> Source: https://ashareapi.com/agent-quant/  ·  Markdown version for LLMs / AI agents

Agent 量化

# 什么是 Agent 量化
 传统量化里，人写策略；Agent 量化里，Agent 自己做研究。门槛从「会 Python」变成「会提问」，但瓶颈也换了 —— 不再是策略写得对不对，而是 Agent 会不会编。

 一句话定义
 **Agent 量化 = 让 Agent 自己走完「提假设 → 取数 → 回测 → 验证」的闭环**，人只负责提问和裁决。它要的不是「数据多」，是「**数据可核对**」—— 因为 Agent 出错时，你分不清「算出来的」和「编出来的」。

## 与传统量化的分野
 不是「同一件事做得更好」，是**换了一个执行者**。执行者一换，门槛、瓶颈、平台的角色全跟着换：
 |
| | | 传统量化（聚宽 / 米筐 / 优矿 / 掘金） | Agent 量化

| | 谁做研究 | **人**写策略 | **Agent** 自己做研究

| | 数据给谁用 | 给人写的策略代码调 | 给 Agent 直接调（MCP）

| | 用户门槛 | 会 Python | 会提问

| | 主要瓶颈 | 策略写得对不对 | **Agent 会不会编**

| | 平台的角色 | 数据 + 回测引擎 + 策略社区 | **可信数据层**

| | 自动化程度 | 人定规则，机器执行 | Agent 自己提假设、自己验

 谁做研究
 **人**写策略
 **Agent** 自己做研究

 数据给谁用
 给人写的策略代码调
 给 Agent 直接调（MCP）

 用户门槛
 会 Python
 会提问

 主要瓶颈
 策略写得对不对
 **Agent 会不会编**

 平台的角色
 数据 + 回测引擎 + 策略社区
 **可信数据层**

 自动化程度
 人定规则，机器执行
 Agent 自己提假设、自己验

 ⚠️ 关键区分：传统平台的「AI」是用大模型帮你**写策略代码**（人仍在环内）⇒ 他们做的是 **Copilot**；我们做的是 **Autopilot 的底座** —— Agent 自己完成「取数 → 提假设 → 验证 → 迭代」的闭环。

## 最锋利的一刀：可核对
 Agent 量化最大的风险，不是数据少，是「AI 编了你不知道」：
 传统量化
 传统量化出错：人写的代码，**能 debug**

 Agent 量化
 Agent 量化出错：**你分不清「算出来的」和「编出来的」**

 ⇒ 所以 Agent 量化真正需要的不是「数据多」，是「**数据可核对**」。下面这些设计不是卖点包装，是让 Agent 的结论**能被复算**：
 |
| | 我们的设计 | 对 Agent 意味着什么

| | K 线**固定前复权**，无 `adjust` 参数，除权除息日不跳空 | Agent 算的涨跌幅**可复现** —— 换个时间再跑，结果一样

| | 单位统一（元 / 股 / 手写清） | Agent 不会算错量级

| | 空结果 ≠ 故障 | Agent 不会把「没有数据」误判成「服务坏了」

| | 固定信封 `{ ok, endpoint, tier, elapsed_ms, source, data }` | Agent 能自己判断「这次调用成没成」

 K 线**固定前复权**，无 `adjust` 参数，除权除息日不跳空
 Agent 算的涨跌幅**可复现** —— 换个时间再跑，结果一样

 单位统一（元 / 股 / 手写清）
 Agent 不会算错量级

 空结果 ≠ 故障
 Agent 不会把「没有数据」误判成「服务坏了」

 固定信封 `{ ok, endpoint, tier, elapsed_ms, source, data }`
 Agent 能自己判断「这次调用成没成」

## 一条闭环长什么样
 Agent 量化不是「问一句就出选股结果」，是一条可以查错的链路：
 1 接上数据
 把数据接成 Agent 能直接调的工具（MCP 或 REST），不是让它读网页

 2 提一个假设
 Agent 自己提：「放量突破 20 日高点后 5 日胜率如何」

 3 取数
 Agent 调工具拿真实数据 —— 结构化、带口径、可复算

 4 回测
 按统计门槛裁决：样本量够、置信区间下界 > 0、样本外方向一致

 5 ⚠️ 发现 Agent 编了
 结论和数据对不上 —— 这一步才是 Agent 量化真正的难点

 6 怎么查出来
 回到原始数据复算。**口径固定** ⇒ 复算结果必然一致，编没编一验就清楚

## 我们的边界（先说清）
 这一页讲的是品类，不是承诺。三件事我们不做：

 不承诺收益
 我们不告诉你哪只票会涨。数据和验证方法给你，判断在你。

 不碰自动交易
 我们只提供数据与验证能力，不下单、不接管账户。

 不跟竞品比「AI 选股准不准」
 那是给散户的收益承诺。我们讲的是给开发者的能力承诺：**AI 说的怎么验**。

## 想动手做
 这一页定义品类；具体怎么做在下面这几篇：
 [AI 量化怎么做：数据与验证（完整指南）](/docs/ai-quant) 四条数据路径对比 · REST 与 MCP 两条接入路 · 回测最容易骗自己的四个坑

 [用 MCP 让 AI 做 A 股量化研究](/docs/guides/ai-quant-mcp) 取数 → 回测 → 裁决，含四条裁决规则

 [MCP 接入说明](/mcp) 一个 URL 接进 Claude Code / Cursor / Codex 等客户端

## 常见问题
 Agent 量化和「AI 选股」是一回事吗？
 不是。AI 选股通常指用模型给出一份股票名单（对散户的收益承诺）；Agent 量化指 Agent 自己做研究、自己取数、自己验证的整套流程（对开发者的能力承诺）。我们不承诺选股结果，只保证数据可核对、结论可复算。

 没有编程基础能做 Agent 量化吗？
 可以起步。Agent 量化把门槛从「会 Python」降到「会提问」—— 你把假设说清楚，Agent 去取数、去算。但**裁决**这一步仍需要你判断：样本量够不够、样本外还成不成立。

 为什么「可核对」这么重要？
 传统量化里代码是人写的，出错能 debug；Agent 量化里结论是模型生成的，出错时你分不清是算出来的还是编出来的。所以口径固定（前复权、单位统一、固定信封）不是细节，是能不能用 Agent 做量化的前提。

 你们提供回测吗？
 提供。单标的 / 组合回测、多标的 × 多策略的批量回测，含佣金 / 印花税 / 滑点 / 涨跌停。策略与因子库也可以直接调。详见 MCP 接入说明。

 从一条真实数据开始
 免费工具（行情 / K线 / 热搜 / 市场总览 / 涨跌分布）无需 Key，接上就能让 Agent 跑第一条链路。

 [MCP 接入说明](/mcp)[查看定价](/pricing)