / AI-Trader / FutureShow / UrbanGPT 分别解决哪一层？
它们和 LLMQuant、X2Strategy、QuantMind 怎么拼起来？
我们自己的 Pengyi Quant Research OS v0 应该怎么落地？
一句话总览
我现在对 HKUDS Quant 系列的判断是：
1
HKUDS Quant stack = research workflow + agent trading platform + forecasting benchmark + spatio-temporal model + RAG/graph/memory/harness support.
中文：
1
2
3
HKUDS 不是只给了一个 trading bot。
它给的是 AI-native quant research system 的若干关键模块：
让 agent 读材料、提假设、调工具、跑回测、做预测、进入平台、接受评估、沉淀记忆、输出 artifact。
如果压成一张图：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
finance papers / reports / videos / market docs
-> RAG / Graph / Memory layer
natural language quant question
-> Vibe-Trading research workflow
hypothesis / strategy / backtest
-> strategy artifact and research ledger
event / market judgment
-> FutureShow forecast ledger
agent identity / signal / paper trading / challenge
-> AI-Trader platform layer
time-series / spatio-temporal tensor
-> UrbanGPT-style numeric forecasting model
all outputs
-> Research OS / Quant OS / website / pitch / interview narrative
这就是我们要学的东西。
不是单纯会写一个策略。 而是会搭一个系统，让策略研究能够自动化、可复现、可解释、可审计、可展示。
为什么要单独总结 Quant 系列
之前我们分散看 HKUDS 时，每个项目都有自己的主题：
1
2
3
4
5
6
7
8
Vibe-Trading -> quant research workflow
AI-Trader -> agent-native trading platform
FutureShow -> forecasting benchmark
UrbanGPT -> spatio-temporal LLM forecasting
LightRAG -> knowledge memory
GraphAgent -> graph reasoning
FastAgent -> tool execution harness
MGP -> memory governance
分开看时，它们像很多 repo。
合起来看时，它们像一个操作系统。
这个系统回答的是：
1
2
3
4
5
一个 AI quant researcher 怎么工作？
一个 trading agent 怎么被评估？
一个 forecasting agent 怎么留下可验证记录？
一个 market model 怎么把结构化数值信号接进 LLM？
一个 research output 怎么变成 public credit？
这就是 Pengyi Quant Research OS 的核心问题。
核心四件套
先把四个核心项目放在一起：
| HKUDS | 项目 | 一句话定位 | 在 Quant OS 里的位置 |
|---|---|---|---|
HKUDS002 | Vibe-Trading | 把自然语言金融问题转成数据、策略、回测、报告和研究证据 | Research workflow / backtest layer |
HKUDS005 | AI-Trader | 让 agent 注册、发信号、paper trade、copy trade、比赛和被研究 | Trading platform / agent society layer |
HKUDS020 | FutureShow | 用 prediction market 事件评估 agent 的未来判断能力 | Forecast benchmark / judgment ledger |
HKUDS049 | UrbanGPT | 把时空张量编码成 LLM token 并接预测头 | Numeric forecasting / market tensor model layer |
这四个项目的关系不是互相替代。
它们是四层：
1
2
3
4
5
6
7
8
9
10
11
Vibe-Trading:
research workflow
AI-Trader:
platform and social trading environment
FutureShow:
verifiable forecast evaluation
UrbanGPT:
domain tensor -> LLM -> numeric prediction architecture
Vibe-Trading
Vibe-Trading 是最接近我们早期 Quant R&D Agent 想象的 HKUDS 项目。
它解决的问题是：
1
把一个自然语言金融问题，变成可运行、可回测、可记录、可复盘的研究流程。
它不是普通聊天机器人。
它更像：
1
agentic finance research workspace
它的核心链路可以写成：
1
2
3
4
5
6
7
8
9
10
question
-> research goal
-> hypothesis
-> market data loading
-> strategy / signal code
-> backtest config
-> backtest execution
-> run card
-> evidence ledger
-> next research step
这正好对应我们之前提出的：
1
2
3
4
5
6
7
R&D Agent for Quant Research
= 自动提出因子假设
+ 自动实现
+ 自动回测
+ 自动诊断偏差
+ 自动生成下一轮研究计划
+ 人类 PM 审核
Vibe-Trading 的关键组件
我们之前看过的关键点包括：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
CLI / TUI
FastAPI backend
Web UI
MCP server
finance skills
data loaders
backtest runner
multiple backtest engines
research autopilot
hypothesis registry
goal and evidence ledger
alpha zoo
swarm teams
shadow account
live trading boundary
最关键的不是某个工具。
最关键的是它已经把 quant research 的对象拆成了系统对象：
1
2
3
4
5
6
7
hypothesis
backtest_config
signal_engine
run_card
metrics
evidence
artifact
这对我们非常重要。
因为一个真正的 Quant OS 不能只有 notebook。
Notebook 可以做探索。 但 OS 需要把探索变成可追踪对象。
Vibe-Trading 给我们的最大启发
第一，quant agent 必须有 workflow contract。
1
2
3
4
5
输入是什么？
输出是什么？
中间 artifact 是什么？
失败怎么记录？
下一轮怎么生成？
第二，数据源必须被抽象。
Vibe-Trading 里的 data loader / fallback chain 给了一个实用模式：
1
2
3
4
public source
-> fallback source
-> local cache
-> private loader
我们以后接 WorldQuant 脱敏样本、公开行情、FICC 公开资料、研报摘要、宏观数据时，都应该走类似的 DataAccess 层。
第三，alpha / factor 必须有 metadata。
一个因子不能只是函数。
它应该有：
1
2
3
4
5
6
7
8
9
10
11
12
factor_id
description
universe
frequency
lookback
inputs
neutralization
expected behavior
risk notes
implementation path
test result
owner / source
这就是以后 Pengyi Quant Research OS 的 factor registry。
Vibe-Trading 不应该被误读
它不是让我们第一阶段去做真实下单。
第一阶段应该是：
1
2
3
4
5
research-only
public-safe
backtest-first
human-reviewed
no autonomous real-money execution
这条边界必须清楚。
做 quant 系统时，最容易犯的错误就是过早碰 live trading。
我们的第一阶段目标不是赚钱展示。
第一阶段目标是展示：
1
2
3
4
5
6
research engineering ability
factor thinking
data discipline
evaluation discipline
agent workflow design
public artifact production
AI-Trader
AI-Trader 和 Vibe-Trading 很容易混在一起。
但两者关注点不一样。
1
2
3
4
5
Vibe-Trading:
how to do agentic quant research
AI-Trader:
where trading agents live, signal, compete, interact, and get studied
AI-Trader 更像：
1
agent-native live trading platform layer
它的核心命题是：
1
人类有交易平台，agent 也需要自己的交易平台。
这个想法非常关键。
因为当 agent 数量变多后，问题不再只是“单个 agent 会不会生成策略”。
问题变成：
1
2
3
4
5
6
7
agent 如何拥有身份？
agent 如何发布观点？
agent 如何记录操作？
agent 如何和其他 agent 互动？
agent 如何被排名？
agent 如何被复制跟随？
agent 的行为如何导出给研究者分析？
AI-Trader 的关键对象
AI-Trader 把 agent 的表达拆成几类：
1
2
3
4
5
6
7
8
9
10
11
12
strategy signal
discussion signal
realtime operation
position
order
portfolio
leaderboard
follow relation
copy trading relation
challenge
experiment
research export
这说明它不是单纯策略生成器。
它是一个 agent trading society。
AI-Trader 对 Quant OS 的启发
对我们的系统来说，AI-Trader 提醒我们：
1
2
Quant OS 不能只停在文件夹和脚本。
它最终应该有平台层。
平台层至少包括：
1
2
3
4
5
6
7
8
9
agent identity
strategy publication
paper portfolio
experiment board
leaderboard
risk dashboard
discussion thread
human review
research export
这对 public credit 很关键。
因为外部世界不容易理解一个本地 notebook。
但外部世界可以理解：
1
2
3
4
5
6
一个 agent dashboard
一个 strategy card
一个 backtest report
一个 leaderboard
一个 forecast ledger
一个 research export
AI-Trader 和真实交易边界
AI-Trader 的启发很强，但边界也要清楚：
1
2
3
4
paper trading != live trading
copy trading can amplify bad signals
agent ranking can create perverse incentives
real-money broker integration has security and legal risk
所以我们的第一阶段只做：
1
2
3
4
5
6
paper portfolio
simulated order
public-safe dataset
human PM approval
risk limit
research export
这才是合理路线。
FutureShow
FutureShow 是 HKUDS quant 系列里最容易被低估的项目。
它不是传统交易系统。
它解决的是一个更底层的问题：
1
如何评估 agent 对未来事件的判断能力？
这个问题对 quant 非常重要。
因为 quant 本质上是在做带约束的未来判断：
1
2
3
4
5
6
未来收益
未来波动
未来风险
未来事件概率
未来 regime
未来资金流
FutureShow 用 prediction market 把判断能力变成可记录对象。
核心链路：
1
2
3
4
5
6
7
8
Polymarket event
-> agent reads market context
-> agent outputs YES / NO / ABSTAIN
-> store timestamped forecast
-> compare with market consensus
-> wait outcome
-> evaluate accuracy / prediction value
-> dashboard
Forecast Ledger
FutureShow 最重要的工程思想是 forecast ledger。
每次预测都应该留下：
1
2
3
4
5
6
7
8
9
10
11
timestamp
event_id
question
market_probability
agent_prediction
agent_confidence
reasoning
evidence
model_version
outcome
score
这比普通 prompt 预测严肃得多。
因为它能回答：
1
2
3
4
5
你当时到底预测了什么？
你当时看到的市场共识是什么？
你是领先市场，还是跟随市场？
你的预测有没有实际信息增量？
结果出来后怎么复盘？
Prediction Market 的意义
Prediction market 的价格可以理解成 crowd consensus。
这给 agent evaluation 提供了一个强 baseline。
普通 benchmark 是：
1
agent vs static label
FutureShow 更接近：
1
agent vs market-implied probability
这对 quant 很关键。
因为交易策略不是和 0 比。
交易策略要和：
1
2
3
4
5
6
market consensus
benchmark
risk model
transaction cost
alternative strategy
capacity constraint
比较。
FutureShow 对 Quant OS 的启发
我们自己的 Quant OS 需要一个 JudgmentLedger。
它不只记录回测结果，也记录研究判断。
例如：
1
2
3
4
5
6
7
8
9
10
11
macro_view:
next 3 months rates volatility likely higher
factor_view:
short-term reversal decay may weaken in high volatility regime
strategy_view:
trend following expected to outperform mean reversion this month
risk_view:
drawdown risk elevated due to sector crowding
每个 view 都应该有：
1
2
3
4
5
6
7
8
timestamp
evidence
confidence
market baseline
test plan
future check date
outcome
review
这就是 quant judgment 的可审计化。
UrbanGPT
UrbanGPT 表面是 Urban / Spatio-temporal AI。
但它对 Quant OS 的意义很大。
因为它回答了一个很关键的问题：
1
如何把结构化时空张量接入 LLM？
金融市场不是纯文本。
金融市场有大量结构化信号：
1
2
3
4
5
6
7
8
price tensor
volume tensor
order flow tensor
factor tensor
risk exposure tensor
cross-asset relation
calendar event
sector / industry / macro context
如果只让 LLM 读文字，它永远停在解释层。
如果能把 market tensor 编码成 token representation，再接 LLM 和 prediction head，就进入更严肃的建模层。
UrbanGPT 的核心结构
我们之前把 UrbanGPT 理解成：
1
2
3
4
5
6
7
8
spatio-temporal data
-> ST encoder
-> ST projector
-> special tokens
-> LLM
-> forecasting token hidden state
-> numeric prediction head
-> MAE / RMSE / MAPE / F1 evaluation
它不是简单 prompt：
1
请预测明天交通流量
而是把真实数值数据编码进模型。
这点对 quant 很关键。
QuantGPT 映射
UrbanGPT 可以迁移成一个 QuantGPT 原型：
1
2
3
4
5
6
7
8
market / factor tensor
-> market encoder
-> market projector
-> market special tokens
-> LLM
-> forecasting / alpha token hidden state
-> numeric head
-> backtest evaluator
对应关系：
| UrbanGPT | Quant OS |
|---|---|
| region | asset / sector / market |
| time interval | bar interval / trading session / earnings calendar |
| traffic flow | return / volume / volatility / factor exposure |
| POI context | sector / macro / event / news context |
| ST encoder | market encoder |
| forecasting token | alpha / risk / forecast token |
| prediction head | return / risk / regime / rank head |
UrbanGPT 的边界
UrbanGPT 不是直接 alpha。
迁移到 finance 时必须增加：
1
2
3
4
5
6
7
8
9
10
walk-forward validation
point-in-time data
survivorship bias control
transaction cost
turnover
capacity
market impact
risk exposure
benchmark comparison
out-of-sample check
否则 numeric prediction accuracy 不等于 strategy profitability。
这一点必须写在系统设计里。
四者横向对比
把四个核心项目横向放在一起：
| 维度 | Vibe-Trading | AI-Trader | FutureShow | UrbanGPT |
|---|---|---|---|---|
| 核心问题 | 怎么做 quant research | agent 在哪里交易和互动 | 怎么评估未来判断 | 怎么把时空张量接进 LLM |
| 输入 | finance question / market data / hypothesis | agent signal / operation / portfolio | prediction market event | ST tensor / instruction |
| 输出 | strategy code / backtest / run card | signal / paper position / leaderboard / export | timestamped forecast / score | numeric prediction |
| 关键对象 | hypothesis / config / run card | identity / signal / copy / challenge | forecast ledger / market baseline | ST token / forecast token / prediction head |
| 最像什么 | research workflow OS | trading agent platform | judgment benchmark | domain foundation model |
| 对 Quant OS 位置 | strategy research layer | platform layer | evaluation layer | model layer |
| 第一阶段可复刻性 | 高 | 中 | 高 | 中到高 |
| 最大风险 | backtest bias | live trading / incentive risk | event selection bias | data leakage / finance 迁移过度 |
我的判断：
1
2
3
先做 Vibe-Trading + FutureShow 风格的小闭环。
再接 AI-Trader 风格的平台展示。
UrbanGPT 风格模型层可以作为第二阶段研究原型。
HKUDS Quant Stack 的支撑层
四个核心项目之外，HKUDS 还有很多支撑模块。
这些模块决定 Quant OS 能不能真正跑起来。
RAG / Knowledge Layer
相关项目：
1
2
3
4
LightRAG
RAG-Anything
MiniRAG
VideoRAG
在 Quant OS 中，它们负责：
1
2
3
4
5
6
7
8
9
financial reports
strategy papers
public filings
macro notes
research memos
meeting transcripts
interview videos
seminar videos
factor notes
它们不直接交易。
但它们负责让 agent 有知识底座。
对应结构：
1
2
3
4
5
6
7
8
9
10
11
RAG-Anything:
ingest PDF / table / formula / image / paper
LightRAG:
graph-based text knowledge memory
MiniRAG:
lightweight local memory
VideoRAG:
timestamped video / lecture / interview memory
对 quant 来说：
1
2
3
没有 knowledge grounding 的 quant agent 容易胡说。
没有 source citation 的 quant report 很难被 PM 信任。
没有 memory 的 research loop 无法复利。
Graph Layer
相关项目：
1
2
3
4
GraphAgent
OpenGraph
GraphGPT
HiGPT
它们给 Quant OS 的启发是：
1
market is a graph
金融世界不是独立时间序列。
它是：
1
2
3
4
5
6
company -> supplier -> customer
company -> sector -> theme
asset -> factor -> risk exposure
event -> asset -> impact path
analyst report -> company -> thesis
portfolio -> position -> risk cluster
Graph 系列可以进入：
1
2
3
4
5
6
asset graph
factor graph
event graph
research lineage graph
portfolio risk graph
strategy dependency graph
这对 R&D Agent 很重要。
因为很多策略失败不是单点参数问题，而是关系理解问题。
例如：
1
2
3
4
5
factor crowding
sector exposure
liquidity cluster
macro beta leakage
supplier/customer chain event propagation
这些都需要 graph reasoning。
Recommendation / Ranking Layer
相关项目：
1
2
3
4
RecLM
XRec
AutoCF
KGRec
推荐系统表面看起来离 quant 有距离。
但它们其实回答的是：
1
如何从稀疏行为、用户偏好、图关系和语义表示里做排序决策？
Quant 里也有排序：
1
2
3
4
5
6
7
stock ranking
factor ranking
strategy ranking
paper ranking
research idea ranking
risk alert ranking
portfolio candidate ranking
推荐系统的思想可以迁移到：
1
2
3
4
5
6
PM preference modeling
factor profile
strategy profile
research idea recommendation
analyst note retrieval ranking
asset candidate ranking
尤其是 XRec 的 explainable recommendation，对 quant report 很有用。
因为最终我们不只是要给一个排序。
还要说明：
1
2
3
为什么这个信号值得看？
为什么这个策略应该进入下一轮？
为什么这个风险需要优先处理？
Agent Harness / Tool Layer
相关项目：
1
2
3
4
5
6
OpenHarness
AnyTool
FastAgent
AutoAgent
CLI-Anything
nanobot
这些项目给 Quant OS 的执行壳。
Quant agent 不是一个 prompt。
它需要：
1
2
3
4
5
6
7
8
9
tool registry
permission control
MCP integration
shell / file / web / API execution
state logging
task planning
step evaluation
failure recovery
human approval
对应到 quant：
1
2
3
4
5
6
7
8
9
download data
clean data
inspect schema
generate factor
run backtest
plot metrics
write report
open PR
publish artifact
这些都要通过 harness 管起来。
Memory / Governance Layer
相关项目：
1
2
3
CatchMe
SepLLM
MGP
Quant OS 的记忆不能只是聊天记录。
它应该分成：
1
2
3
4
5
6
7
8
raw event memory
research session memory
factor memory
strategy memory
backtest artifact memory
decision memory
PM review memory
policy / audit memory
CatchMe 给 personal digital footprint recorder。
SepLLM 给 long-context / KV cache / memory compression 启发。
MGP 给 memory governance protocol：
1
2
3
4
5
6
7
8
policy
adapter
audit
return mode
expire
revoke
delete
purge
这对金融系统非常关键。
因为数据权限、隐私、合规、溯源都不能靠口头管理。
Artifact / Presentation Layer
相关项目：
1
2
3
4
5
6
Paper2Slides
Litewrite
ViMax
VideoAgent
FastCode
DeepCode
Quant research 最后必须产出 artifact。
常见 artifact：
1
2
3
4
5
6
7
8
9
10
research memo
backtest report
factor card
strategy card
risk review
slide deck
demo website
code repo
PR
interview story
这也是 credit OS 的关键。
一个结果如果不能被清楚展示，就很难形成外部授信。
所以 Quant OS 不只是内部自动化系统。
它也必须是：
1
public-safe presentation system
和 LLMQuant 的关系
HKUDS 给我们的是 AI infrastructure 和 agent system 视角。
LLMQuant 给我们的是 finance domain ecosystem 视角。
对应关系：
| LLMQuant | HKUDS 对应 | 合起来的意义 |
|---|---|---|
data-mcp | Vibe-Trading data loaders / AnyTool | 数据与工具访问层 |
skills | OpenHarness / FastAgent skills | finance workflow routing |
QuantMind | LightRAG / GraphAgent / MGP | 金融知识结构化与记忆治理 |
Magents | Vibe-Trading backtest / AI-Trader paper trading | 策略执行与模拟层 |
awesome-trading-agents | HKUDS project map | ecosystem radar |
| finance docs / quant-wiki | RAG-Anything / LightRAG | domain grounding corpus |
我的理解：
1
2
LLMQuant = finance agent ecosystem and domain stack
HKUDS = AI agent infrastructure and research/product stack
我们要做的是把两者拼起来。
和 X2Strategy 的关系
X2Strategy 是另一个关键拼图。
它解决的问题是：
1
paper / idea -> structured strategy spec -> executable code -> validation -> backtest diagnosis
它更像：
1
paper-to-strategy compiler
和 HKUDS 四件套对比：
| 项目 | 位置 |
|---|---|
| X2Strategy | strategy compiler layer |
| Vibe-Trading | research workflow and backtest workspace |
| AI-Trader | agent trading platform |
| FutureShow | forecast / judgment benchmark |
| UrbanGPT | numeric forecasting model pattern |
| QuantMind | financial knowledge structuring |
| LightRAG / RAG-Anything | retrieval and grounding |
一个完整链路可以是：
1
2
3
4
5
6
7
paper / report / idea
-> RAG-Anything / QuantMind
-> X2Strategy paper2spec
-> Vibe-Trading backtest workflow
-> FutureShow-style judgment ledger
-> AI-Trader-style paper trading platform
-> Litewrite / Paper2Slides / website artifact
这就是 Pengyi Quant Research OS 的完整想象。
Pengyi Quant Research OS v0
我建议我们把自己的 v0 拆成十层。
1
2
3
4
5
6
7
8
9
10
1. EvidenceAccess
2. KnowledgeMemory
3. HypothesisRegistry
4. StrategySpecCompiler
5. ImplementationHarness
6. BacktestEvaluator
7. ForecastLedger
8. RiskAndBiasDiagnosis
9. HumanPMReview
10. ArtifactPublisher
每一层都有现成参照。
| Pengyi Layer | 参考项目 |
|---|---|
| EvidenceAccess | LLMQuant data-mcp, Vibe data loaders, AnyTool |
| KnowledgeMemory | QuantMind, LightRAG, RAG-Anything, MiniRAG |
| HypothesisRegistry | Vibe-Trading research autopilot |
| StrategySpecCompiler | X2Strategy |
| ImplementationHarness | OpenHarness, FastAgent, AutoAgent |
| BacktestEvaluator | Vibe-Trading, Magents |
| ForecastLedger | FutureShow |
| RiskAndBiasDiagnosis | Vibe backtest diagnosis, MLRL evaluation, quant checklist |
| HumanPMReview | AI-Trader platform, research review workflow |
| ArtifactPublisher | Litewrite, Paper2Slides, website, Cloudflare |
v0 的最小工程闭环
第一版不要做太大。
最小闭环可以是：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Input:
one public strategy idea
one public dataset
one simple universe
Process:
write hypothesis
generate strategy spec
implement signal
run backtest
diagnose bias
write next plan
generate report
Output:
factor card
backtest card
research memo
website post
建议目录：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
pengyi-quant-research-os/
data/
raw/
processed/
cache/
research/
hypotheses/
specs/
runs/
reports/
src/
data_access/
factors/
strategies/
backtest/
evaluation/
reporting/
artifacts/
factor_cards/
backtest_reports/
plots/
exports/
docs/
design.md
public_safe_boundary.md
pm_review_checklist.md
第一条 demo 可以非常朴素：
1
2
3
moving average crossover
or volatility breakout
or simple reversal factor
重点不是策略复杂。
重点是系统完整：
1
2
3
4
5
6
7
数据可追踪
假设可解释
实现可复现
回测可审计
偏差可诊断
报告可展示
下一轮可生成
v0 的数据边界
数据是 quant 最大的问题之一。
第一阶段建议：
1
2
3
4
5
public data only
no scraped private platform data
no proprietary factor leakage
no employer confidential data
no account-level sensitive data
可用数据方向：
1
2
3
4
5
6
7
public OHLCV
public macro data
public crypto data
public filings / reports
synthetic factor examples
sanitized WorldQuant-style toy examples
paper reproduction datasets
如果以后整理 WorldQuant 因子，要严格做 public-safe：
1
2
3
4
5
only toy examples
only transformed public-safe templates
no private contest data
no platform-protected content
no account-specific result leakage
这个边界比“酷”更重要。
能长期做公开项目，靠的是 discipline。
v0 的评估纪律
Quant OS 必须防止常见偏差。
基础 checklist：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
look-ahead bias
survivorship bias
data snooping
multiple testing
overfitting
transaction cost
slippage
turnover
liquidity
capacity
regime dependence
benchmark mismatch
risk exposure
calendar alignment
point-in-time availability
每个 backtest report 至少要问：
1
2
3
4
5
6
7
8
数据是否 point-in-time？
信号是否用了未来信息？
样本外表现如何？
换手率是否过高？
收益来自 beta 还是 alpha？
交易成本后是否还成立？
在哪些 regime 失效？
是否和已有 factor 高度相关？
这就是我们说的“拷打”。
不是为了否定自己。
是为了让系统结果更可信。
Quant Agent 的角色拆分
一个完整 Quant OS 里，agent 不应该只有一个。
可以拆成：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
ResearcherAgent:
propose hypotheses
DataAgent:
fetch and validate data
ImplementerAgent:
write factor / strategy code
BacktestAgent:
run simulation and metrics
BiasDoctorAgent:
diagnose leakage / overfit / cost / regime risk
PMReviewAgent:
challenge assumptions and decide next round
ReportAgent:
generate factor card / memo / website post
这和 Jump Trading / quant team 里的 research 与 develop 分工有相似性。
也和我们之前说的 RD 很契合：
1
2
3
4
5
Research:
what hypothesis is worth testing?
Develop:
can it be implemented, tested, diagnosed, deployed as a reliable artifact?
对外展示怎么做
Quant 项目最容易做成“我本地跑过一个 notebook”。
这不够。
对外展示需要：
1
2
3
4
5
6
7
8
9
10
README
architecture diagram
public-safe demo
factor card
backtest report
limitations
reproducible command
website article
small demo video
interview talking points
一个 strategy card 可以包括：
1
2
3
4
5
6
7
8
9
10
11
12
strategy_id
idea
economic intuition
data source
universe
signal definition
portfolio construction
backtest period
metrics
risk analysis
known failure modes
next experiments
这就是 credit OS。
不是只做事情。
还要让事情可验证、可理解、可传播。
面试可用表达
如果被问：
1
你怎么看 AI + Quant Research？
可以这样答：
1
2
3
4
5
6
7
8
9
10
11
12
我不把 AI quant 理解成一个聊天机器人直接给交易信号。
我更倾向于把它设计成 Quant Research OS。
这个 OS 需要把金融材料、市场数据、研究假设、策略 spec、代码实现、回测评估、偏差诊断、forecast ledger、人类 PM review 和报告产出串成闭环。
我研究过 HKUDS 里的 Vibe-Trading、AI-Trader、FutureShow 和 UrbanGPT。
Vibe-Trading 给了 research workflow 和 backtest layer。
AI-Trader 给了 agent-native trading platform 和 paper trading society。
FutureShow 给了 timestamped forecast ledger 和 prediction market baseline。
UrbanGPT 给了 structured time-series tensor 接入 LLM 并用 prediction head 做数值预测的架构。
我想做的是把这些思想和 LLMQuant / QuantMind / X2Strategy 结合起来，做一个 public-safe 的 Quant Research OS 原型。
这段可以直接用于 AI / Quant / Research Engineer / RA 面试。
不能吹过头的地方
我们要保持清醒。
不能把下面这些说成已经完成：
1
2
3
4
5
real-money trading system
production-grade alpha engine
institutional data pipeline
guaranteed profitable strategy
fully autonomous trading agent
我们现在更准确的定位是：
1
2
3
4
AI-native quant research workflow designer
research engineering learner
public-safe quant system builder
agent harness + finance workflow integrator
这已经足够强。
关键是别把边界说坏。
当前最值得做的 demo
我建议 Quant OS v0 的第一版 demo 这样做：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Demo name:
Pengyi Quant Research OS v0
Question:
Can a simple public market signal be turned into a reproducible research object?
Input:
public OHLCV data
one simple hypothesis
Workflow:
hypothesis -> strategy spec -> implementation -> backtest -> diagnosis -> report -> next plan
Output:
local repo
README
factor card
backtest report
website write-up
可以先做三条 baseline：
1
2
3
moving average trend
short-term reversal
volatility breakout
每条都严格记录：
1
2
3
4
5
what was tested
what data was used
what assumptions were made
what failed
what next
这比一上来做复杂模型更好。
因为它能展示系统能力。
对 HKUDS 后续路线的影响
由于 HKUDS052 被我们用来做 Quant 系列专题总结，后面的 Urban / ST 单仓继续顺延：
1
2
3
HKUDS053 -> OpenCity
HKUDS054 -> EasyST
HKUDS055 -> AutoST
这样路线更清晰：
1
2
3
HKUDS051 -> RAG summary
HKUDS052 -> Quant summary
HKUDS053+ -> Urban / ST forecasting continuation
也就是：
1
2
先把已做主线收束成专题总结。
再继续开新单仓。
当前结论
HKUDS Quant 系列给我们的不是一个单点项目，而是一组系统启发：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Vibe-Trading:
quant research workflow and backtest layer
AI-Trader:
agent-native trading platform and paper trading society
FutureShow:
timestamped forecast ledger and market baseline evaluation
UrbanGPT:
structured time-series tensor -> LLM -> numeric prediction head
RAG / Graph / Harness / Memory:
knowledge, relation, execution, governance, and artifact layers
所以我们的下一步不是空喊“AI quant”。
下一步应该是做一个小而完整的：
1
Pengyi Quant Research OS v0
第一阶段目标：
1
2
3
4
5
public-safe
research-only
reproducible
artifact-rich
human-reviewed
这条线很清楚。
它能同时服务：
1
2
3
4
5
quant job interview
AI research role
RA / PhD application
open-source project
personal credit OS
这就是 HKUDS052 的核心结论。
This post is licensed under CC BY 4.0 by the author.