在一线城市提到「量化交易」，大家浮想联翩，觉得这个工作好，科技含量足，不是一般人可以做的。关键，工资还巨高。

但量化一点不神秘，我们每个人每天都在做量化。而优质大模型的开源会掀开这层神秘的面纱，让更多人可以做量化交易。

一.

什么是量化？就是数字化。我们说北方人比南方人高，南方人不服。于是我们说北方人平均身高1.73米，南方人平均身高1.65米，就量化了，服了。

一个包包贵不贵？1万算贵，10万更贵。贵不贵，主要看价钱。

一个人英语水平怎么样？不好说，发音好算不算好？说得流畅算不算好？可以讲脱口秀算不算好？都不好说。那就用托福雅思考试分数。

托福满分120，考了115+，那就是英语好。量化了，就好衡量，就好比较。

高考选拔人才，你说你家孩子优秀，我说我家孩子优秀。别争了，都去考，谁分数高谁去。这么看，高考其实很公平的。

买卖股票，大家看的PE、开盘关盘最高最低价和交易量等都是量化。

二.

把性质量化，就好比较，但量化后的数字太多，也麻烦，不知道比哪个。

量化不仅是一个数字化的过程，更是一个筛选数字的过程。

一个国家的发展，有很多数字可以衡量，比如人均寿命、国家GDP总量、人均GDP、可支配收入等等。我们得筛选出重要的，也就是核心的。

筛选指标是量化的核心工作。

每年中美都要大比拼，比什么？就是比国家GDP总量，也比人均。因为中国人均太低，比起来太不好看，所以比总量。美国人也不想比人均，不然不好意思在国会通过“中国是发达国家”这样的说法。

总量目前也有差距，去年中国GDP总量大约是美国的64%。

source: https://www.imf.org/external/datamapper/NGDPD@WEO/OEMDC/ADVEC/WEOWORLD/CHN

但还有个按照购买力平价（Purchasing Power Parity）来调整GDP的排名，基于PPP调整，中国的GDP是美国的1.3倍。

source:https://www.imf.org/external/datamapper/PPPSH@WEO/OEMDC/ADVEC/WEOWORLD

同样的理发服务，人民币100块钱，美元50美金。明明一美金值七块钱，但购买理发服务，一美金只值两块钱。

这就是购买力平价。

这也就解释了为什么在美国一个月收入5000美金，生活不一定比在中国月收入3.5万人民币舒爽。

比较中美两国的经济，采用传统GDP和采用按照PPP调整过的GDP，就是采用了两个不同的算法。

三.

那算法又是什么？算法是计算的方法。

话说大数学家高斯读小学的时候，老师让全班同学算1+2+3一直加到100，同学们都拿起笔在草稿纸上奋笔疾书。

这种算法有个学名，叫「暴力」算法。

高斯打了一个嗝儿，想出个「非暴力」算法，如下图：

从1加到100，不就是50个101吗？

虽然老师还没教乘法，但天才儿童高斯已经悟出来了，喊出5050的那一刻，吓得老师以为是验证码发过来了……（好冷……）

总之，算法就是计算的方法。有些算法得出结果快，有些算法得出结果慢。所谓算法的优化，核心就是一个快慢的问题。

在同样的资源下，快的算法能起到更好的效果，所以算法的优化，也是一个节省资源的问题。

最近爆火的DeepSeek很好地向我们展示了什么叫做好的算法。你用十几亿美金做到的事情，我用几百万美金就做到了。

做量化交易，就得用好的算法筛选出好的指标。这些指标能告诉我们什么时候买什么时候卖，买哪个卖哪个，买多少卖多少。

两个人同时算出一个赚钱的机会，但一个人的算法好，成本就低，这个机会就会落在这个人的手里。

四.

所以量化的核心是：1. 设计好的算法；2. 筛选核心指标。

量化没什么高大上，配上计算机程序，只不过是利用机器算力大于人类算力、机器速度快于人类速度、机器耐力强于人类耐力的常识而已。

以前利用机器，是码农、工程师和科学家的特权。现在不一样了，通过大模型，每个人都可以用自然语言利用机器的力量。

严格来说，目前的大模型只是降低了量化交易中利用机器力量的门槛。但这也已经很了不得了。生产工具成本降低，生产力就会得到释放。

DeepSeek和幻方的老板是同一个人，做DeepSeek一方面利用了幻方手里的GPU，另一方面也可以帮助幻方做量化。

DeepSeek是开源的，那么搞量化，普通程序员已经几乎跟专业机构站在同一个水平线上。只需要学会调用API，搞明白自己的需求，就可以干起来。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】