理解技术指标、权重机制与 AI 因子设计之间的连续关系
免费公开课免费公开课
AI量化系列公开课(4)：AI如何重构技术指标
从 SMA、EMA 到 Attention，理解 AI 如何升级因子工厂范式
聚焦技术指标背后的权重机制，从卷积、LSTM 到 Attention，帮助学习者看懂 AI 为什么能重构传统技术指标与因子生产方式。
免费申请观看权限 ↗
- 学习阶段
- 免费
- 观看方式
- 腾讯会议录播
- 内容安排
- 14个专题
学习权益免费
申请观看权限 ↗这门免费公开课适合对技术指标、深度学习结构和 AI 因子工厂范式感兴趣的人，尤其适合想看懂“AI为什么能重构技术指标”这个问题的学习者。
01 / THE OUTCOME学完之后，
学完之后，
你能带走什么。
从理解方法，到形成自己的研究能力。
知道 AI 为什么不是替代指标，而是在重构权重生成方式
更容易接受后续白箱因子工厂和因子工程设计课程内容
用公开课形式把 SMA、EMA、LSTM、Attention 放到同一条权重演化主线上
解释技术指标如何从固定规则走向内容驱动权重机制
把 CNN、Attention 和白箱因子化连接到因子工厂体系
适合作为 AI 因子工程和大模型提效课程之前的启发型试听
02 / FIND YOUR PLACE先确认方向，
先确认方向，
再决定如何出发。
适合这样的你
- 接触过技术指标，想看懂 AI 如何重构指标逻辑的人
- 想把 Attention、LSTM 等模型和因子工程联系起来的人
- 准备进入因子工程设计主线前先做认知升级的人
技术指标研究者 · 对 Attention 与因子工厂感兴趣的人 · 想理解 AI 如何升级传统指标的人 · 准备进入 AI 因子工程主线的学习者
开始前，需要准备
- 适合已经接触过技术指标或基础机器学习的人
- 不要求深度学习专家背景，但愿意理解权重机制会更容易吸收
- 想知道 AI 如何真正进入因子工厂的人会收获更大
哪些情况建议先调整学习计划？
- 只想背几个经典指标公式、不关心方法演化的人
- 完全不接触技术指标与基础机器学习概念的人
- 只想看黑箱模型效果，不关心白箱因子化路径的人
03 / THE CURRICULUM知识有顺序，
知识有顺序，
能力逐步建立。
4 个模块，按学习顺序展开。
点击每个模块，查看具体主题与课时。
- 01
AI 到底在做什么试听
08:00 - 02
因子生产的四种范式
12:00 - 03
AI 为什么可以重构甚至超越传统技术指标
10:00
常见学习方式
很多同类内容会把技术指标和 AI 模型分成两套语言体系: 一边讲 SMA、EMA、MACD，一边讲 CNN、LSTM、Attention，中间缺少真正可迁移的解释桥梁。学习者容易两边都听过，但始终无法把它们接成一套方法。
本课的侧重
这节公开课的定位，是帮助学习者重新理解技术指标、权重机制和白箱因子工厂之间的关系，为正式进入因子工程设计主线做认知升级。它承担的是方法论启发，而不是普通指标科普。
关键差异
它不是单纯的指标科普或模型科普，而是把传统指标、AI 权重机制和因子生产系统连成一条演化逻辑。这样的讲法能让学习者第一次真正理解 AI 如何进入因子工程，这在市场上相对少见。
IN PRACTICE让方法，
让方法，
落到具体的问题里。
把技术指标学习从公式记忆升级为权重机制理解
- 研究场景
- 很多学习者会背 SMA、EMA、MACD 的公式，但很难理解它们和 AI 模型之间到底有什么本质关系。
- 方法路径
- 公开课用 SMA→EMA→LSTM→Attention 的主线，把传统指标和 AI 权重机制连成一条演化链。
- 学习结果
- 学习者更容易理解为什么 AI 能进入因子工厂，也更容易接受后续白箱因子化与系统化生产的正式课程内容。
YOUR INSTRUCTOR与你一起，
与你一起，
把研究做扎实。
AI量化邹老师
量化课程讲师 · 因子工程与科学评估围绕量化基础、因子工程设计、科学评估和 AI 辅助研发组织课程与公开研究。教学结合问题定义、代码实践、样本外验证和工程复现，帮助学习者形成可检查、可复盘的研究流程。
关注学院的公开分享 ↗A CLOSER LOOK
进一步了解这门课。
这门公开课为什么会对技术指标学习者很有冲击
很多人学习技术指标时，会把 SMA、EMA、MACD、RSI 当作固定工具箱来看；学习 AI 模型时，又把 CNN、LSTM、Attention 当成另一套黑箱体系来看。结果是指标和 AI 各学一套，却始终不知道两者怎样真正连起来。
这门公开课会把技术指标重新解释成“权重机制”的不同表达，再把 SMA、EMA、LSTM、Attention 放到同一条演化路径中来看，帮助学习者真正理解：AI 并不是凭空替代技术指标，而是在重构权重生成方式，并进一步进入白箱因子工厂。
适合哪些想看懂 AI 因子工厂范式的人
如果你已经接触过技术指标，或者知道一些 CNN、LSTM、Attention 的概念，但还不能把它们和量化因子工程联系起来，这门公开课会非常适合作为试听入口。它更像一节“方法升级课”，先把传统指标和 AI 因子工程之间的桥搭起来。
它和常见指标公开课的差异在于，不是多讲几个模型名词，而是直接把传统指标、AI 权重机制和白箱因子生产系统放到同一套因子设计逻辑里。
教学方式与课程资料说明
- 数据与案例
- 课程讲义与公开研究中的示例
- 实践方式
- 代码实现、复现与验证
- 课程范围
- 量化基础 / 因子工程 / 科学评估 / AI辅助研发
- 课程目标
- 建立可复盘、可迁移、可升级的研发框架
体系化落地
从目标设计、特征工程、因子研究到风控、部署与复盘，强调一套完整方法如何真正落地。
理论+代码并行
不只解释原理，更会讲清每一步为什么这么做、对应什么工程实现，以及如何迁移进自己的研究流程。
可复用框架
目标不是只学完目录，而是沉淀一套可复盘、可扩展、可持续升级的量化研发与策略迭代框架。
BEFORE YOU BEGIN出发前，
出发前，
把疑问说清楚。
这门免费公开课适合对技术指标、深度学习结构和 AI 因子工厂范式感兴趣的人，尤其适合想看懂“AI为什么能重构技术指标”这个问题的学习者。