一句话区分：常规量化 ≠ AI量化
常规量化以可解释的规则与统计模型为主（如均线、动量、套利、风险平价、线性/逻辑回归等），重点是把假设写成明确的规则并程序化执行；算法交易更强调按既定条件自动下单，常是这些规则的执行载体。
AI量化侧重机器学习/深度学习从数据中自动学习非线性关系与特征交互，覆盖选股择时、执行优化、风险控制等环节；行业研究与机构报告表明，AI/ML在投研与运营中的渗透率正持续上升，同时伴随数据、模型治理与金融稳定的新挑战。
五个维度的核心差异
1) 数据与特征：规则输入 vs. 数据驱动
常规量化依赖结构化的价量与财务数据，特征工程较“手工”；AI量化更倚重大数据与替代数据（文本、图像、链上、行为信号等）并通过模型自动抽取复杂特征，带来更高的信息密度也带来治理与质量风险。
2) 建模范式：可解释规则 vs. 非线性模型
常规量化多是可解释、稳健的小模型；AI量化则常用树模型、序列模型与深度网络以拟合非线性与时变关系，但对过拟合与可解释性要求更高，需要相应的验证与监控框架。
3) 训练与验证：简单切分 vs. 时间序列与多重检验校正
时间序列不能随机K折，需使用TimeSeriesSplit/Walk-forward保持“过去训练、未来验证”；对多参数/多策略筛选，还应用**PBO（回测过拟合概率）与DSR（去通胀夏普比）**校正选择偏差与非正态收益导致的绩效膨胀。
4) 执行与风险：规则风控 vs. 模型治理
常规量化依靠明确的仓位/止损/限价与执行算法；AI量化在此基础上还需模型治理（数据血缘、漂移监控、可追溯性、审计）以满足机构与监管的稳健要求。全球监管与国际组织已多次提示AI在金融体系中的机遇与金融稳定/审慎风险。
5) 成本与团队：轻量规则 vs. 工程化体系
常规量化更易用小团队搭建；AI量化通常需要更强的工程与算力、持续的数据管线与MLOps能力，门槛与持续成本更高。行业报告显示AI应用加速，但落地质量取决于数据、模型开发与部署治理。
何时优先用常规策略，何时考虑AI
适合常规量化的情形
价格规律明确、经济含义清晰、数据有限或对可解释性要求高，或需要快速落地的执行/套利/趋势类规则。
适合引入AI的情形
存在非线性与高维交互、多源替代数据、长短期依赖（如序列/事件冲击）、或需要自适应与个性化（如订单执行、文本情绪、多资产配置）。机构研究显示，AI在投研、风控、合规与运营效率上具备潜在优势，但必须配合稳健验证与治理。
验证与风控：新手最该掌握的三件事
- 用对交叉验证
时间序列必须使用TimeSeriesSplit或Walk-forward，否则会“用未来训练过去”。 - 给绩效“去水分”
面对海量参数与模型，利用PBO衡量回测过拟合概率，结合DSR校正因多重检验与非正态收益导致的夏普虚高。 - 建立模型治理与合规意识
参考FSB/BIS/ECB等报告，关注数据质量、模型可审计、操作韧性与系统性风险；把监控与告警做到日常化。
工具地图（入门友好）
常规量化与回测
面向规则与统计模型的向量化回测/事件驱动框架与执行算法，适合快速迭代与Walk-forward评估。可在此基础上再逐步接入ML框架。定义与策略范畴可参考权威入门资料。
AI/机器学习栈
基于Python的ML/DL框架与MLOps能力用于特征工程、模型训练、漂移监控与再训练；在验证环节采用TimeSeriesSplit与PBO/DSR等指标做稳健性筛查。
行业洞察
CFA Institute与权威机构发布的研究/报告能帮助你判断AI在投研中的边界与实践要点。
新手从零的实践步骤（不写代码版）
第1步：定目标与范围
明确你要解决的是“择时/选币/执行/风控”的哪一环，先用一个可解释的常规策略作为基线（如简单动量/均值回归/再平衡）。
第2步：搭数据与回测
整理价量等基础数据，使用TimeSeriesSplit/Walk-forward回测，输出净值、最大回撤、夏普与交易成本；记录各折表现避免“只看整体均值”。
第3步：小幅引入AI
从简单、样本效率高的模型起步（树模型、线性正则化），关注可解释性与特征重要性；仅当AI在多折分布上显著优于基线再考虑升级。可用PBO/DSR过滤“幸运参数”。
第4步：风险与执行
把止损/止盈、仓位上限、日亏上限纳入策略；执行层可用TWAP/VWAP等算法降低冲击与滑点（属常规执行优化范畴）。
第5步：治理与合规
建立数据血缘、模型版本、漂移监控与回滚机制；对照FSB/BIS/ECB等对AI在金融中的稳健与审慎要求，形成审计可追溯的操作手册。
常见误区与纠偏
误区：AI一定比规则强
纠偏：在数据稀疏、信噪比低或结构清晰场景下，简洁规则更稳健、可解释更强；AI的优势在于高维非线性与多源数据，但需更严格的验证与治理。
误区：随机K折足够
纠偏：时间序列必须使用时间有序的验证方式，否则会信息穿越，回测成绩失真。
误区：回测夏普越高越好
纠偏：高夏普可能来自过拟合与多重检验，应用PBO与DSR来校正与筛查。
误区：只看模型，不看监管与系统性风险
纠偏：权威机构强调AI可能放大共振与稳定性风险，需把治理与合规纳入日常流程。
FAQ
AI量化与“算法交易”是不是一回事
算法交易更偏“自动执行框架”，既可以执行常规规则，也可以承载AI模型；AI量化强调用ML/DL做决策层的学习与预测。
怎样判断该不该上AI
先做一个可解释的基线，用TimeSeriesSplit/Walk-forward评估；只有当AI在分布层面显著稳定优于基线、且通过PBO/DSR筛查后，再考虑迁移到实盘灰度。
监管对AI量化的态度
国际组织与监管者总体“审慎乐观”：肯定效率提升，也强调数据、模型与操作韧性风险，要求把AI纳入日常治理与审计。
