过去几十年，量化交易的核心是将“投资经验”转化为数据、公式和可验证的规律。而 AI Trading（AI 交易）正试图迈出更关键的一步：将寻找规律的过程本身也交给 AI。
当前，许多金融 Agent 已具备读取研报、处理数据、编写代码、挖掘因子及回测的能力，但这些操作大多仍局限于既定的标准作业程序（SOP）。研究选题、方法论选择、结果置信度判断以及最终的交易决策，核心控制权依然掌握在人类手中。
Panda AI 旨在突破这一局限。创始人李昱琦将 AI Trading 划分为 L0 至 L4 五个层级：从无大模型参与，到 AI 替代人类完成绝大部分研究与交易决策，人类仅保留资金风控等最高权限。他认为，目前行业整体处于 L1 至 L2 阶段，而 Panda AI 的研究已迈入L3 阶段：AI 能根据市场变化自主设计流程、调用工具并调整研究方法。长远来看，Panda AI 致力于打通从数据、投研 Harness（编排框架）到交易执行的全链路，最终走向Trading AGI。
若此路径成立，其影响将超越单纯的效率提升。当普通投资者借助 AI 完成专业研究员的工作，个人与机构间的能力鸿沟将缩小，传统资管行业的门槛将被重新定义。随着更多 Agent 进入市场，Alpha 的产生方式、定价效率乃至资管行业的组织形态都将发生深刻变革。
本次对话深入探讨了 AI Trading 与传统量化的本质差异、AI 进入交易核心链路的标志，以及机器自主寻找 Alpha 对市场格局的重塑。
从主观到 AI Trading：交易认知的范式转移
Q：请简单介绍您的背景及创业历程。
李昱琦：我是 Panda AI 创始人兼 CEO。早期我深耕量化投资领域，曾管理过中高频 CTA 策略及基于机器学习的选股策略，并担任过量化私募基金经理。2024 年下半年，我们正式创立 Panda AI，定位为AI trading infra，旨在打造一套AI trading OS。我们的核心判断是：AI 时代将催生全新的交易范式。
Q：早期的私募创业经历对您有何影响？
李昱琦：那段经历让我深刻认识到，创业是不断应对未知的过程。创业者最核心的能力在于快速理解新问题并找到解决方案，这种学习与应变能力贯穿了我的职业生涯。
Q：哪段经历真正改变了您对交易的理解？
李昱琦：2019 至 2020 年间，我从主观交易转向程序化尝试，发现单纯将想法代码化效果并不理想。这让我意识到，主观交易与量化交易的本质区别不在于是否程序化执行，而在于发现规律的方法论不同。量化拥有一套更严谨、可验证的方法论，在发现规律的效率上远高于主观经验。
此后，我全面转向统计与量化研究，并于 2022 年发行了首只量化私募产品。这段经历确认了主观与量化的最大差距在于对“什么是规律”及“如何发现规律”的思考深度。
Q：为何后来转向做金融科普与自媒体？
李昱琦：这源于一次机缘巧合。2023 年，一条关于"99 年基金经理如何做交易”的视频意外走红。当时市场对量化存在诸多误解，我希望通过内容为大家正名：量化不仅是高频交易，更是一种理性、系统的交易方法。
Q：自媒体经历如何影响了您后来的产品设计？
李昱琦：这段经历让我意识到用户需求的分层。早期我们尝试帮用户将主观想法直接转化为策略代码，但发现即便代码实现，回测效果往往不佳。这让我再次确认：主观交易者与专业机构的差距，不在于 coding 能力，而在于能否理解收益来源、用严谨方法验证优势并管理风险。
因此，我们推出了开源项目 PandaFactor，不再直接生成策略，而是先将想法转化为因子，利用金融工程方法严谨检验其有效性。同时，通过社区运营吸引专业用户，共同探索未来投研形态。
AI Trading 的五级进化论：从 L0 到 L4
Q：何时意识到 AI 将是金融投研的关键变量？
李昱琦：2024 年，随着 QuantFlow 等标准化节点封装项目的开源，以及 Alpha Arena 等基于 Prompt 和大模型自主决策案例的出现，我们意识到大模型可以更深程度地替代人工投研工作，显著提升效率。
Q：传统量化与 AI Trading 的本质区别是什么？
李昱琦：交易决策本质是研究成果的复现。AI 首先改变的是投研过程。传统量化主要分为三类：
- 规则策略：基于特定条件买卖，通过历史回测验证规律。
- 多因子模型：标准化的 SOP 流程，涵盖数据采集、因子挖掘、组合优化至执行，依赖大量人力“螺丝钉”。
- 机器学习与端到端模型：输入数据经复杂模型处理后直接输出交易决策。
AI Trading 则是让 AI 深度参与甚至主导这些流程。我们将 AI Trading 划分为五个层级：
- L0：无大模型参与，完全依赖人工编写代码与传统 IDE。
- L1：大模型进入决策链路，典型如 Prompt+ 大模型直接给出交易判断（如 Alpha Arena）。
- L2：AI 接管明确的 SOP 任务，如因子挖掘、数据分析、回测等标准化工作。
- L3：AI 自主设计与调整 SOP。面对市场分布变化，AI 能自主判断研究方向、调用方法及重组流程，具备动态博弈决策能力。Panda AI 目前正处于此阶段。
- L4：信任与共识阶段。AI 替代人类完成大部分研究与决策，人类仅保留资金风控等最高权限。
Q：行业目前处于什么阶段？Panda AI 进展如何？
李昱琦：行业整体多在 L1 至 L2。Panda AI 已进入 L3 阶段，尝试了 RSI（递归自我改进）、SJS（密封联合搜索）等架构，使 AI 具备 self-evolution（自进化）能力，不仅能基于历史数据提出新模型，还能根据实时市场分布调整 Harness 编排。
Q：如何评价当前的 AI Trading 效果？是否真正进入了交易核心？
李昱琦：关键在于 AI 是否进入最终交易链路。目前 AI 虽能提出新模型或挖掘新因子，但 Alpha 的采纳、组合及时机往往仍由人决定。我们的实验发现，即使底层模型不变，只要 Harness（工作流）的设计不同，最终交易结果差异巨大。因此，Harness 本身是 AI Trading 的核心壁垒。
Q：业界有哪些深入应用 AI 的案例？
李昱琦：清华大学交叉信息研究院利用大语言模型结合蒙特卡洛树搜索进行因子挖掘；CogAlpha 等框架通过推理、变异进化候选 Alpha。国内如倍漾量化、半鞅私募等机构也已将 AI 与机器学习深度融入投研交易，规模增长迅速。
Q：AI 驱动的策略会偏向中小盘吗？如何应对幻觉问题？
李昱琦：不一定。风格偏好取决于 AI 对市场的判断及产品约束（如指增产品的范围）。关于幻觉，投研场景的评价标准具有不确定性。我们将错误分类为意图识别、代码生成、过拟合等类型，逐步由 AI 完成评价与判断。此外，我们提出的Agent-to-Agent Self-Evolution架构，让因子与评价体系共同进化，避免模型仅在固定评价标准内收敛。
构建交易领域的"Claude Code"：从 Data 到 Execution
Q：Panda AI 的产品策略是什么？
李昱琦：我们要做交易领域的Claude Code，即 IDE 产品——EVO。相比通用 Coding Agent，EVO 内置了金融工程专用的 Harness，涵盖研究流程、验证、收敛与进化。我们优先攻克门槛最高、验证最严的量化场景，再向更广泛用户泛化。
Q：技术架构是怎样的？
李昱琦：采用四层架构：
- Data Layer：可信、可鉴权的多源数据基础设施。
- 大模型层：自研垂直微调模型及外部 API 调用（如 Claude、GPT、DeepSeek）。
- 投研层：Skills 编排、Agent 管理及 Harness，沉淀研究员经验。
- 交易执行层：连接交易基座，打通从 AI 投研到 AI 交易的全链路。
图片来源：PandaAI
Q：与现有金融数据平台 Agent 的核心区别？
李昱琦：核心在于Harness。我们深入真实投研流程，构建了比通用模型更严谨的工作流。即使 Prompt 相同，不同的研究流程也会导致截然不同的分析结果。我们关注策略被发现的过程，将其固化为 IDE 能力。
Q：长期壁垒在哪里？数据的重要性如何变化？
李昱琦：壁垒在于“大模型能力提升 + 真实案例积累”推动 Harness 进化的闭环速度。数据分为两类：基础市场数据需保证可信；更重要的是深度用户在投研过程中产生的行为交互数据，它们指导 Harness 的持续进化。
普通人挖出机构级 Alpha：迈向完全信息市场
Q：论文 AlphaSchema 解决了什么问题？
李昱琦：AlphaSchema 重构了因子 Agent 的搜索架构。它将交易逻辑显式拆解为 Event、Context、Qualities 等五个维度的结构化语义空间，在生成代码前先明确因子的经济学含义。同时，利用机器学习模型学习哪些语义区域更易产生优质因子，实现不仅挖掘新因子，更挖掘新评价体系。
Q：自动因子挖掘经历了哪些阶段？
李昱琦：从早期的随机搜索（GPLearn）、强化学习（AlphaGen），到大模型结合蒙特卡洛树搜索。现有架构多将大模型视为高级生成器，未充分发挥其语义理解能力，且受限于固定评价体系。Self-evolution 思路旨在让 AI 自主提出新的评价模型，优化搜索过程。
Q：目前落地的产品有哪些？
李昱琦：主要有三款产品：
- Qube：面向新手，通过自然语言描述想法，自动生成策略并优化。
- EVO：面向专业人士的交易领域"Claude Code"，支持自定义 Skill、Agent 及完整量化研究。
- OS：（内测中）侧重 Multi-Agent 的创建、管理与协作，实现从投研到交易的全自动化链路。
图片来源：PandaAI
图片来源：PandaAI
图片来源：PandaAI
Q：实盘交易支持情况如何？
李昱琦：产品覆盖从投研到决策的全流程。股票实盘需券商部署系统以符合合规要求；期货相对开放，可通过授权柜台接口实现策略信号与执行的连接。高频投研可在 EVO 完成，但毫秒级实盘执行仍需极速柜台等专用基础设施。
Q：收费模式及用户表现如何？
李昱琦：采用订阅加 Token 模式，月费数百元，特殊数据另行收费。在因子大赛中，许多无专业背景的AI Native 用户利用我们的 Harness 挖出了接近机构标准的因子。这表明个人与机构在数据分析与策略开发上的差距正在快速缩小。
Q：AI 普及对市场格局有何影响？
李昱琦：市场将趋向理性定价，效率提升。单纯依赖信息差套利的空间缩小，投资者将更偏向 Beta 或配置型交易。虽然机构在独有数据、高频基础设施上仍有优势，但在中低频策略上，个人能力将显著增强。系统性风险可能降低，因为多样化的 Agent 评价体系有助于避免市场共识过度拥挤。
Q：AI Trading 的终局是什么？
李昱琦：终局是Trading AGI。AI 将替代人类完成大部分投研思考与决策，这不仅是工具效率的提升，更是资管行业组织范式的变革。相比于成为一家传统资管公司，我们更希望成为降低行业门槛的基础设施提供者。
快问快答
Q：判断投资最重要的指标？
李昱琦：最坏情况下的损失承受能力（盈亏比）。
Q：相信数据还是直觉？
李昱琦：直觉是数据长期积累的结果，前期数据至关重要。
Q：普通投资者易忽略的常识？
李昱琦：未经过足够数据沉淀就盲目相信直觉。
Q：用三个词形容自己？
李昱琦：坚韧、学习、善良。
Q：最大的教训？
李昱琦：过于相信人，曾以直觉做判断吃过亏。
Q：受影响最深的投资人？
李昱琦：细水资产王宏渊总。从他身上学到最重要的一点是不否认运气，避免因成功而陷入自我闭环，保持对市场的敬畏。
本文涉及的回测、因子指标和用户案例仅用于说明产品的研究与技术能力，不构成对任何证券、期货或其他金融产品的投资建议，也不代表实际或未来收益。Panda AI 不提供证券、期货经纪或资产管理服务；涉及交易执行的功能，应由用户在持牌机构完成开户和相关权限开通后，依其自主决定并通过合规接口使用。
