research 因子挖掘 · 回测框架 · 组合优化 agents LLM 多智能体投研工作流 infra 数据管道 · 自部署 · 可视化 ▲ disciplines over predictions

我在做什么

从大数据与机器学习工程起步，近几年的主线是把 LLM 与传统量化方法嫁接到 A 股投研流程里： 用 Qlib 跑因子与模型研究，用强化学习探索择时与仓位，用多智能体（TradingAgents 风格）做盘后复盘与观点对抗； 同时给自己搭了一整套自部署的投研基础设施——行情数据管道、ETF 全景热力图、筛选器与回测流水线。 这个博客会沉淀这些实践中的笔记与思考。

FAVORITE A 股 ETF 热力图
Canvas 树图实时呈现沪深全部场内 ETF 的涨跌与资金分布，悬停穿透到重仓成分股。数据管道 + 前端可视化的完整自部署实践。
Next.js · TypeScript · Canvas 2D · Docker · Cloudflare Tunnel
RESEARCH Qlib 量化研究
基于微软 Qlib 搭建 A 股因子挖掘与模型训练流水线：Alpha158/360 起步，LightGBM/Transformer 对照，滚动回测检验。
Python · Qlib · LightGBM · PyTorch
RESEARCH RL × LLM 择时
强化学习做仓位与择时决策，LLM 负责事件解读与特征语义化，探索两者在非平稳市场里的互补边界。
Python · Gymnasium · RL · LLM
EXPERIMENT TradingAgents 多智能体复盘
多角色 Agent（基本面 / 技术面 / 风控 / 交易员）对同一标的做结构化辩论与结论聚合，验证 LLM 观点的稳定性与偏差。
Python · LLM Agents · A 股数据
TOOLING 选股与筛选工具链
股票 / ETF 筛选器与自动化数据源，把「每天手工看盘」变成「每天定时产出结构化结论」。
Python · DuckDB · 定时任务
INFRA 投研基础设施
行情快照管道、自部署与内网穿透、监控与健康检查——让每一个研究想法都能低成本跑起来。
Docker Compose · nginx · Cloudflare · GitHub Actions

技术偏好

Python量化研究主力
TypeScript数据可视化与 Web
Qlib因子与模型框架
LLM Agents投研工作流编排
RL择时与仓位探索
DuckDB / 大数据本地优先的数据栈
Docker一切服务容器化
Canvas / D3行情可视化

一路走来

早期
大数据与机器学习工程 —— 企业级数据平台、离线计算与模型服务化，练下了数据管道与工程化功底。
并行支线
VR & AR / 虚拟战场环境生成 —— 三维仿真与实时渲染，对「把复杂系统画出来」这件事上了瘾。
现在
AI 驱动的 A 股量化投研 —— 自建数据与回测设施，Qlib 做研究、RL 做决策、LLM 做解读，长期主义地迭代。

投研观

模型与 Agent 产出的只是假设，回测与风控才把它变成可执行的判断； 与其预测明天涨跌，不如持续打磨数据质量、验证流程与纪律——这三样才是策略生命周期里真正可复利的资产。

找到我

GitHub · ten2net ← 返回博客首页
Back to Home