Z Waves｜专访 Panda AI 李昱琦：用 Harness 重构投研，做交易领域的 Claude Code

过去几十年，量化交易做的一件核心事情，是把“投资经验”变成数据、公式和可以被验证的规律。AI Trading 可能会再往前走一步：把寻找规律这件事本身，也交给 AI。

今天很多金融 Agent 已经可以读研报、处理数据、写代码、挖因子和做回测，但这些能力大多仍然停留在一个既定 SOP 里。研究什么、怎么研究、什么样的结果值得相信，以及最后要不要真的下单，核心判断依然掌握在人手里。

Panda AI 想跨过的正是这一层。

创始人李昱琦把 AI Trading 分成 L0 到 L4：从完全没有大模型参与，到最终 AI 替代人完成大部分研究和交易决策，人只保留资金风控、出入金等最高权限。

他判断，现在整个行业大体还处在 L1 到 L2，而 Panda AI 的研究已经开始进入 L3：AI 根据市场变化重新设计流程、调用不同工具、改变研究方法。更长期来看，Panda AI 希望打通从数据、投研 Harness 到交易执行的完整链路，最终走向 Trading AGI。

如果这条路线成立，它改变的可能不只是量化研究效率。

当普通投资者也可以借助 AI 完成过去需要专业研究员才能完成的工作，个人与机构之间的能力差距会开始缩小；投顾、公募、私募原本依赖研究能力和组织规模建立的部分门槛，也可能被重新定义。与此同时，当越来越多 Agent 进入市场，Alpha 的产生方式、市场定价效率，甚至整个资管行业的组织形态，都可能随之变化。

这次，我们和李昱琦聊了聊：AI Trading 和传统量化到底有什么不同？AI 什么时候才算真正进入交易核心链路？以及，当机器也开始自己寻找 Alpha，市场会发生什么？

17 岁接触证券市场，从主观到量化，再到 AI Trading：主观和量化的真正差别在于对交易的理解

ZF：这期我们邀请到的是 Panda AI 的创始人李昱琦。首先请简单介绍一下自己。

李昱琦： 大家好，我是李昱琦，是 Panda AI 的创始人和 CEO，在网上大家也叫我李不白。

2023、2024 年的时候，我做过一段时间自媒体。但更早之前，我其实一直在做量化投资，做过中高频 CTA（采用较短周期信号和较高交易频率的系统化交易策略），以及基于机器学习的选股策略，也担任过量化私募的基金经理。

2024 年下半年，我们和最早的团队一起创立了 Panda AI。我们把自己现在做的事情称为 AI trading infra，希望打造一个 AI trading OS。我们的核心判断是，在 AI 时代，交易本身可能会出现一套新的范式。

ZF：Panda AI 不是你第一次创业。20 岁的时候，你就开始私募创业。那段经历对你后来有什么影响？

李昱琦： 当时那家私募我担任投资总监和基金经理，从策略到团队搭建，很多事情都需要自己来做。

那段经历让我很早就意识到，创业其实是一个不断面对未知的过程。就像有朋友问我，自己最强的能力是什么。我觉得就是学习和应对变化的能力。因为未来一定会不断出现新的问题，而创业者最需要的，就是快速理解这些问题，再找到解决办法。

ZF：你很早就进入金融市场，也做过量化私募和期货交易，还拿过实盘期货大赛“最年轻盘王”。哪一段经历真正改变了你对交易的理解？

李昱琦： 大概是 2019、2020 年，我还在上学的时候就在炒股。最开始和大多数人一样，也是看资讯、行情，做比较主观的交易。但金融工程在学校里学到的很多内容还是以定价理论为主，并不会直接告诉你在真实市场里应该怎么交易。

后来我逐渐积累了一套自己认为可以程序化的交易策略，也尝试用 Python 和一些程序化软件把自己的想法实现出来，但最后发现效果并没有想象中那么好。

然后我慢慢意识到，主观交易和量化交易真正的差别，并不只是程序化执行，也不只是量化能够规避一些人性问题，而是两者发现规律的方法不一样。 量化有一套更加严谨、可验证的方法论，在发现规律这件事情上，效率也会更高。

所以从 2020、2021 年开始，我逐渐转向统计和量化研究。到 2022 年，我发行了自己的第一只量化私募产品，主要做中高频 CTA。之前参加期货实盘大赛的经历，也让我越来越确定：主观和量化最大的差距，不在执行，而在对“什么是规律”、以及如何发现规律这些事情上的思考深度。

ZF：所以从那之后，你基本一直沿着量化这条路在走？

李昱琦：对。后来我越来越觉得，量化其实是所有投研方法里门槛比较高的一类。而且这种能力并不只适用于量化交易。很多基本面分析师、传统主观交易员，也都会用这一套非常严谨的数据分析方法。

ZF：你第一次做投资是在什么时候？家里有人从事金融行业吗？

李昱琦： 最开始大概是 17 岁，我父母都炒股，在家人的影响下开始关注起股票市场和投资方法。其实我父母都是机械相关的传统工程师。大概是 2015、2016 年，那时候正好赶上牛市，身边很多人都在炒股。我放学回家以后看到大家都在聊这些，就觉得挺有意思。

有一件事我印象特别深。那时候我爸爸有几个朋友经常带着电脑来我家炒股，有一段时间每天都特别开心。后来突然有一天，其中一个人把电脑砸了，听说是亏了很多钱。

ZF：那你也是比较早就看到了股市带给人的波动。后来为什么会选择做金融科普和自媒体？

李昱琦： 其实是机缘巧合。2023 年的时候，我们的量化产品刚发行一年，主要还是管理自营资金。后来朋友介绍我去深圳上了一个自媒体的线下课，当时也没有想过一定要做自媒体，结果第一条视频发出来就火了。

我那条视频大概是在讲“99 年基金经理怎么做交易、做投资”。当时市场对量化的了解其实比较少，也有很多负面的声音。所以我做这些内容，一个很重要的想法是为量化正名，告诉大家量化本质上是一种更加理性、更加系统的交易方法，不局限于高频交易。

ZF：你做自媒体面对的用户和过去做专业投资时接触的人应该很不一样。这段经历怎么影响你后来做投资产品和创业？

李昱琦： 我以前其实是一个不擅长表达的人，就是自己把策略做好，不太跟人交流。但开始做自媒体以后，我明显地感受到，用户其实是分层的，每个人理解问题的方式和角度都不一样。我需要先理解不同类型的用户，再根据他们的需求去做适配的内容。这个经历后来对我做 AI 产品影响很大。

Panda AI 最早其实就是一家比较简单的科技公司。2023、2024 年的时候，Coding Agent 和大模型的能力还没有今天这么成熟。当时我的粉丝增长比较快，我们就在想，能不能解决他们的一些真实需求。

当时很多用户都想把自己的主观交易想法，直接变成一套程序化策略去执行。所以我们当时招了两三个 IT，专门帮用户做这件事。但做了一段时间以后，我们发现这条路其实走不通。比如一个用户觉得某套技术指标或者图表分析方法实盘表现很好，我们把它写成代码之后，回测效果可能并不好。然后就只能不断加条件、不断调优。这个过程让我再次意识到，主观交易者和专业量化机构之间真正的差距，并不在于会不会写代码、能不能把策略程序化，而在于能否理解收益的来源，并用严谨的方法验证交易优势、管理风险，让盈利具备可重复性。

所以后来我们做了第一个开源项目 PandaFactor。它不再试图直接把想法变成交易策略，而是先把想法变成因子，再用比较严谨的金融工程方法去检验这个因子到底有没有效。

同时我们也一直在做社区、做内容，吸引到了很多专业用户。在跟他们交流的过程中，我们也会不断学习，并开始思考未来的交易和投研的形态。

从 L0 到 L4 的 AI trading：最终整个公开市场的投研和交易链路都由 AI 完成

ZF：ChatGPT 出圈是在 2022 年末，你现在创业也是做 AI trading 的产品。你什么时候意识到， AI 可能会是金融投研的一个很大变量？

李昱琦： 应该是 2024 年，我们开源过一个项目叫 QuantFlow，是把量化投研里大量常用的代码做成标准化的节点封装，用户通过拖拽，就可以组合出一些比较复杂的量化策略。后来 Alpha Arena 出现，它是通过比较标准的 Prompt 加上大模型，让模型自己进行决策和交易。

然后我们就意识到，也许可以让大模型自己参与交易，更大程度地替代人在投研过程中的一些工作，提高整个投研效率。

ZF：可以先简单地科普一下传统的量化交易，以及你们现在讲的 AI trading，和过去的量化交易本质上有什么不同？

李昱琦： 交易决策和执行，本质上只是研究成果的复现和沉淀。你可以做基本面研究、量化研究，也可以做图表研究，最后再把这些研究结果转化成交易决策。AI 真正改变的，首先还是投研过程和研究效率。

传统量化的投研方法，大概可以分成三类。

• 第一类是规则策略。比如满足什么条件就买或者卖，通过一系列条件形成策略，再用历史数据回测，看收益、回撤等指标，判断这个规律是否有效。无论是主观交易者，还是比较早期的量化交易员，做的其实都是这类事情。

• 第二类是多因子模型。这是过去很多大型量化机构比较标准的一套 SOP：从数据采集、特征工程、因子挖掘和检验，到多因子组合、组合优化，最后进入交易执行。过去很多量化私募会招大量实习生去挖因子，每个人可能只是整个流程中某一个环节的“螺丝钉”。

• 第三类是这几年比较流行的机器学习和端到端模型。数据输入之后，经过一个比较复杂的模型，其中可能包含机器学习、深度学习或者强化学习，最终直接输出交易决策。

AI trading 最开始做的，是让 AI 参与这些原有的投研流程。我自己之前写过一篇公众号文章，是把 AI trading 从 L0 到 L4 进行一个划分。

• L0 是完全没有大模型参与。 无论底层量化开发还是投研，基本都由人自己写代码，用 PyCharm、VS Code 这类传统 IDE 完成整个项目。

• L1 是大模型正式进入交易决策链路。 比较典型的形式就是 Prompt 加大模型，让模型根据输入的信息直接给出交易判断。Alpha Arena 是这类形态比较典型的案例。

• L2，AI 开始接管投研和交易里越来越明确的 SOP。 比如因子挖掘、数据分析、回测、建模等过去已经相对标准化的任务，都可以逐步交给 Agent 完成。

• L3 的区别是，AI 不再只是执行已经定义好的 SOP，而是开始自己设计和调整 SOP。因为真实市场的分布会变化，原来有效的方法不一定一直有效。AI 需要根据新的市场情况自己判断应该研究什么、调用什么方法，重新编排研究和交易流程。我们把这个阶段理解成一种智能的涌现：它真正具备了一部分动态交易和动态博弈决策的能力。

• L4，我觉得更多是信任和共识。大家真正愿意相信 AI 可以替代人完成大部分研究和交易决策。人可能只保留资金风控、出入金等最高权限，其他公开信息的收集、研究、判断和交易决策，都主要由 Agent 完成。

当然，人依然可能在一些非公开信息、特殊信息获取和处理上有自己的优势，但整个公开市场上的投研和交易链路，理论上都可以逐渐交给 AI。

ZF：那现在行业整体处于什么阶段？你们自己的产品进度呢？

李昱琦： 行业整体更多还是在 L1 到 L2，大家已经开始让大模型进入投研，也有越来越多 Agent 去执行比较明确的研究任务。

我们内部的研究现在已经开始进入 L3，做了很多不同架构的尝试，比如 RSI（Recursive Self-Improvement，递归自我改进）、SJS（Sealed Joint Search，密封联合搜索）这些架构。在自我思考、研究流程调整，以及一部分决策层面，AI 已经能够替代掉人的一部分工作。

所以我们现在关注的问题，已经不只是让 Agent 把一个既定任务做得更快，而是让它具备一定的 self-evolution 能力。我们也有论文提到了这种自进化的过程。它不仅要基于历史数据提出新的架构、模型和统计方法，提高发现规律的效率，还要面对实时变化的市场分布，根据新的环境重新调整自己的 Harness 编排和投研流程，并参与动态交易和博弈决策。

ZF：我们日常见到的很多金融 AI 主要解决的是效率问题，但提高研究效率和真正提高投资决策质量完全是两回事。看起来现在的 AI trading 是替代了原来实习生或者初级研究员完成的工作，但基金经理最终的判断和决策还没有被完全替代。

李昱琦：对，关键是 AI 有没有真正进入最终的交易链路。现在 AI 已经可以在历史数据上提出新的模型架构，也可以通过因子 Agent 挖出新的因子，提高研究效率。但最后这些 Alpha 要不要采用、怎么组合、什么时候交易，很多时候依然由人决定。

ZF：你刚才提到让 AI 根据市场变化，自己调整 Harness，可以展开讲讲这部分吗？

李昱琦： 我们之前基于 Arena 的思路，在国内做过一个期货版本的交易实验。其中一个对照，是使用同一个大模型，只改变 Prompt，让它做不同的交易决策；另一个对照，底层模型保持不变，但加入一些量化因子，让大模型基于这些因子做分析和优化，最后做交易决策

我们发现，即使底层模型完全不变，只要 Harness 的设计、深度和工作流不同，最终的交易结果就会产生非常大的差异。

所以在投研和交易场景里，你给模型什么数据、什么工具，怎么让它研究、验证、反思，再形成最终交易决策，这套 Harness 本身可能就是 AI trading 非常核心的一层。

ZF：目前业界采用 AI trading 的公司或者研究，有哪些已经做得比较深入？

李昱琦： 其实有很多。比较早有一篇清华大学交叉信息研究院的工作，是用大语言模型加蒙特卡洛树搜索做因子挖掘。过去自动因子挖掘会更多依赖 GPLearn（基于遗传编程的符号回归工具）或者基于 PPO（Proximal Policy Optimization，近端策略优化）的强化学习方法，这篇工作开始尝试让 LLM 参与搜索和因子生成，而且效率和效果都不错。后面像 CogAlpha（LLM 驱动的因子挖掘框架，通过推理、变异和重组不断进化候选 Alpha）这类因子 Agent 成果也都陆续出现。

国内像倍漾量化、半鞅私募，都是比较早把 AI 和机器学习深入用在投研、交易里的量化机构。这两年它们的规模增长也都比较快，倍漾已经是百亿级私募。

ZF：这类 AI 驱动的量化策略，会天然偏向中小盘吗？

李昱琦： 不一定。它对标的本身未必有固定偏好，最后选择什么，一方面取决于 AI 对市场的判断。比如它可能关注某一个评价指标，也可能自己提出新的评价指标去评价市场，再根据这些指标得到新的结论，决定应该偏向中小盘还是其他风格。这本身也是策略构建过程中 Alpha 的一个来源。

另一方面，还会受到产品本身的约束。比如产品做中证 1000 指增，或者沪深 300 指增，那它的选股范围和风险暴露本身就会受到限制，不会完全由 AI 自由选择。

ZF：AI 和金融交易结合，还有一个经常被讨论的问题是幻觉。Coding 的对错很多时候可以直接验证，但投资判断没有唯一答案。到了真正管理资金的时候，怎么规避这类风险？

李昱琦： 投研和 Coding 很大的一个区别，就是评价标准是不确定的。代码能不能运行、有没有 Bug，通常都有比较明确的标准。但投研的场景里，一个模型给出了反常的结果，你不能判断它一定是幻觉，也有可能这是模型发现的一种新的规律。

所以我们现在会先对这些问题做分类。比如到底是意图识别错误、代码生成错误、过拟合，还是未来函数调用错误。先把具体任务和错误类型拆清楚，再去判断它到底是不是幻觉、应该怎么处理。

现在这部分评价和判断很多还是需要人来做，不过未来我觉得也会逐渐由 AI 来完成。

ZF：你前面提到 self-evolution。你们现在已经观察到自进化在实际研究里产生价值了吗？

李昱琦： 我们今年 6 月发了一篇关于 Agent-to-Agent Self-Evolution 的论文。现在很多因子挖掘方法，本质上都是让模型不断在搜索空间里生成新的因子，再通过回测体系去测试，然后用一套评价指标判断哪些因子有效、哪些无效，把这个结果作为 reward，促使模型继续往更优的方向收敛。

但这样会有一个问题：最后能够挖出什么样的因子，很大程度上取决于你的因子评价体系本身。如果评价体系有局限，搜索算法再强，也可能只是在不断适应这套固定的评价标准。

所以我们那篇论文做的事情，是让因子和因子的评价体系共同进化。不只是让大模型提出新的因子，也让它自己提出新的评价指标，再用这些指标辅助 Agent 和原来的因子挖掘架构，寻找更好的因子。

这个架构已经比较接近 Auto Research 这个方向了，因为它已经开始触碰更深度的量化研究员、甚至基金经理的一部分研究工作。

ZF：这套架构已经在一些产品里开始落地了吗？

李昱琦： 目前还没有完整嵌入我们的 IDE 产品，后面会逐步加进去。我们的思路是，首先要自己提出或者验证一套真正对 AI trading 有价值、能够落地的交易范式，然后再围绕这个范式搭建整个 infra。

比如我们判断未来的投研会越来越偏向 Multi-Agent 管理、Agent Architecture 或者 Harness Engineering，那我们就围绕这些过程去建设基础设施。

从 Data 到 Execution：做交易领域的 “Claude Code”

ZF：对 Panda AI 来说，你们目前在 AI trading 上的产品策略是什么？

李昱琦： 我们现在想做的，其实是一个交易领域的 Claude Code ，也就是我们的 IDE 产品——EVO，目前已经在官网上线。

相比通用的 Claude Code、Codex，我们会加入更多金融工程相关的 Harness，包括研究流程、验证、收敛和进化。因为量化投研对整个研究过程的严谨性要求非常高。用户可以在 EVO 里挖因子、写策略，也可以做基本面分析、写研报。

我们现在会先攻最难的量化场景。因为投研和交易还处在类似 Coding Agent 比较早期的阶段，很多场景和工作流没有完全标准化。我们的想法是，先把量化这个专业度最高、验证要求最严格的场景做下来，再把这些能力逐渐泛化到其他投研场景。

所以现阶段产品更适合 Pro C 用户。随着底层模型和 Harness 能力增强，再逐渐向更广泛的投资用户扩展。

ZF：从技术栈来看，你们是完全基于最新的大模型，还是会和传统规则系统结合？

李昱琦： 我们现在整体是一个四层架构。

• 第一层是Data Layer。这是我们的数据 infra，包括大量结构化数据、非结构化数据，以及事件、舆情、公开量价等信息。对于金融来说，数据底层首先必须可信、可鉴权，这是后面整个投研链路的基础。

• 第二层是大模型层。我们有自己针对垂直金融场景微调的模型，同时也支持调用外部模型 API，包括 Claude Fable 5、GPT、DeepSeek 等。

• 第三层是投研层，主要包括 Skills 编排、Agent 管理和 Harness。这一层通过 IDE 来实现，把过去研究员的投研流程和经验沉淀下来，同时持续梳理和优化整个研究过程。

• 第四层是交易执行层。我们会把前面的研究结果和交易信号连接到交易基座或者交易所，最终把 AI 投研到 AI 交易的整个链路打通。

图片来源：PandaAI

ZF：如果和现在一些金融数据平台的 Agent 相比，你们最核心的区别是什么？

李昱琦： 我觉得最核心的还是 Harness。我们从比较早期就在深入不同用户、不同投研方法对应的真实研究流程，所以整个投研 Harness 会比通用大模型或者一些 Agent 终端更完善、更严谨。

即使输入完全相同的 Prompt，因为研究流程不同，最后出来的分析过程和结果都可能完全不一样，这会直接影响最终的投资结论。

所以我们不太关注最后生成的具体策略，而更关注策略被发现的过程。我们希望把优秀研究员发现规律、验证规律、调整研究方法的过程，逐渐变成 IDE 本身的能力。

ZF：相当于你们把整个投研和交易链路拆开，再判断每一层里大模型可以发挥什么作用。

李昱琦： 对。我觉得很多垂类 AI 应用的发展路径其实都类似，就是先把 Harness 做厚。

通过足够专业的场景和交付，把工作流、工具和专业经验沉淀到 Harness 里，提高交付质量；然后再逐渐把 Harness 中已经得到验证的通用能力用来优化模型，最后再向更广泛的用户泛化。投研交易也是一样，只不过可能还要再多一层 self-evolution。

ZF：回到刚刚提到的四层架构。如果交易执行层本身不太构成壁垒，那长期来看，Panda AI 的核心壁垒会落在数据、Harness 这些地方，这些能力最终会不会逐渐收敛？

李昱琦： 我觉得现在还没有到完全收敛的阶段。看整个 AI 的发展，本质上是在不断替代人的思考力和执行力。对于量化和交易来说，现在还处在 Harness 和场景案例都不够成熟的阶段，行业还在持续探索。包括 Anthropic 也在不断推出金融服务以及金融投研相关的 Skills。

所以现阶段更重要的是深入 Pro C 和 B 端用户，做足够多真实、专业的交付，提升投研场景里的 Harness 能力。

我觉得它会形成一个闭环：大模型能力提升，加上真实案例和用户交付的积累，会推动 Harness 不断进化；Harness 变强以后，又能服务更多、更专业的用户，产生新的案例和数据。 现阶段真正的壁垒，更像是这个闭环积累的速度和深度，而不是某一个单独的 Layer。

ZF：你觉得数据未来会越来越重要，还是越来越不重要？

李昱琦： 我觉得要分两类数据。

第一类是给用户做投研的基础市场数据。包括公开的结构化、非结构化数据，我们需要保证这些数据来源可信、能够鉴权。与此同时，我们的产品也支持用户导入自己的本地 CSV 或者其他另类数据。这部分数据也需要用户自己判断是否可信。

第二类会更重要，就是深度用户在真实投研过程中产生的使用反馈和行为交互数据。这些数据会告诉我们，专业用户是怎么研究问题的、怎么调用工具、怎么调整流程，以及什么样的 Harness 真正有效。对于整个 Harness 的持续进化来说，这类数据会越来越重要。

当普通人也能挖出机构级 Alpha，市场将会接近完全信息市场

ZF：你们 7 月发布的论文 AlphaSchema，核心是想解决什么问题？创新点是什么？

李昱琦： AlphaSchema 是我们和清华大学交叉信息研究院李建老师一起做的一篇工作。本质上，它是在重新思考 CogAlpha 等因子 Agent 的搜索架构。

过去很多因子 Agent，会把因子的构造、搜索和实现都交给大模型自己完成。AlphaSchema 做的一个核心改变，是先把交易逻辑显式拆成一个结构化的语义空间，包括 Event、Context、Qualities、Direction、Output 五个维度。也就是说，在真正生成因子公式和代码之前，先明确这个因子到底在描述什么市场事件、处于什么条件下、需要满足什么性质、预期方向是什么，以及最后以什么形式输出。这样可以直接修改其中某一个语义维度，而不是只能去改最终生成出来的代码或者公式。

另外，我们会把已经验证过的 schema plan 和最终回测 reward 积累下来，用一个机器学习模型去学习语义空间里哪些区域更可能产生好的因子，再反过来指导下一轮搜索。

所以它本质上还是 Alpha Mining，但优化的不只是某一个因子，而是把“应该去什么样的语义空间里寻找因子”这件事情显式化、结构化。

ZF：如果在 Alpha Mining 这条路线上往前追，之前的自动因子挖掘是怎么做的？

李昱琦： 最早的一批自动因子挖掘，更多是随机搜索。比如 GPLearn、DSO（Deep Symbolic Optimization，深度符号优化）这类方法，先定义一组原始特征和运算符，再在这个空间里不断进行组合和搜索，最后通过适应度函数筛选出表现比较好的因子。

然后是 AlphaGen 这类强化学习方法。它用 PPO，把因子或者因子组合的信息系数等评价指标作为 reward，让模型根据 reward 在原有的公式空间里不断搜索和迭代。

再后来的大模型加蒙特卡洛树搜索，是把 LLM 的语义能力引入进来，让大模型参与因子公式的生成和优化，再通过蒙特卡洛树搜索和回测反馈去搜索。相比纯 GP 或强化学习，它已经开始利用 LLM 的能力，但本质上仍然是在一个候选空间里不断搜索—评价—筛选—优化。

后面像 CogAlpha、QuantAgent 等工作，其实都是把大模型作为一个运算符和随机组合的形式。所以这里面共同的问题是，很多架构虽然用了 LLM，但没有真正把 LLM 的语义理解和思考能力充分发挥出来。 大模型很多时候仍然只是一个更高级的生成器或者搜索算子。

另一方面，无论是 GP、强化学习还是很多因子 Agent，它的能力上限都很受评价体系影响。如果一直用一套固定的评价指标去评价因子，那整个搜索系统最后就会不断向这套评价标准收敛。问题是，这套评价标准本身也可能有局限。

所以我们后面做 self-evolution 的思路就是，不仅让 AI 提出新的因子，也让它自己提出新的评价模型和因子评价体系，再反过来优化原来的因子 Agent。

ZF：按照这个思路，可以再具体介绍一下公司现在已经落地的产品。

李昱琦： 我们目前主要有三个产品。

• 第一个是 Qube，更偏小白用户。我们会预置一些 Skills，用户直接用自然语言描述自己的交易想法，系统去做语义识别，再把这个想法变成策略、完成回测，并通过 AI 做自动优化或者参数寻优。

图片来源：PandaAI

• 第二个是 EVO，它的定位就是交易领域的 Claude Code，面向更专业的用户，自定义能力会更强。用户可以自己写 Skill、写 Agent，也可以直接使用我们内置的金融工程 Harness，在里面做完整的量化研究。

图片来源：PandaAI

• 第三个是 OS，目前还在内测。它会进一步加入更多 A2A（Agent-to-Agent） 能力，核心是 Multi-Agent 的创建、管理和协作。

图片来源：PandaAI

ZF：如果具体到交互和使用链路，这三个产品分别怎么用？

李昱琦： Qube 最典型的场景主要有两个：一个是把想法直接变成策略，另一个是让 AI 自动优化策略。比如用户说，我想做一个基于某个标的金叉、死叉（指短周期均线上穿或下穿长周期均线，分别被视为偏多或偏空信号）的策略；或者做一个期货跨期套利策略；也可以基于某些基本面数据做一个多因子筛选策略。Qube 可以直接把这个想法实现出来并完成回测。接着 AI 会根据这一轮的结果提出优化建议，包括规则或者参数上的调整，然后继续回测和优化，形成一个迭代过程。

EVO 的自由度会高很多。比如你让 EVO 帮你挖一个因子，它首先可以确定研究标的，再确定因子挖掘的方向以及是否具有经济学解释；之后可以去搜索研报或者论文，基于这些材料做因子挖掘，再进一步做因子组合和策略优化。用户也可以导入自己的另类数据，让 EVO 基于这些数据重新寻找 Alpha。所以 EVO 更像一个专业研究工作台，它的可扩展性会比较强。

OS 更偏向 Agent 管理和工作流编排。比如你可以创建一个 Agent，让它每天去指定的可授权的资讯网站中获取数据并分析报告；再创建另一个 Agent，把这些报告转成结构化数据，定时进行分析；之后还可以继续做 PIT 处理（Point-in-Time，保证历史回测在每个时点只使用当时已经真实可获得的信息）。这些过程都可以用自然语言去完成，实现从投研直接到交易的完整链路。

ZF：真正进入交易这一层，现在已经能提供一站式服务了吗？

李昱琦： 对，目前我们的产品可以覆盖从投研分析到实际投资决策的完整工作流，并支持与用户现有的交易工具和系统进行衔接。但这一层的 harness 比单纯封装交易 API 复杂很多。

如果要让大模型参与实时交易，就需要处理大模型和交易系统之间的实时通信。比如模型这一轮给出了一个交易信号，但实际执行时，你需要同时知道当前的理论持仓、报单价格、订单有没有成交、成交结果是什么。如果没有成交，下一轮应该以什么价格重新报单？刚才实际成交或者没有成交的状态，又会不会影响下一轮大模型的判断？

这些状态都需要实时反馈回整个系统。所以交易执行层真正要解决的，是模型决策、实时市场状态、订单状态和下一轮决策之间的闭环。

ZF：国内这一侧交易，你们是已经接入上交所和深交所了吗？

李昱琦： 不是直接对接交易所。券商对数据安全和合规的要求比较高，业务数据不能直接流出券商环境，所以如果要真正接入股票实盘交易，需要由券商采购、部署我们的系统，再完成交易链路的打通。所以现阶段我们还做不到用一个通用终端，让所有用户直接在 Panda AI 上完成股票量化交易。

期货相对开放一些。用户在期货公司完成开户及相关权限开通后，我们的平台可通过经授权的柜台接口提供策略信号与交易执行的技术连接，最终让用户可以借助平台完成从投研、策略构建到交易执行的完整链路。

ZF：那目前这种交易方式能支持高频吗？

李昱琦：需要区分策略开发的投研环节和实盘执行的环节，目前在我们的产品里，高频投研没有问题。比如把高频数据做低频化处理、分析高频数据、挖高频因子或者开发高频策略，都可以在我们的 EVO 里完成。

但如果真正进入毫秒甚至纳秒级的高频实盘，通用终端接 CTP 就不够了。通常需要接入极速柜台、次席系统，甚至把服务器托管到靠近交易所的机房，专门优化整个交易基础设施。

ZF：你们现在怎么收费？

李昱琦： 目前主要是订阅加 Token 的一个费用，价格大概在每月几百元这个量级。

ZF：一些特殊数据会额外收费吗？

李昱琦： 会，现在已经有了。比如一些另类数据、盘中实时数据，以及一些特色数据，本身的数据成本就比较高，所以会单独收费。

海外市场也是类似。很多交易所的实时行情需要单独授权，这部分费用并不一定由我们收取，可能是用户直接向交易所或者数据授权方支付，我们负责做数据和系统的中转接入。

ZF：因为你们平台已经有很多用户在挖 Alpha。现在机器辅助的普通用户，和真正专业的量化研究员相比，差距还有多大？

李昱琦： 我们举办的每一届因子大赛都会用样本外结果做测试和排名。一个比较有意思的现象是，很多参赛选手其实没有特别专业的量化从业背景，但通过我们的 AI 和 Harness，一些比较 AI Native 的用户，最后也能够挖出接近专业量化研究员水平的因子。

我们平常判断一个因子能不能达到机构入库标准，会看自相关、滚动 IC、IR、Sharpe Ratio，包括在不同行业上的信息系数表现。我们很多获奖选手做出来的因子，在这些指标上已经能够达到类似机构的标准。

ZF：如果这类产品越来越普及，会怎么改变对冲基金和整个资管行业？

李昱琦： 我觉得现在很多资管产品其实还是比较偏 Beta，比如指增、中性，以及一些中低频 CTA。这些以跟踪市场或某类资产表现为目标的策略，其研究门槛未必高到个人完全无法参与。过去大家把钱交给资管机构，一个重要原因是自己没有能力完成这些研究和交易，另一方面也是对专业机构的信任。

但就像 Coding Agent 出来以后，一个人可以用 Cursor 做网页、做产品。未来投资可能也会出现类似的变化：很多投资者可以通过 AI 工具，自己做出接近机构的一些 Beta 策略。

ZF：如果越来越多个人都能拥有自己的策略，市场本身会发生什么变化？

李昱琦： 我觉得市场会趋向于理性定价，定价效率越来越高。但市场本身的复杂度短期不会消失。价值投资还是会存在，只不过价投的效率会提高；量化也会存在，只不过量化效率同样会提高。

有点像今天的 IT 和 SaaS 行业。工具能力提升以后，传统公司依然存在，但同时会出现越来越多 OPC。未来五年左右，投资领域可能也会长期存在这种并存状态。

ZF：也就是说，市场会越来越接近完全信息市场，单纯依赖信息差套利的空间会缩小？

李昱琦： 对。大家可能会越来越偏向 Beta 或者配置型交易。

ZF：那这类 AI 工具，会怎样改变个人与专业机构之间的差距？

李昱琦： 我觉得中短期内，个人可能先在数据分析、策略开发等方面，缩小与投顾机构的差距。AI 工具让个人也能完成一些过去需要专业团队支持的工作。

但这不意味着个人就具备了机构的全部能力。一些机构积累的独有数据、策略经验，以及交易系统和基础设施，并不是有了 AI 工具就能获得的。相比机构属于公募还是私募，我觉得更关键的是，它的优势具体来自哪里。

ZF：你提到的交易系统和基础设施，能举个例子吗？

李昱琦： 比如高频策略，即使个人能够把策略研究出来，也不代表能够执行。你可能需要专门的机房、极速交易基础设施，甚至需要把服务器托管到交易所附近，这些对个人来说门槛很高，但私募机构比较容易做到。

但对于中低频，以及执行基础设施门槛没有那么高的策略，我觉得个人和专业机构之间的能力差距会比较快地缩小。

ZF：如果 AI trading 大规模普及，你觉得市场的系统性风险会增加还是降低？

李昱琦： 我自己觉得会降低。因为过去很多系统性风险，一个来源就是市场形成了高度一致的评价体系。比如大家都认为小市值因子有效，无论机构还是个人都去交易同一个 Market Cap 因子，就很容易形成拥挤。

AI 提高的不只是因子的发现效率，也包括评价体系的发现效率。如果不同 Agent 可以形成更多不同的评价方法，市场可能反而不容易快速收敛到同一种共识。

ZF：你们目前的用户里，有没有一些比较典型的使用案例？

李昱琦： 我觉得有两类案例比较值得分享。

第一类是非常年轻的 AI Native Trader。很多是 00 后，也没有专业量化研究员经历，但对 Codex、Claude Code 这类 AI 工具非常熟悉。他们可以同时开很多 Agent，有的负责挖因子，有的建模型，有的盯盘，把 AI 直接嵌进整个投研和交易流程，而且做出不错的结果。他们有些过去做过交易，也有些几乎没有传统金融背景，整体以年轻男性为主。

第二类是过去做主观交易的人，比如打板或者游资类型的交易者。他们原来有自己的一套经验和方法，但开始发现这套方法未必一直有效，于是希望通过 AI 更快降低量化门槛，用更加严谨的统计方法检验自己过去的判断，再在这个基础上寻找新的策略。

ZF：你怎么理解 AI Trading 的终局？如果最终只是卖工具，市场空间会不会还是有限，最后还是要进入资管？

李昱琦： 我觉得所有 AI 工具真正的终局，其实都是 AGI。

AI 最终提升的是人的思考力和执行力，而现在包括资管公司在内的很多人力密集型组织，本质上都是依靠人的智力和执行力来创造价值、收取费用。这部分能力会逐渐被 AI 替代。

对我们来说，终局是走向一种 Trading AGI：让 AI 替代人完成大部分投研、思考和决策。这样的能力既可以被机构使用，也可以被个人使用。我觉得这比自己变成一家资管公司更有前景，因为它改变的不是某一家基金公司的效率，而是整个资管行业的组织范式。

这也是为什么我自己对做资管没有那么感兴趣。我们现在大部分投研还是以自营资金为主，也没有进行广泛募资。长期来看，我更希望做的是降低原来依靠专业知识和信息差形成的门槛，而不是利用这些门槛去做一家传统资管机构。

ZF：你了解海外像 Two Sigma、Jane Street 这些头部机构，现在怎么使用 AI 吗？

李昱琦： 其实包括 HRT、Jump Trading 这些机构，都开始比较公开地谈 AI 在交易研究和工程里的应用。比如用 Agentic Engineering 的方式，让 AI 帮助完成一部分量化的开发、研究和工程工作。

我和 Jump Trading 的一些朋友交流下来，觉得海外机构和国内的生态还是很不一样。很多海外头部机构更偏自营和高频，而美国传统市场本身的定价效率已经比较高，所以普通个人投资者未必需要通过复杂量化去交易股票，买纳斯达克或者标普这样的指数产品，对很多人来说已经足够。如果个人真的想主动交易，反而可能会去一些定价没有那么充分、市场结构更新的地方，比如预测市场，或者 Hyperliquid 这类市场。

国内还处在快速迭代的阶段，不同类型的投研和交易生态都还在发展，所以 AI trading 能够改造的空间也会更大一些。

ZF：整体来看，你觉得 AI trading 创业公司真正的护城河是什么？Panda AI 现在的壁垒在哪里？

李昱琦： 我觉得 AI 时代的产品不是提前设计好的，而是在和用户、生态共同成长的过程中形成的。

现阶段，我们一个比较重要的积累是足够多真实的交付案例和结果。包括国内 B 端机构的部署，以及我们自己的用户社区。这些真实使用场景，会持续产生数据、反馈和新的需求。

从公司的工作来看，我们大概同时做三件事。

• 第一，我们自己会不断探索比较前沿的 AI trading 场景。

• 第二，研发团队会基于这些真实场景去搭 Infra。我们的逻辑不是去追逐大模型的能力边界，而是根据自己的设想和经验建设相应的 Harness 和 Infra。

• 第三，是持续建设用户生态。很多产品真正的能力和壁垒，其实都是在和用户不断交互的过程中形成的。

所以我们的壁垒不是某一个单点技术，而是前沿交易实践、Harness 和 Infra 能力以及用户生态共同迭代形成的积累。

ZF：接下来你们中短期的产品规划，以及长期目标是什么？

李昱琦： 中短期最核心的产品还是 EVO。我们希望把它做成一个真正的“交易领域 Claude Code”，无论国内还是海外，用户都可以用它创建自己的 Trading Agent、Financial Agent。

长期来看，我们还是希望往 Trading AGI 走，让 AI 逐渐具备自主研究、思考和交易决策的能力。

快问快答

ZF：最后是快问快答的环节。如果只选一个指标判断一笔投资做不做，你最看重什么？

李昱琦： 最坏情况下的损失自己能不能承受吧。某种程度上类似盈亏比的概念。

ZF：做投资的时候，你更相信数据还是直觉？

李昱琦： 我觉得直觉其实是数据长期积累的结果。前期数据会非常重要，当积累到一定程度以后，才会慢慢形成所谓的投资直觉。

ZF：普通投资者最容易忽略的一个常识是什么？

李昱琦： 还没有经过足够的数据沉淀，就盲目相信自己的直觉。

ZF：用三个词形容自己？

李昱琦： 坚韧、学习、善良。

ZF：自己最大的缺点呢？

李昱琦： 有些时候太善良了。

ZF：这背后是有什么故事吗？可以展开讲讲吗？

李昱琦： 无论是做私募还是后来做科技公司，因为我创业比较早，对商业环境本身没有太多经验。

最早做私募的时候，我的想法很简单：只要能把策略做好，就应该能够扩大规模。后来才发现完全不是这样。规模增长背后还有渠道、商务、投资人沟通等很多事情，这些和单纯做策略是完全不同的能力。

其实很多做量化策略的人都比较像研究员的性格，觉得把东西做好就够了。我自己以前也是这种状态。

ZF：你们现在团队大概有多少人？研究员有多少？

李昱琦： 整个公司现在接近 60 人，其中研发大概三四十人，剩下主要是商务和运营。

ZF：创业到现在，吃过最大的亏或者得到最大的教训是什么？

李昱琦： 吃过最大的亏，也是以直觉做判断，就是太相信人了。

ZF：你最喜欢或者对你影响最大的投资人是谁？

李昱琦： 我刚开始做交易的时候，对我影响比较大的是细水资产的王宏渊总。他教过我很多交易经验。

他最早做主观交易，后来也逐渐转向量化。他的经历对我影响比较大，因为他也是从比较小的本金一步步做起来的，然后现在做到了大概十位数的级别吧。

ZF：你从他的投资经历中学到的最重要的一点是什么？

李昱琦： 我觉得是不否认运气。

投资特别容易形成一种自我闭环和正反馈。一个人连续取得成功以后，会越来越笃信自己的投资方法论，但这其实是一个很危险的信号。

很多重大的交易失误，最后都来自对自己的盲目自信。所以我从他身上学到的一点就是，不能把每一次成功都完全归因于自己的能力，要承认其中一定有运气。这种心态会促使你一直学习新的东西，也敬畏市场。

ZF：你自己亏过大钱吗？

李昱琦： 亏过。也经历过一些不太好的阶段。

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。