LLMQUANT006: finance knowledge layer 作为金融知识底座
这是 PENGYI_LLMQUANT_STUDYMAP 的第七篇。
1
LLMQUANT006 -> docs + llmquant-book + quant-wiki.git
前面几篇已经把 LLMQuant 的几个系统层拆开了：
1
2
3
4
5
LLMQUANT001 = data-mcp as evidence access layer
LLMQUANT002 = skills as finance workflow routing layer
LLMQUANT003 = quant-mind as financial knowledge structuring layer
LLMQUANT004 = Magents as strategy execution and simulation layer
LLMQUANT005 = awesome-trading-agents as ecosystem radar
这一篇看的是更底层、更长期的东西：
1
finance knowledge layer = domain knowledge foundation for AI-native quant research
如果说 data-mcp 解决的是“agent 去哪里拿数据”，skills 解决的是“金融任务怎么执行”，quant-mind 解决的是“论文、新闻、报告怎么变成结构化知识”，那么 docs、llmquant-book、quant-wiki.git 解决的是：
1
2
3
agent 和 human researcher 到底懂不懂金融语境？
概念、工作流、术语、案例、风险、行业实践有没有被沉淀下来？
每一次研究能不能站在一个稳定的知识底座上，而不是每次重新解释一遍？
这就是知识层的价值。
Project snapshot
我本地看的三个项目是：
1
2
3
LLMQUANT/docs
LLMQUANT/llmquant-book
LLMQUANT/quant-wiki.git
它们不是同一种资产。
| Asset | Local form | Main role | Scale I observed |
|---|---|---|---|
docs | Mintlify MDX docs | Finance Context, workflow encyclopedia, bilingual AI finance context | 230 MDX pages |
llmquant-book | Markdown book + notebooks | AI + Quant textbook and learning path | 12 Markdown files, 2 notebooks |
quant-wiki.git | bare Git mirror | Chinese quant wiki and long-term concept base | 754 files |
docs 也就是 Finance Context。它是一个开源金融知识与 AI 工作流百科，目标不是单纯解释名词，而是把 Wall Street 工作流、Finance 101、AI plugin / skill 使用方式放在一起。
llmquant-book 是一本线性教材，标题是《一本书读懂：人工智能时代的量化交易》。它更像学习路线，从 AI 在量化金融的趋势讲到数据、情绪分析、机器学习、实战不顺、极端事件、LLM agents。
quant-wiki.git 是 Quant Wiki 的 bare repo 镜像。它更像长期可检索的中文量化百科，覆盖基础金融、概率统计、量化概念、AI、论文、资源和进阶主题。
我的一句话总结是：
1
2
3
Finance Context = workflow encyclopedia
llmquant-book = curriculum
Quant Wiki = searchable knowledge base
Finance Context
Finance Context 的核心不是“文档站”，而是“金融工作流上下文”。
我本地统计到：
| Metric | Count |
|---|---|
| total MDX pages | 230 |
| English pages | 115 |
| Chinese pages | 115 |
| command pages | 96 |
| skill pages | 110 |
它的结构非常规整：英文和中文页面数量完全对称，说明它不是随便堆内容，而是有意识地做 bilingual finance context。
核心模块包括：
| Module | What it covers |
|---|---|
| Financial Analysis | DCF, comps, LBO, three-statement model, competitive analysis |
| Equity Research | earnings review, initiating coverage, idea generation, catalyst tracking |
| Investment Banking | CIM, merger model, buyer list, pitch deck, deal tracking |
| Private Equity | deal screening, due diligence, IC memo, returns analysis, value creation |
| Wealth Management | client review, financial planning, rebalancing, tax-loss harvesting |
| LSEG Partner | bond RV, FX carry, swap curve, option volatility, macro rates |
| S&P Global Partner | tear sheets, funding digest, earnings preview |
这里最关键的是 command 和 skill 的区别。
1
2
command = quick invocation
skill = detailed procedure and educational workflow
比如 DCF skill 不是只告诉你“DCF 是贴现现金流”，它会继续落到：
1
2
3
4
5
6
7
8
9
10
revenue projection
free cash flow schedule
WACC
terminal value
sensitivity analysis
Excel formulas
source comments
validation checklist
common mistakes
how to add to local context
这对 Research OS 很重要。
因为一个真实的 R&D Agent 不应该只输出：
1
I think this stock is undervalued.
它应该能输出：
1
2
3
4
5
6
7
8
valuation method
input assumptions
formula lineage
source comments
risk checklist
scenario table
next research task
human PM review points
Finance Context 正好把这些专业工作流写成了可复用上下文。
llmquant-book
llmquant-book 的角色不同。
它不是工具层，也不是工作流索引，而是课程层。
README 里给出的主线是：
1
2
3
4
5
6
7
AI in quantitative finance
data as the blood of quant trading + AI
sentiment analysis as factor
machine learning in quant trading
why quant practice often fails
robustness under extreme events
LLM agents in quant finance
这对我很有启发，因为它不是只讲 agent，也不是只讲 backtest，而是把 AI + Quant 放在一条学习曲线上：
1
2
3
4
5
6
7
8
9
data
feature
sentiment / event
model
backtest
risk
robustness
agent
deployment imagination
第二章的重点是数据：结构化数据、非结构化数据、另类数据、多模态数据融合。
第七章的重点是 LLM agents：单智能体、多智能体、工具调用、记忆、规划、风险、伦理、系统性金融风险、因果推理、多智能体协同。
这正好和我们要做的 R&D Agent 对上：
1
2
3
4
5
6
7
8
9
research idea
-> data source
-> feature engineering
-> hypothesis
-> implementation
-> backtest
-> robustness
-> PM review
-> next iteration
llmquant-book 的价值不在于“可以直接拿来跑”，而在于它给 Research OS 提供了学习路线和概念顺序。
我会把它放在：
1
Pengyi Quant Research OS / onboarding curriculum
也就是每一个子系统都应该能回答：
1
2
3
这个模块对应书里哪一章？
它解决的是数据、特征、模型、回测、风控、agent 还是部署问题？
它的失败模式在书里有没有被讲到？
Quant Wiki
quant-wiki.git 是一个 bare Git repo，不是普通 working tree。
这意味着本地不能直接像普通项目一样编辑文件夹，但可以用 Git plumbing 读取内容：
1
2
git --git-dir=quant-wiki.git show HEAD:README.md
git --git-dir=quant-wiki.git ls-tree -r HEAD
我观察到的规模是：
| Metric | Count |
|---|---|
| total files | 754 |
| Markdown files | 130 |
| PNG assets | 218 |
| Python files | 60 |
| YAML files | 7 |
主目录包括：
1
2
3
4
5
6
7
8
9
10
advanced
ai
basic
industry
job
library
llmquant_resources
paper
repo
start
这说明 Quant Wiki 的定位比 Finance Context 更宽。
它覆盖：
1
2
3
4
5
6
7
8
basic finance concepts
probability and statistics
quant concepts
AI for quant
paper tracking
library resources
career and job materials
advanced research topics
README 里讲得很清楚：
1
2
We are committed to the open-sourcing and localization of quantitative knowledge,
aiming to bridge the information gap between the domestic and international quantitative finance industries.
我对 Quant Wiki 的理解是：
1
Quant Wiki = Chinese quant knowledge memory
它的价值不是某一个页面，而是长期可维护、可检索、可贡献的知识底座。
对 Research OS 来说，它可以变成：
1
2
3
4
5
6
glossary source
concept retrieval source
paper pointer source
basic finance / probability grounding source
RAG corpus
PM review reference
Three forms of knowledge
这三个项目给我的最大启发是：金融知识不是一种形态，而是至少三种形态。
| Form | Project | Best use |
|---|---|---|
| Workflow knowledge | Finance Context | Tell an agent how to perform a real finance task |
| Curriculum knowledge | llmquant-book | Teach a human or agent the ordered learning path |
| Reference knowledge | Quant Wiki | Provide searchable concepts, terms, papers, and background |
如果只做 workflow，没有 curriculum，系统会变成能做任务但不懂大图。
如果只做 curriculum，没有 workflow，系统会变成懂理论但落不到具体动作。
如果只做 reference，没有结构化调用，系统会变成百科堆料，不能进入研究闭环。
所以它们要合起来看：
1
2
3
4
5
6
7
8
Quant Wiki gives concepts.
llmquant-book gives learning path.
Finance Context gives professional workflows.
QuantMind structures external documents.
data-mcp retrieves evidence.
skills routes tasks.
Magents simulates strategies.
awesome-trading-agents tells us who else is building.
这才像一个真正的 AI-native Quant Research OS。
Into Pengyi Research OS
我会把 LLMQUANT006 抽象成一个模块：
1
Pengyi Finance Knowledge Layer
它的目标不是“收藏资料”，而是让资料可以进入系统。
最小 schema 可以是：
1
2
3
4
5
6
7
8
9
10
11
KnowledgeSource:
source: finance-context | llmquant-book | quant-wiki
path: string
language: en | zh
domain: equity_research | financial_analysis | quant | ai | risk | macro | other
artifact_type: command | skill | chapter | wiki_page | paper_note
summary: string
key_terms: string[]
workflow_steps: string[]
research_use: string
license: string
进入系统后的用途是：
1
2
3
4
5
6
7
8
factor hypothesis grounding
workflow template retrieval
domain term disambiguation
PM review checklist generation
backtest report explanation
paper-to-strategy bridge
public-safe blog writing
RA / PhD research narrative support
一个具体例子：
1
2
3
4
5
6
7
8
9
10
user asks: generate equity long-short idea from AI infrastructure theme
Research OS should retrieve:
Finance Context -> idea generation skill
Finance Context -> DCF or comp model skill
llmquant-book -> structured / unstructured / alternative data chapter
Quant Wiki -> valuation, factor model, market efficiency, risk concepts
QuantMind -> recent papers / reports / news converted to structured knowledge
data-mcp -> market and fundamental evidence
Magents -> backtest or simulation
这才是“知识进入生产力”。
PR opportunities
这三个项目也有一些可以贡献的方向。
| Project | Possible contribution |
|---|---|
| Finance Context | add missing examples, improve bilingual consistency, add China-market cases, refine command / skill cross-links |
| llmquant-book | fix README URL inconsistency if confirmed, improve chapter navigation, add notebooks tied to chapters |
| Quant Wiki | add concept cards, improve topic taxonomy, add ingestion-friendly metadata, build RAG export script |
我观察到一个小细节：llmquant-book README 里出现了两个在线阅读地址写法，分别是 https://llmquant.github.io/llmquant-book/ 和 https://llmquant.github.io/Book/。如果上游确认其中一个是旧链接，这就是一个很小但合适的 PR 点。
另一个细节是 Finance Context README 提到 Mintlify 配置时使用了 mint.json 的说法，但本地实际配置文件是 docs.json。这也可能是文档 stale 的地方，适合后续确认后再提 issue 或 PR。
Watch points
这些资料不能无脑搬进自己的项目。
第一，license 要看清楚。Finance Context 和 Quant Wiki 都使用 CC BY-NC-SA 4.0，这意味着非商业、署名、相同方式共享等条件需要遵守。做公开学习笔记可以引用和总结，但如果未来做商业化系统，需要重新审视授权边界。
第二，知识不是实时数据。百科、教材和 workflow 文档适合做 grounding，不适合直接替代最新市场数据、法规、财报和价格。
第三，agent 需要 source discipline。金融场景里最危险的是“听起来对”。知识层必须和数据层、证据层、时间戳绑定，否则会让 agent 变得更会编故事。
第四，Quant Wiki 是 bare repo 镜像，路径中有中文文件名和 Git 转义，后续做 ingestion 时要用 Git 命令稳定读取，不要用脆弱的路径字符串处理。
My takeaway
LLMQUANT006 让我更确定一件事：
1
2
AI-native quant research 不是只堆 agent。
真正有用的 agent 背后，需要金融知识层、证据层、工作流层、实验层、诊断层和人类 PM 审核层。
Finance Context、llmquant-book、Quant Wiki 共同提供了这个知识层。
对我来说，这一层的意义非常直接：
1
2
3
4
5
让自己学得更快。
让 agent 少胡说。
让研究流程更像真实金融机构。
让公开输出更有体系。
让未来的 Quant R&D Agent 有可检索、可复用、可审计的金融知识底座。
下一篇先做第一阶段总复盘，把 GitHub 上的 LLMQuant public repos 和我们已经写过的 000-006 做 coverage matrix：
1
LLMQUANT007 -> LLMQuant ecosystem coverage matrix