面向人群: 炒过股、吃过亏的个人投资者（任一语言编程基础即可）、想把工程能力用到投资上的程序员、对多智能体落地感兴趣的开发者、想亲手体验 AI 投研工作流的金融从业者。全程模拟盘，无需证券实盘账户。
课程概述
01
一个人 vs 一支团队
机构有人盯消息、有人做研究、有人管执行、有人踩刹车，而你一个人要同时干四份工作——盯盘、读研报、写代码、做风控，精力根本不够用。
02
回测会骗人
偷看未来数据、幸存者偏差、涨停照样买进——三个"作弊开关"能让一条平庸的收益曲线完美得令人心动。识不破它们，回测越漂亮，亏得越狠。
03
信息永远读不完
公告、年报、研报、舆情 7×24 小时涌来，等你看到新闻时行情已经走完。个人投资者与机构之间，隔着一整条信息流水线。
04
纪律难以坚持
追涨杀跌、不设止损、重仓一把梭——道理都懂，就是管不住手。纪律不能靠自觉，得长在系统里、写进代码里。
核心技术栈
Backtrader 回测引擎
内置防作弊检查的策略验证流水线——从双均线、海龟法则、缠论量化到网格轮动，每一个策略都要先过这道考场才有资格谈收益。
Talib + 机器学习因子
从技术指标四件套到"上涨概率因子"，用 IC 分析 + 分层回测构成的因子成绩单给每个想法打分——判断因子成色不再靠感觉。
MCP + 多智能体编排
把数据、回测、打分能力封装成 MCP 标准工具，把情报官、分析师、交易员、风控员四个角色编排成一支有章法的 AI 团队——研究在云、交易在本地，中间只过数据。
XtQuant 模拟盘
券商级交易接口，真实行情、真实滑点、真实的未成交——零资金风险跑通从报单、回调到风控拦截的完整交易全流程。
核心价值
实战导向
九周从零搭建一套完整跑通的 AI 量化交易系统——数据、回测、策略、因子、情报、执行、风控、复盘全链路，每讲一个可运行产出，下课就能跑。
AI 团队方法论
情报官/分析师/交易员/风控员四智能体分工，AI 负责研究与执行，你任基金经理拍板——最终决策永远在人。
机制化纪律
防作弊回测、因子成绩单、训练场/考场分离三道底线内置在每一个代码骨架里——别的课教你赚快钱，我们先教你别亏聪明钱。
零风险实盘感
全程 XtQuant 模拟盘实战——真实行情、真实接口、真实的滑点和未成交，唯独资金是虚拟的，零资金风险走完全流程。
学完这门课，你能带走什么
九周之后，你带走的不只是知识，而是四样看得见、摸得着、结课后还在为你工作的东西：
01
一套完整系统
亲手搭建、在模拟盘上完整跑通的 AI 量化交易系统——数据 → 策略 → 风控 → 执行 → 复盘全链路自动化，每天 8:30 晨报准时送达你的手机。
02
一支 AI 团队
投研助手、研报生成器、舆情哨兵、交易员智能体、风控闸门、自动晨报——六个可复用的智能体资产，每一个都能独立服务于你日后的投资。
03
一身正确习惯
防作弊回测、因子成绩单、训练场/考场分离、成本意识、风控一票否决——这套内置在代码骨架里的机构级纪律，比任何单一策略都值钱。
04
一张进阶地图
因子研究方法论深化、组合优化、强化学习执行等方向的自学路线——结课不是终点，而是你量化之路的起点。
这四样资产背后，是一张实打实的能力清单：
- 掌握从数据管道、防作弊回测到绩效报告的完整策略验证技术链路——识破前视偏差、幸存者偏差与成交假设三大回测陷阱
- 亲手实现海龟法则、缠论量化、网格与轮动——趋势跟踪、均值回归、动量三大类经典策略的底层逻辑与代码落地
- 训练你的第一个机器学习因子，用 IC 分析 + 分层回测的"因子成绩单"给任何因子专业打分——从信号思维升级到概率思维
- 让 AI 读论文、自动复现策略、多轮自我进化，并用训练场/考场分离（walk-forward）保证进化产出的是真策略
- 把数据、回测、打分能力封装成 MCP 标准工具，把四个智能体角色编排成有章法的投研团队
- 用现成智能体工具搭好答案可溯源的财报知识库、五步法研报生成器与全天候舆情哨兵——把"读材料"的成本降到接近零
- 打通 XtQuant 模拟盘报单、撤单与异步回调全流程，配上经过极端场景测试的风控闸门与无人值守自动化闭环
- 全程与 AI 编程工具结对开发，沉淀一套可复用的量化开发工作流——Python 不熟也能完成全部 18 讲动手产出
详细大纲
01 筑基篇（第 1–2 周）—— 认识量化，搭好你的数字投研办公室
第 1 讲：量化世界的生存法则
为什么很多人炒股十年，一顿操作猛如虎，一看收益不如存银行？在写第一行代码之前，我们先回答一个更根本的问题：市场里的钱，到底是从哪儿来的？想清楚这个问题的人，和没想清楚就冲进场的人，走的是两条完全不同的路。
动手产出一张与你个人投资目标匹配的"AI 交易团队组织架构图"
学习目标
知识点 - 理解什么是量化交易，理解股票市场的潜在风险，建立理性投资的预期
- 理解 AI 时代量化交易的人机协作新模式与多智能体的角色定义
- 开营演示《你九周后的样子》：讲师现场打开自己正在运行的系统——今天早上 8:30 手机收到的真实晨报、驾驶舱里的持仓与风控状态。这不是效果图，是你结课那天要带走的东西；接下来九周，我们把它一块一块拼出来
- 晨报现场翻阅：市场回顾、持仓状态、今日关注、风险提示——第 17 讲你会亲手做出它
- 驾驶舱一瞥：持仓、订单、风控、盈亏的实时面板——第 18 讲的结课作品
- 预告片逻辑：先看见终点再出发——之后每讲结束，这台机器上都会多一个你亲手做的零件
- 你赚的是什么钱：趋势的钱、震荡的钱、套利的钱、高频的钱，是四种完全不同的生意，需要的能力、承担的风险截然不同——分不清自己在赚哪种钱，是多数人亏损的第一原因
- 趋势的钱：吃大波段，胜率低、盈亏比高，考验的是拿得住
- 震荡的钱：高抛低吸吃波动，胜率高、单笔小，考验的是纪律
- 套利与高频的钱：为什么这两种主要属于机构——门槛、设备与成本结构决定的赛道
- 对号入座：用这套分类给自己过往的交易归因——多数亏损来自"错把震荡的钱当趋势的钱赚"
- 全金融品种认知：股票、期货、ETF、期权各自的规则、杠杆与风险特征一次讲清，以及为什么这门课选择从股票和 ETF 切入
- 股票与 ETF：T+1、低杠杆、亏损上限清晰——个人投资者的主战场
- 期货：保证金与杠杆如何同时放大盈亏，强平机制意味着什么
- 期权：权利与义务的不对称结构，时间价值每天都在流逝
- 课程选择：股票与 ETF 规则最简单、数据最好拿、风险边界最可控——从这里切入最稳
- 人机协作新模式：一个人同时盯盘、读新闻、写代码、做风控，精力根本不够用——AI 时代的个人投资者，第一次有机会拥有"机构级"的团队分工
- 个人投资者的精力账：盯盘、读公告、写代码、做复盘，认真做一遍一天要几个小时
- 机构的答案是分工：投研、交易、风控各司其职、互相制衡
- AI 带来的变化：大模型第一次把"雇一支团队"的成本降到个人可负担
- 角色介绍：情报官（盯消息）、分析师（做研究）、交易员（管执行）、风控员（踩刹车）的职责边界与协作方式；你担任基金经理，AI 干活，你拍板——最终决策永远在人
- 情报官：盯新闻与公告，输出结构化情报，不错过、不淹没
- 分析师：做研究出观点，产出研报与因子，用数据说话
- 交易员：管执行，把信号变成订单，处理成交的全部细节
- 风控员：踩刹车，团队里唯一能对基金经理说"不"的角色
- 你任基金经理：AI 负责研究与执行，资金决策的最后一票永远在你手里
- 立好预期：量化不是印钞机。这门课的第一承诺，是先教会你"不亏聪明钱"
- 先看清游戏难度：长期跑赢市场有多难，专业机构的真实成绩单
- 量化能做什么：纪律化执行、可验证、可复盘；不能做什么：预知未来、稳定暴利
- 第一承诺：识别那些专门让聪明人亏钱的系统性陷阱——这比学会任何策略都优先
第 2 讲：金融基础知识速通
K 线是市场的语言，指标是市场的表情。这一讲用最短的时间把看盘的词汇表配齐——毕竟接下来九周，你的 AI 团队汇报"MACD 金叉、RSI 超买"的时候，你不能一脸问号。
动手产出与 AI 助手协作，整理一份属于你的"看盘术语速查卡"
学习目标
知识点 - 了解股票市场的基础知识、交易规则和典型指标
- 掌握金融行业专有名词的含义，能无障碍读懂盘面和研报
- 基础概念：一根 K 线的开、高、低、收，藏着多空博弈的完整故事；成交量是资金留下的脚印；市值、PE、PB 怎么读——同样是 20 倍 PE，为什么银行股和芯片股完全是两回事
- K 线解剖：开高低收四个价位、实体与影线的多空含义，单根与组合各能读出什么
- 成交量：量价配合与量价背离——资金进出留下的脚印怎么辨认
- 估值三件套：市值、PE、PB 的定义与口径（静态 / 动态 / 滚动）
- 行业语境：同样 20 倍 PE，银行股与芯片股完全两回事——估值必须放进行业里读
- 技术指标四件套：MA 看趋势方向、MACD 看趋势强弱、RSI 看超买超卖、ATR 看波动大小——每个指标回答一个不同的问题，没有万能指标
- MA 均线：趋势方向的基准线，长短周期各自代表谁的成本
- MACD：快慢线与柱体，趋势强弱与拐点的信号读法
- RSI：超买超卖的量化表达，以及强趋势里它为什么会"钝化"失灵
- ATR：波动大小的尺子——它不判断方向，却决定你该买多少（第 7 讲海龟仓位管理在此埋下伏笔）
- 指标分类学：趋势指标、震荡指标、成交量指标三大门派，各自的适用场景与失效场景——用错场景的指标，比不用还危险
- 三大门派点名：趋势类（MA/MACD）、震荡类（RSI/KDJ）、量能类各自回答什么问题
- 适用与失效：趋势指标死在震荡市、震荡指标死在单边市——先判断行情类型，再选指标
- 组合原则：跨门派互相验证有增益，同门派堆叠只是自我重复
- A 股交易规则：T+1 到底限制了什么、涨跌停如何扭曲流动性、集合竞价里藏着什么信息——这些 A 股特色规则，后面写策略时每一条都会真实地踩到
- T+1：当日买入不能当日卖出——对止损时效与日内策略的真实约束
- 涨跌停：±10% / ±20% 的板制度如何扭曲流动性——涨停买不进、跌停卖不出（第 5 讲会亲眼看到无视这条规则的回测有多"美"）
- 集合竞价：9:15–9:25 的价格形成机制，开盘价里藏着的多空信息
- 收尾对照《同一段晨报》：开场先放一段真实的券商晨会纪要——满屏黑话，你一脸问号；下课前再放同一段——这一次，每个词你都认识。这门课会给你十七次这种解锁感，今天是第一次
- 开场埋点：真实券商晨会纪要一段，"金叉""超买""量能背离"密度拉满——先数一数自己有几个问号
- 下课重放：同一段逐句过——刚配齐的词汇表，现场验收
第 3 讲：打造数字化的投资办公室
工欲善其事，必先利其器。这一讲结束时，你的电脑会从一台"刷网页的机器"，变成一间麻雀虽小、五脏俱全的数字化投研办公室——而且当天就能拉到真实的市场行情。
动手产出当天拉取第一份真实 K 线数据，并亲手把它画出来
学习目标
知识点 - 完成课程所需的全部软件配置，搭好后续九周的开发环境
- 接通股票市场的数据源，拿到属于自己的"数据钥匙"
- AI 编程工具上岗：Cursor / Trae / Lingma 的正确打开方式——你负责把需求说清楚，AI 负责写代码；本课全程用这个姿势开发，不熟 Python 也能跟上
- 工具选型与安装：三款任选其一上岗，完成基础配置
- 人机分工循环：需求描述 → AI 生成 → 运行报错回喂 → 迭代收敛
- 提需求的姿势：把"帮我写个策略"升级成"输入是什么、输出是什么、边界条件是什么"
- 第一次结对编程：现场让 AI 写一段能跑的行情小脚本，体验这门课的开发节奏
- 环境部署一次到位：Anaconda 管环境、VSCode 当主战场、Git 存进度，配齐量化开发的 Python 依赖库，并把常见的安装坑一次排掉
- Anaconda：虚拟环境隔离，一门课一个环境，从此不怕依赖打架
- VSCode + Git：编辑调试主战场，代码进度随时可回退
- 依赖库一次配齐：pandas / numpy / matplotlib / Backtrader / Talib
- 排坑环节：Talib 安装、镜像源加速等 Windows 常见坑当场排掉
- 数据接入：注册并接通 Tushare / Baostock，理解接口调用、积分规则与频率限制——搞懂"数据从哪来、怎么拿、拿多少"
- 数据源版图：行情数据从哪来，免费与付费的边界在哪
- Tushare 上手：注册、token 配置、积分规则与调用频率限制
- 第一次调用：拉取一只股票的日线数据，逐个看懂返回字段
- 多源互备：Baostock / AkShare 做备份数据源，接口故障或积分门槛都不影响学习
- 实盘预告：认识 QMT / XtQuant 交易体系的全貌；本课程全程使用模拟盘，零资金风险走完从数据到交易的全流程
- QMT / XtQuant 是什么：券商级交易终端与它的 Python 接口体系
- 全景地图：从数据到策略到下单的完整链路，今天搭的环境在哪个位置
- 模拟盘路线：第 15 讲正式对接，全程零资金风险
第 4 讲：数据的获取与清洗
量化圈有句老话：垃圾进，垃圾出。策略再聪明，喂给它的数据是脏的，回测结果就是自欺欺人。这一讲我们把地基打牢——这也是绝大多数教程一笔带过、而实战中最先翻车的地方。
动手产出一个本地行情数据库 + 一份数据质检小报告
学习目标
知识点 - 学会批量获取股票市场的历史数据
- 掌握数据清洗的完整方法，建立一个干净可靠的本地行情库
- 数据获取工程化：用 Tushare API 批量下载全市场历史 K 线，优雅处理接口限流、断点续传与增量更新
- 批量下载流水线：股票列表 → 逐只拉取 → 本地落盘的框架设计
- 限流应对：调用频率控制、失败重试与退避等待
- 断点续传与增量更新：中断了从哪续上，每天收盘后如何只补当天
- 清洗实战三大坑：停牌留下的数据空洞怎么补；除权除息为什么必须复权——不复权的回测从头错到尾；缺失值怎么填才不会引入新的偏差
- 停牌空洞：停牌日的处理选择，以及它对指标计算的连锁影响
- 复权详解：除权除息如何造成价格断崖，前复权与后复权的区别、回测该用哪种
- 缺失值哲学：不同填充方法的取舍——填错方向，等于悄悄把未来信息漏给了策略
- 建立本地行情库：CSV、HDF5、Parquet 怎么选，如何组织目录结构，让后续九周的每一次数据读取都又快又稳
- 存储格式对比：CSV 可读、HDF5 快、Parquet 省——按数据量级与用途选型
- 目录组织：按标的与日期的结构设计，统一的读取封装
- 数据质检：覆盖率、缺失统计、异常值扫描——给行情库出一份"体检单"
- 封装成团队资产：把整套清洗流程打包成第一个可复用的数据工具——从此你的 AI 团队每个成员都从同一个可信数据源取数
- 统一取数接口：一个函数拿到任意标的、任意区间的干净数据
- 课程首件公共资产：后续所有策略、因子、智能体都从这里取数
- 单一可信源原则：杜绝"每个脚本自己拉数据"带来的口径混乱
02 策略篇（第 3–4 周）—— 跑通第一次回测，识破作弊，拿下经典策略
第 5 讲：回测引擎 Backtrader
这是全课程第一个名场面。前半场，你会为自己跑通的第一个策略兴奋不已；后半场，我会当着你的面把它"做假"——夏普比率从 0.4 一路飙到 2.5，而代码看起来毫无破绽。能看懂这场魔术的每一个机关，你就已经超过了大多数量化初学者。
动手产出一个能跑的双均线回测 + 一份"作弊开关"自查清单
学习目标
知识点 - 掌握验证量化策略的方法，搭建属于自己的策略验证框架
- 学会识别最常见、也最隐蔽的回测陷阱
- 搭建回测框架：给智能体投喂清洗后的数据，用 Backtrader 搭起从数据到信号到成交的完整验证流水线
- Backtrader 核心对象：Cerebro 引擎、Strategy 策略基类、Data Feed 数据源的职责与协作关系
- 接入第 4 讲的本地行情库：数据格式适配与自定义数据源加载
- 策略生命周期：从初始化到 next() 逐根 K 线驱动的事件流，信号在哪里产生、订单在哪里发出
- 回测骨架封装：沉淀为全课程复用的模板，后续每一个策略都直接继承
- 第一个策略：经典双均线——金叉买入、死叉卖出，从信号生成到模拟撮合到资金结算，完整走一遍策略的一生
- 双均线逻辑实现：快慢均线计算、金叉/死叉的信号判定
- 下单与撮合：买卖指令、模拟成交、持仓与资金曲线的滚动更新
- 参数外置：均线周期做成可配置参数，为后续的调参与参数敏感性测试留好接口
- 看懂绩效报告：年化收益率、最大回撤、夏普比率、胜率——四个数字各自在回答什么问题，哪个最重要，哪个最容易骗人
- 年化收益率：复利折算的口径，以及"挑时间段"对它的操纵空间
- 最大回撤：你能不能熬过持有期最黑暗的一段——实盘放弃策略的第一大原因
- 夏普比率：每承担一份波动换来多少收益，以及它为什么最容易被做假
- 胜率：为什么胜率 70% 的策略也可能亏钱——它必须和盈亏比一起看
- 名场面《我当场把回测做假》：依次打开三个"作弊开关"——偷看未来数据、只用今天还活着的股票回测历史（幸存者偏差）、假装涨停板也能买进——亲眼看一条平庸的收益曲线如何变得完美得令人心动
- 作弊开关一 · 前视偏差：用当天收盘价决定当天买入——一行代码的时间错位，夏普立刻起飞
- 作弊开关二 · 幸存者偏差：股票池只装"今天还活着"的股票——回测悄悄躲开了所有退市与暴雷
- 作弊开关三 · 成交假设：涨停照样买进、跌停照样卖出——现实里根本拿不到的价格
- 每开一个开关，绩效报告实时对比一次：夏普 0.4 → 2.5 的完整魔术拆解
- 团队纪律第一条：不作弊。从这一讲起，你写的每个回测骨架都自带防作弊检查——这是本课送你的第一份护身符
- 防作弊检查三件套：前视检测、股票池时点校验、涨跌停成交拦截
- 检查内置进回测骨架并默认开启——纪律长在代码里，不靠自觉
- 自查习惯：拿到任何"好得不像话"的回测，先过一遍清单再激动
第 6 讲：装备 Talib 技术指标库
指标不是玄学，而是把混沌盘面翻译成数字的语言。这一讲我们给 AI 团队装上"眼睛"——让它学会用代码看盘，并且用人话把盘面讲给你听。
动手产出智能体"盘面解说员"v1
学习目标
知识点 - 深入理解各类技术指标的计算逻辑与适用前提
- 掌握让智能体用代码理解"盘口语言"的方法
- 指标实现：SMA、MACD、RSI、ATR 用 Talib 一行搞定——但重点是搞懂每个指标背后的计算逻辑，知其然更知其所以然
- Talib 上手：安装、输入输出约定、与 pandas 数据的配合
- 先手推再对答案：每个指标先过一遍计算公式，再用 Talib 一行验证
- 参数的含义：周期参数怎么选，经典默认值的由来与适用边界
- 场景化用法：趋势行情用 MACD + 均线做方向确认，震荡行情用 RSI + KDJ 抓超买超跌反转——指标没有好坏，只有用对没用对场景
- 趋势场景组合：MACD + 均线做方向确认，过滤逆势信号
- 震荡场景组合：RSI + KDJ 抓超买超卖反转，阈值设置与容错
- 行情分型先行：先判断当前是趋势还是震荡，再决定启用哪套指标
- 智能体看盘：把指标能力封装给 AI，让它每天输出一份"人话版"盘面解读——你的第一个 AI 员工开始干活了
- 能力封装：把指标计算包装成 AI 可调用的函数接口
- 解读提示词：让大模型把一串指标数值翻译成有观点的盘面语言
- 输出规范：趋势判断、超买超卖、量能变化的结构化解读模板
- 彩蛋：同一个指标策略，换一个年份再跑一遍，结果为什么天差地别？这里先给你埋一颗关于"样本"的种子，到第 11 讲它会发芽
- 现场实验：同一策略换一个年份重跑，收益天差地别
- 抛出问题：你验证的到底是策略本身，还是那一年的行情脾气？
- 悬念留白：答案在第 11 讲的"考场规则"——今天先记住这份不安
第 7 讲：海龟交易法则
1983 年，传奇交易员理查德·丹尼斯和搭档打赌：交易高手是天生的，还是可以培养的？他招了一群零基础学员，教了两周规则，最终这群"海龟"用真金白银赚出了答案。这套海龟法则是规则化交易的祖师爷——也将是你第一个完整的、带科学仓位管理的策略。
动手产出一份海龟策略完整回测报告
学习目标
知识点 - 理解趋势跟踪这一经典交易思想的底层逻辑
- 掌握海龟交易法则的原理、设计思路与完整实现
- 趋势跟踪的底层逻辑：不预测、只跟随——用唐奇安通道识别价格突破，让市场自己告诉你方向，信号规则简单到可以写在一张名片上
- 不预测的哲学：截断亏损、让利润奔跑——趋势跟踪赚的是"跟对了拿得住"的钱
- 唐奇安通道：N 日最高价与最低价围成的通道，价格破线即信号
- 名片规则：突破入场、反向突破离场——规则简单到可以背下来，难的从来不是记住
- ATR 仓位管理：海龟真正的精华不是入场信号，而是"波动大就少买、波动小就多买"的科学仓位公式——多数人只学了前一半，而钱恰恰是后一半管住的
- ATR 回归：第 2 讲那把"波动尺子"在这里派上真用场
- 头寸单位公式：把"单笔亏损不超过总资金某个比例"翻译成具体买多少股
- 波动自适应：同样的信号，高波动标的自动买少、低波动标的自动买多
- 加仓与止损铁律：突破加仓的节奏，以及按波动倍数设定的止损线
- 完整实现与回测：入场、加仓、止损、离场四件套齐活，在 A 股历史数据上完整回测，读懂它在什么行情赚钱、什么行情难受
- 四件套落码：在第 5 讲的回测骨架上实现完整海龟规则
- A 股适配：T+1 与涨跌停约束下的规则微调
- 行情画像：趋势年的丰收与震荡年的连续小亏——读懂这条收益曲线的"性格"再决定用不用它
- 彩蛋：把策略参数拨动 ±20% 再跑一遍——一个真正的好策略应该是"参数钝感"的；对参数极度敏感的策略，多半是拟合出来的假象
- 敏感性实验：通道周期上下拨 20%，收益变化多少？
- 参数平原与参数尖峰：稳健策略与拟合策略的参数曲面长相完全不同
- 判断标准：只有一组"神参数"才赚钱的策略，大概率是历史拟合出来的幻觉
第 8 讲：缠论精华量化
缠论可能是中文互联网上信徒最多、争议也最大的技术分析体系——有人奉为圣经，有人嗤之以鼻，但双方常常都拿不出数据。这一讲我们做一件很少有人认真做的事：不吹不黑，把缠论写成代码、算给你看。
动手产出一个缠论形态识别器 + 一份十年历史检验结果
学习目标
知识点 - 理解技术面结构流派的投资理念与核心逻辑
- 掌握把缠论核心概念算法化、并用智能体识别形态的方法
- 结构流派的核心逻辑：市场走势可以被分解为笔、线段、中枢的嵌套结构——先给出严格的数学定义，才谈得上算法识别；定义不清，就永远停留在"看图说话"
- 结构分解思想：走势 = 分型 → 笔 → 线段 → 中枢的逐级嵌套
- 严格定义：K 线包含关系的预处理、分型的成立条件、笔的连接规则——每一条都写成可判定的数学语句
- 为什么必须严格：定义含糊一寸，算法就无从下手一尺——这也是多数缠论争论吵不出结果的原因
- 形态识别算法化：分型怎么判定、笔怎么连接、中枢怎么框定，一步步把"玄学语言"翻译成清晰的 if-else
- 分型判定：顶分型与底分型的三 K 线条件，包含关系的合并处理
- 笔的连接：分型配对、最小跨度校验、笔的延伸与终结
- 中枢框定：连续笔的重叠区间计算，中枢的生成、延伸与升级判定
- 智能体识盘：让 AI 自动识别"底分型"与"第三类买点"，在 K 线图上标注出来并输出买入信号——肉眼看图三小时，AI 扫描三秒钟
- 信号定义：底分型确认与第三类买点的完整判定条件
- 全市场扫描：识别器批量跑遍全市场，在 K 线图上自动标注并输出信号清单
- 效率对比：肉眼看图三小时，代码扫描三秒钟——而且不漏、不重、不受情绪影响
- 收尾环节：拿十年历史数据，严格测一测这些信号的真实胜率与赔率——结论现场揭晓。无论结果如何，这个"用数据说话"的检验过程，本身就是量化思维最完整的示范
- 检验设计：十年全市场样本，统计信号发出后不同持有期的胜率与盈亏比
- 现场揭晓：不吹不黑、不预设立场，数据说了算
- 方法即收获：从"我觉得有用"到"数据显示如何"——这套检验流程适用于你今后遇到的任何技术形态
03 进化篇（第 5–6 周）—— 从指标到因子，让 AI 接管研究
第 9 讲：网格与轮动策略
有没有一种策略，不预测涨跌也能赚钱？有——但天下没有免费的午餐，每一种"躺赚"都有它的代价。这一讲教你两个风格截然相反的经典：赚震荡钱的网格，和赚趋势钱的轮动，并让你亲眼看到那个最容易被忽略的隐形对手。
动手产出网格策略 + 轮动策略各一个，附成本前后的收益对比
学习目标
知识点 - 理解均值回归与动量效应这两大市场规律
- 亲手实现网格策略和小市值轮动策略
- 均值回归逻辑：涨多了必跌、跌多了必涨背后的统计依据是什么，RSI、KDJ 如何把"过热"与"超跌"量化成可执行的信号
- 统计依据：价格围绕中枢波动的均值回归现象，哪些品种上更显著
- 信号量化：RSI / KDJ 的阈值如何翻译成具体的买卖触发点
- 适用前提：均值回归最怕"均值本身在漂移"——先确认你站在震荡地形上
- 网格交易法：工程师最爱的"自动收租机"——划好网格、挂好订单、来回吃波动；同时讲透它的天敌：一去不回头的单边行情
- 网格三要素：区间上下限、格距、每格仓位——三个决策决定收益结构
- 运行机制：跌一格买、涨一格卖，震荡本身就是收入来源
- 天敌拆解：单边下跌满仓套牢、单边上涨提前踏空——"躺赚"的代价看清楚再上车
- 品种选择：为什么网格适合宽幅震荡的 ETF，而不是单边趋势的个股
- 动量与轮动：强者恒强的市场规律为什么长期存在，动手实现经典的小市值轮动策略，体验"定期换仓"型策略的完整开发流程
- 动量效应：强者恒强为什么长期存在——行为金融的解释与 A 股的实际表现
- 轮动三段式：选股池 → 排序规则 → 定期调仓的通用结构
- 换仓节奏：调仓频率的选择，太快成本高、太慢信号衰减的两难
- 彩蛋·交易成本首次登场：轮动策略换手率惊人，算一算佣金、印花税和滑点吃掉了多少收益。很多回测里赚钱的策略，就死在这一笔账上
- 成本三件套：佣金、印花税、滑点各自的费率与发生时点
- 现场算账：轮动策略成本前后的收益对比——不少"赚钱策略"当场由盈转亏
- 换手率意识：从此评估任何策略，先问一句"换手多高、成本几何"
第 10 讲：机器学习因子挖掘
前面九讲的策略都在"看指标"；从这一讲起，我们升级成"看概率"——这是散户思维和机构思维的分水岭。你将训练出人生第一个机器学习因子，更重要的是，学会用一份成绩单判断它到底是真金，还是运气。
动手产出你的第一个机器学习因子 + 它的因子成绩单
学习目标
知识点 - 理解因子挖掘的核心理念及其在量化交易中的位置
- 学会训练机器学习因子，并用专业标准给它打分
- 思维升级：传统策略是确定性规则（金叉就买），高阶策略是概率判断（明天上涨概率 63%）——从"信号"到"概率"，是量化进阶最关键的一跃
- 两种范式对比：if-else 的确定性规则，与模型输出的连续概率
- 概率思维的红利：仓位可以随把握大小连续调节，不再只有全进全出
- 机构视角：为什么专业团队的研究围绕"概率与期望"而非"必涨形态"展开
- 动手训练：把 Talib 技术指标作为特征（Feature）、次日涨跌作为标签（Label），训练一个二分类预测模型，产出你的"上涨概率因子"
- 特征工程：用第 6 讲的指标库批量生成特征矩阵
- 标签构造：次日涨跌的二分类定义与样本组织
- 模型训练：训练集与验证集切分、模型拟合与概率输出
- 因子产出：预测概率就是你的"上涨概率因子"——第一个机器学习因子诞生
- 《给因子打分》：IC 衡量预测力，分层回测看单调性——两张图、一张表，构成一份专业的"因子成绩单"，从此判断因子成色不再靠感觉
- IC 分析：因子值与未来收益的相关性——预测力的直接度量
- 分层回测：按因子值把股票分成五组各自回测，看收益是否单调排列
- 成绩单成型：两张图、一张表的标准模板，一眼看出因子成色
- 残酷环节：用成绩单枪毙弱因子。你会亲眼看到大部分"听起来很有道理"的因子不及格——能坦然接受这件事并继续迭代，正是专业和业余的分水岭
- 批量体检：把一批"听起来很有道理"的直觉因子全部送上成绩单
- 现场枪毙：IC 趋近于零、分层不单调的因子当场出局
- 专业心态：高淘汰率是因子研究的常态——它是概率游戏，不是灵感竞赛
第 11 讲：论文复现与策略进化
如果 AI 可以一夜读完一篇顶级量化论文、自动复现出策略、再自我迭代一百轮——听起来像量化的终局？这一讲我们真的搭一条这样的流水线。同时立下一条铁律：进化可以疯狂，考试必须公正——没有这条铁律，AI 进化得越快，骗你骗得越狠。
动手产出一条会自我进化、且不会作弊的策略流水线
学习目标
知识点 - 掌握让 AI 自动复现论文、自动迭代策略的方法
- 建立"训练场与考场分离"的策略进化纪律
- 学术复现：投喂一篇经典量化论文，让 AI 提取其中的数学公式与逻辑框架，自动翻译成可运行的 Backtrader 策略代码——把"读论文"这件事的成本降到接近零
- 论文投喂：把全文交给大模型，提取核心公式、信号定义与参数设定
- 结构化转译：论文语言 → 策略规格书 → Backtrader 代码的两级翻译
- 复现验证：跑通回测、与论文口径对照——完成"AI 读论文"的完整闭环
- 自我进化：设置目标函数，让 AI 根据回测结果自动修改参数与逻辑，多轮"优胜劣汰"，见证策略像生物一样进化
- 目标函数设定：优化夏普、控制回撤还是求稳定——目标决定进化方向
- 进化循环：回测结果回喂 → AI 修改参数与逻辑 → 再回测的自动迭代
- 优胜劣汰：策略池的代际管理、淘汰机制与收敛判断
- 考场规则：训练场与考场分离（walk-forward）——策略在训练场里随便折腾，但成绩只认它从没见过的考场数据；这一条规则，决定了你的进化流水线产出的是真策略还是漂亮的废物
- 种子发芽：第 6 讲"换个年份天差地别"的答案在这里揭晓——你缺的是一间考场
- walk-forward 机制：滚动切分训练窗与考试窗，成绩只认样本外
- 过拟合照妖镜：训练场成绩与考场成绩的差距有多大，策略就有多假
- 防作弊清单：AI 写的代码也会"偷看未来"，而且藏得很深——教你几招抓它现行，让 AI 团队永远在你的规则下干活
- AI 作弊图鉴：特征混入未来数据、标签泄漏、用全量数据做归一化——藏得比人写的更深
- 抓现行：第 5 讲的防作弊三件套升级为进化流水线的自动安检
- 规则固化：检查内置在流水线里，AI 每一轮进化都必须先过安检门
- 前沿 demo：微软 RD-Agent"7×24 因子挖矿机"现场演示——看业界最前沿如何把整个研究流程自动化；你刚搭好的流水线，正是它的迷你版
- 现场演示：自动提出假设、写代码、跑实验、读结果的研究闭环
- 对照理解：你的流水线与工业级系统共享同一副骨架，差距在哪、路在哪
- 边界讨论：全自动研究今天能做到什么、还做不到什么
第 12 讲：MCP 协议与 Skill 定义
到目前为止，你的 AI 还只是"一个会写代码的助手"；这一讲之后，它升级为"一支能调用武器库的团队"。MCP 就是那座桥——把你的数据、回测、打分能力变成标准接口，让每个智能体都能即插即用。
动手产出团队工具箱 v1（数据 / 回测 / 打分三件套）
学习目标
知识点 - 学会把已有能力封装成标准化的 Skill
- 掌握 MCP 协议的原理和使用方法
- 工具封装：把数据查询、回测执行、因子打分三大能力封装成标准化工具——一次开发，团队所有智能体共用，这就是"团队基建"
- 资产盘点：第 4 讲数据模块、第 5 讲回测骨架、第 10 讲因子成绩单——前十讲积累的一次总集成
- 工具规格设计：输入输出定义、参数校验与错误处理的标准化
- 从各带干粮到共用军火库：一次开发，所有智能体即插即用
- MCP 原理与实践：让大模型通过 MCP 协议直接调用你的本地数据与本地算力——数据不出门，能力随便用
- MCP 是什么：连接大模型与本地数据、本地工具的标准化协议
- 架构速览：客户端与服务器的分工，工具注册与调用的完整流程
- 动手接入：把三大工具注册成 MCP 服务，在对话里直接调用本地回测
- 数据不出门：行情库与算力都留在本地——隐私与成本的双重优势
- 多智能体协作基础：统一的工具层是团队协作的地基——后面第 17、18 讲的晨会与自动化闭环，全部建立在这一讲之上
- 为什么先修工具层：没有统一接口，多智能体协作就是各说各话
- 协作预演：不同角色调用同一工具箱完成一次协同任务
- 通向终局：第 17 讲晨会、第 18 讲全自动闭环，都踩在今天打下的地基上
04 上岗篇（第 7–9 周）—— 四大角色就位，跑通全自动交易日
第 13 讲：投研知识库与财报分析智能体
让大模型凭记忆聊财报，它会一本正经地胡说八道；把财报真正交到它手里、逼它答必有据，它才配当你的研究员。几年前这活儿得自己搭一整套检索系统，如今的智能体工具已经把知识库能力做进了产品里——这一讲，你的情报官正式上岗：海量公告、年报、新闻，从此不用你亲自读。
动手产出一个能回答财报问题、且答案有出处的投研助手
学习目标
知识点 - 理解知识库问答"答必有据"的工作原理，一页讲清检索增强的思想
- 掌握用现成智能体工具搭建投研知识库的完整操作
- 原理一页，轮子不造：幻觉的根源与"先检索、后回答"的思想值得懂，但切分、向量化、调优这些脏活，2026 年的工具已经内置——你的时间应该花在投研本身
- 幻觉的根源：大模型为什么会一本正经地胡说八道
- 检索增强的思想：先查资料、再作答、附出处——原理要懂，轮子不必造
- 技术演进一瞥：从手搭向量库到工具内置知识库——姿势换了，纪律没变：答必有据
- 投研知识库落地：把年报、公告、行业资料交给现成的智能体知识库工具（WalkieBody / Claude Code 等），像整理文件柜一样管理研究资料
- 资料入库：年报、公告、研报的收集与组织——目录即结构
- 工具选型：本地优先还是云端托管——研究资料的隐私与便利怎么权衡
- 质量校验：入库不等于能用——抽查问答质量，校准资料覆盖面
- 财报分析智能体：构建一个专属投研助手——问它"这家公司的毛利率三年怎么变的"，它不仅回答，还告诉你答案出自年报第几页
- 答必有据：每个结论都能定位到原文出处——可核验，才可信
- 多文档能力：跨年份、跨公司的对比式提问
- 诚实边界：知识库里没有的内容，宁可答"不知道"也不编造
- 情报官上岗：从"你去问 AI"升级为"AI 主动帮你读材料"——投研效率的第一次数量级跃迁
- 从被动到主动：新公告入库自动摘要，重点内容主动推送
- 效率账：一份年报人读三小时，AI 三分钟出结构化摘要
- 四大角色第一位上岗：情报官的职责边界与产出规范就此定型
第 14 讲：智能研报与舆情监控
一份机构研报的背后，是分析师一整周的工作量；你的 AI 分析师只需要几分钟。这一讲我们照着头部券商的方法论，让 AI 写出一份像模像样的研报，再顺手装上一个 24 小时不睡觉的舆情哨兵。
动手产出一份 AI 生成的基本面研报 + 一个全天候舆情哨兵
学习目标
知识点 - 理解专业研报的生成步骤，让 AI 产出一份完整研报
- 开发基于关键词的实时舆情监控智能体
- 研报五步法：拆解国泰君安的研报方法论——行业怎么看、公司怎么挑、财务怎么读、估值怎么算、风险怎么提，五步成文
- 五步逻辑链：行业空间 → 公司竞争力 → 财务质量 → 估值水平 → 风险提示
- 方法论迁移：把机构分析师的作业流程改写成 AI 可执行的分步任务
- 智能研报生成：结合第 13 讲的投研知识库，让智能体按五步法自动产出一份基本面分析报告——结构完整、数据有据
- 分步生成：每一步单独检索、单独成段，最后合成完整报告
- 数据有据：报告中的关键数字全部来自知识库并附出处
- 质量关卡：结构检查与数据核验——杜绝"看起来很专业"的空话报告
- 舆情监控：接入财联社等新闻源，用大模型给市场情绪实时测温——今天的市场是贪婪还是恐慌，用数字说话
- 新闻接入：实时新闻源的抓取、清洗与去重
- 情绪量化：给每条新闻打情绪分，聚合成一支"市场温度计"
- 温度计用法：极端贪婪与极端恐慌时刻的历史回看
- 事件驱动：捕捉"资产重组""业绩预增"等关键词，第一时间推送交易线索——别人看到新闻时，你的哨兵已经报过警了；分析师正式上岗
- 关键词引擎：事件词表设计与新闻流的实时匹配
- 推送链路：命中 → 去重 → 分级 → 推送的完整流程
- 四大角色第二位上岗：研报生成 + 舆情哨兵双能力集成，分析师就位
第 15 讲：XtQuant 模拟盘对接
回测里的钱是纸面富贵，模拟盘才是第一次"真枪实弹"。这一讲有全课程第二个名场面：同一个策略，回测一份成绩单，模拟盘一份成绩单——两份成绩单的差距，会让你重新理解"交易"这两个字。
动手产出一个打通模拟盘的交易员智能体 + 你的第一份对账差异清单
学习目标
知识点 - 掌握交易接口的完整使用方法
- 理解为什么专业团队需要一个专门的角色做交易执行
- 接口全流程：XtQuant 模拟盘的报单、撤单、查询——把交易指令真正发出去，看着它进入交易系统
- 环境准备：QMT 客户端与 XtQuant 库的连接配置
- 三大基本功：报单（限价 / 市价）、撤单、持仓与委托查询
- 第一笔委托：亲手把一笔模拟单发进交易系统，看着状态一路变化
- 回调机制：成交推送、状态变更、废单处理——交易不是发完指令就结束，处理好异步回报才算真的会交易
- 异步世界观：下单只是开始——回报什么时候来、来几次，都不由你决定
- 回调处理：成交推送与委托状态变更的事件处理写法
- 异常路径：废单、部分成交、撤单失败的兜底逻辑
- 信号到订单：把策略信号自动转化为模拟盘订单，你的交易员智能体正式上岗——从此策略不只是"算出来"，而是"做出来"
- 信号翻译：目标仓位与当前持仓的差额，如何变成一串订单
- 执行管理：下单节奏、状态跟踪与完整的执行日志
- 四大角色第三位上岗：交易员就位，策略第一次从纸面走到盘口
- 名场面《回测 vs 模拟盘对账》：同一策略双轨运行，滑点、未成交、手续费逐项见面——理解为什么"回测赚钱"和"真的赚钱"之间隔着一条河，以及这条河怎么过
- 双轨实验：同一策略同一时段，回测一份成绩单、模拟盘一份成绩单
- 逐项对账：滑点、未成交、手续费——差异一项一项摆上桌面
- 过河指南：修正成交假设、预留成本缓冲，让回测离真实更近一步
第 16 讲：打造安全的风控规则
所有爆仓故事的开头都是同一句话："我就这一次不设止损。"这一讲，我们给你的 AI 团队装上刹车——而且是 AI 自己也无权拆掉的那种。系统越自动化，这道闸门越重要。
动手产出一道挡在下单前的风控闸门（附极端场景测试用例）
学习目标
知识点 - 理解风控体系中的各类关键指标及其作用
- 亲手实现一道挡在所有订单前面的风控闸门
- 风控关键指标：资金上限、单日最大回撤、黑名单、熔断机制——每一个指标的背后，都对应着一类真实发生过的事故
- 资金上限：单笔、单标的、总仓位三级限额——防的是"一把梭"
- 单日最大回撤：当日亏损触线即停——防的是"越亏越下"的报复性交易
- 黑名单与熔断：禁买名单与全局暂停开关——防的是黑天鹅与系统失控
- 事故对照：每条规则背后，都站着一个真实发生过的爆仓故事
- 拦截逻辑实战：动手编写风控闸门——任何订单在触达交易接口之前，必须先过审；不合规的单子，当场拦下并留痕
- 闸门架构：风控层插在策略与交易接口之间，成为唯一下单通道
- 规则引擎：多条风控规则的叠加校验与优先级安排
- 拦截留痕：谁被拦、为什么拦、何时拦——完整的审计日志
- 一票否决权：风控员是团队里唯一可以对基金经理说"不"的角色——理解为什么所有正规机构都这么设计，以及这条权力线怎么用代码固化
- 机构的组织学：为什么风控必须独立于投资决策
- 代码固化：策略无权绕过闸门——权限靠架构保证，不靠自觉
- 四大角色最后一位上岗：风控员就位，AI 交易团队集齐
- 极端场景演练：编写测试用例，模拟策略发疯、信号轰炸的极端场景，验证你的闸门真的挡得住——风控没测试过，等于没有风控
- 场景构造：疯狂下单、超限重试、黑名单标的突袭的测试用例
- 压力验证：信号轰炸之下，闸门的拦截率与响应表现
- 风控的风控：演练通过才算上线——未经测试的安全感最危险
第 17 讲：多智能体编排与投资晨会
团队成员已经全部到齐，现在需要一间"总经理办公室"把大家串起来。这一讲之后，每天早上 8:30，一份由你的 AI 团队连夜赶制的投资晨报，会准时出现在你的手机上——这大概是全课程你最想发朋友圈的一份作业。
动手产出一份每天自动生成并推送到手机的投资晨报
学习目标
知识点 - 掌握多智能体工作流的编排方法，搭起"研究在云、交易在本地"的分离架构
- 实现一个全自动的每日投资晨会
- 架构总览：研究在云、交易在本地，中间只过数据——机构级"研盘分离"的个人版：QMT 与风控闸门留在本地，情报、研究与晨会可以上云，组件之间只交换数据、不做远程调用
- 数据总线：行情云端直拉，持仓与成交收盘后导出快照上行，线索与信号批产出同步——晨报用的全是昨日静态数据，不需要任何实时跨机调用
- 分工原则：交互式研究走 MCP（第 12 讲），自动化流水线走数据总线——"随叫随到"与"定时交接班"各司其职
- 机构同款：研盘分离是专业机构的真实架构，你的个人系统从第一天就用上了
- OpenClaw 上岗：给团队请一位"总经理办公室"——本地优先的开源智能体系统，装好、配好、接上数据就开工，把它当电器用，不必读懂每一行源码
- 电器化三步：安装部署 → HEARTBEAT 定时任务 → 接入数据总线与团队产出
- 心跳机制：Cron 是闹钟，Heartbeat 是带脑子的巡逻保安——每天清晨自动唤醒晨会
- 编排原理一瞥：主循环 + 角色 + 工具调用的 harness 范式——课程附迷你实现供拆解，想深挖的学员有路可走
- 晨会工作流：情报官汇总隔夜要闻 → 分析师给出观点 → 风控员提示持仓风险 → 汇总成一份结构化晨报，完整复刻机构晨会的信息流
- 流程落图：三位成员的先后顺序、各自的输入输出与状态传递
- 老员工就位：第 13、14、16 讲上岗的角色在晨会里各司其职
- 汇总节点：把分散的产出合成一份结构完整的晨报
- 晨报内容设计：一份合格的晨报该有什么——市场回顾、持仓状态、今日关注、风险提示，让你每天开盘前三分钟完成信息武装
- 四大板块：市场回顾 / 持仓状态 / 今日关注 / 风险提示的内容规范
- 三分钟原则：信息密度与篇幅的取舍，重要结论永远放最前
- 可读性打磨：数字表格化、结论前置、风险提示醒目
- 自动化推送：定时触发 + 消息推送，每天 8:30 准时送达手机——从这天起，你的团队开始"自己上班"
- 定时任务：每个交易日清晨自动触发晨会工作流
- 推送通道：借 OpenClaw 现成的微信 / 飞书通道直达手机，8:30 准时送达
- 稳定运行：失败重试与数据缺失时的降级方案——晨报不缺席
第 18 讲：自动化闭环与结课
最后一讲，把九周攒下的所有零件拼成一台完整的机器：信号自动触发、风控自动把关、订单自动执行、消息自动推送。然后，回答那个终极问题——你赚的到底是运气的钱，还是策略的钱？
动手产出一套在模拟盘上完整跑通的 AI 量化交易系统 + 结业演示
学习目标
知识点 - 在模拟盘上打通完整的自动化交易流程
- 掌握归因分析方法，建立持续迭代的复盘机制
- 全流程闭环：信号触发 → 风控审核 → 模拟下单 → 消息推送，四个环节全自动衔接，在模拟盘上跑通无人值守的完整交易日
- 四环节串联：信号落地为指令队列，本地执行器逐条过风控闸门后下单，回报与推送上行——"只过数据"的原则贯穿到底
- 无人值守演练：完整交易日的自动运行，异常情况的自动恢复
- 人的位置：自动化程度越高，基金经理的监督与拍板越重要
- 可视化控制台：给系统装上一块仪表盘——持仓、订单、风控状态、今日盈亏一目了然，你的"基金经理驾驶舱"
- 四大面板：持仓、订单、风控状态、今日盈亏的仪表盘设计
- 数据链路：从各模块实时取数到页面展示
- QuantStats 绩效报告：一键生成机构级绩效分析报告——收益曲线、回撤分析、月度热力图，专业得可以直接拿去汇报
- 一键生成：接入策略净值序列，产出完整的绩效分析报告
- 报告读法：收益曲线、回撤区间、月度热力图各自的关注重点
- 交割单归因：逐笔拆解盈亏来源，分清哪些钱是策略赚的、哪些是运气送的——并建立定期"团队绩效复盘"机制，让系统持续进化
- 逐笔归因：每笔盈亏对应的信号来源与执行质量
- 策略的钱 vs 运气的钱：可复制的收益与不可复制的收益怎么区分
- 复盘机制：固定周期的团队绩效复盘模板，把迭代变成习惯
- 结课演示：每位学员展示自己亲手搭建的 AI 量化交易系统——这是你的毕业作品，也是简历上实打实的一行
- 演示脚本：系统全链路走一遍的展示清单
- 毕业作品：一套可持续运行的系统 + 全套代码资产
- 结课彩蛋：强化学习与智能拆单——量化的进阶深水区一瞥，给学有余力的你指一条继续精进的路
- 深水区一瞥：强化学习在择时与拆单执行上的应用图景
- 进阶路线图：因子研究深化、组合优化、执行算法的自学方向指引
风险提示
- 投资有风险：量化交易不等于稳赚不赔，历史回测业绩不代表未来收益
- 程序化风险：代码 bug、网络延迟、系统故障都可能导致非预期交易
- 资金原则：仅使用闲置资金，设置止损线，先模拟盘验证再实盘
- 合规边界：了解券商 API 使用条款，避免触发风控规则；本课程为技术教学内容，全程使用模拟盘，不荐股、不带单，不构成任何投资建议
讲师介绍
彭靖田
创始人 / CEO华为 2012 实验室深度学习创始团队成员，加州大学访问学者。曾任才云科技技术合伙人（2020 年被字节跳动收购为火山引擎云），品览数据联合创始人兼 CTO（累计融资近 2 亿元）。Kubeflow 维护者 / TensorFlow 贡献者 / Linux CNCF 程序委员会成员。
