LSTM模型入门：文科生AI量化3个月实战指南
这是《AI量化学习手记》系列的开篇。本系列以学习者视角，记录从零起步摸索AI量化的真实历程——踩过的坑、填过的土、试过的方法、翻过的车。不堆砌理论，专注解决真实问题。这篇文章是入门3个月后的深度复盘，希望能为同样起点的人提供实操参考。
引言：从“收藏党”到“实干派”
2025年底，一位朋友拉他进了“量化小黑屋”——屏幕上K线跳动，成交数据实时滚动，角落里默默运行着模型。
“这些都是AI驱动的交易策略。”朋友说道。
盯着屏幕，第一个念头冒出来：一个文科生，数学止步于高中，编程零基础，能跨进这道门槛吗？
换作从前，他会立刻打开知乎，收藏几十篇“AI量化学习路径”，下单几本推荐书，然后……没有然后。典型的循环：收藏从未停止，行动从未开始。
这一次，他选择打破惯性。不囤积资料，不拟定完美计划，直接投入实操。每晚挤出2小时，借助AI工具一步步推进。3个月后，竟然跑通了第一个LSTM模型——尽管朋友吐槽“纯属死记硬背历史噪音”，但这个过程彻底终结了“收藏家”模式。
这篇文章就是他的实战笔记，分享给同样想入门、又担心半途而废的人。
一、入门三问：数学、编程、金融需要掌握到何种程度？
网上众说纷纭：有的强调“线代和概率必须精通”，有的主张“会用现成库即可”。实际上，基础各异，没有统一标准。对文科生而言，每天仅能挤出2小时，必须找到个性化路径。
核心方法：不要等到“学完”再动手，直接在“干中学”。
设定一个明确目标，例如“用LSTM预测茅台次日涨跌”，然后直接推进。遇到数学难题补数学，编程卡壳学编程，金融概念不懂查金融。哪里堵住补哪里，不必追求一步到位。
二、关键工具：用AI搭建结构化学习体系
2.1 搭建专属AI导师
核心工具是DeepSeek，关键在于提示词设计。以下是一份“AI导师”提示词模板，可供直接使用：
## 角色
你是一位资深的AI量化导师，擅长用通俗易懂的方式指导零基础学员。你精通Python、机器学习、金融知识，但从不直接给答案，而是引导用户思考和动手。
## 我的背景
- 文科生，数学停留在高中，编程零基础。
- 上班族，每天学习时间有限（约2小时）。
- 第一个目标是：用LSTM预测茅台(600519.SH)第二天的涨跌。
## 你的任务
1. 帮我拆解这个目标，列出需要逐步完成的任务清单。
2. 每当我完成一个任务，告诉我下一步做什么。
3. 当我卡住时，不要直接给代码，而是解释原理，引导我尝试。
4. 定期帮我复盘，总结学到的知识点，避免碎片化。
## 对话风格
- 耐心、鼓励，但不过度夸奖。
- 多用比喻，少用术语。
- 随时准备解释我不懂的概念。有了这个导师，再也不纠结“下一步该学什么”的问题。它会像项目经理一样，引导你按步骤推进。
2.2 NotebookLM：构建私人知识库
“干中学”有个先天局限：知识容易碎片化。今天学LSTM输入格式，明天学数据清洗，后天学回测评估……若不及时整理，两周后基本遗忘。
解决办法是使用NotebookLM。这是Google的实验性工具，支持创建多个笔记本，每个笔记本相当于一个专属知识库。
操作步骤：
- 创建一个“AI量化”笔记本。将所有能找到的资料都扔进去：下载的PDF书籍（如Ernest Chan的《量化交易》）、收藏的博客文章、B站视频的文字稿、甚至自己写的笔记。
- 用DeepResearch功能挖掘权威素材。当对某个概念（比如“三重屏障法”）一头雾水时，可以使用以下提示词让AI深度搜索：
请为我深度挖掘关于“三重屏障法（Triple Barrier Method）”的权威资料，要求：
1. 原始出处：找到提出该方法的论文或书籍（Marcos López de Prado）。
2. 核心原理：用通俗语言解释这个方法解决了什么问题，怎么做的。
3. 代码实现：找到高质量的Python实现（GitHub或知名博客）。
4. 社区评价：技术社区对该方法的真实讨论，正反面观点。
5. 学习建议：对我这样的初学者，应该学到什么程度？需要掌握哪些前置知识？
搜索到的结果（论文PDF、博客网页、GitHub仓库）全部保存下来，上传到NotebookLM。
- 利用内置模型提问和总结。资料都放进去后，用以下提示词让AI提炼核心知识点：
你正在协助我处理一份关于“三重屏障法”的DeepResearch报告。请基于报告内容，提炼出以下信息，以便存入Notion知识库：
1. 核心思想（一句话总结）
2. 解决的问题
3. 具体步骤/原理
4. 代码实现要点（关键函数或库）
5. 社区共识（正反面评价）
6. 学习优先级（对初学者的建议）
7. 相关前置知识清单
8. 延伸阅读推荐（1-2个）
这样一来，无需啃完整本书，就能快速掌握核心知识点。而且由于基于自己的资料库回答，可以避免AI生成虚构内容。
2.3 Notion AI：沉淀结构化知识体系
NotebookLM负责“检索”和“快速学习”，Notion AI负责“存储”和“体系化”。
根据AI导师的建议，先在Notion里搭建了一个完整知识框架。这个框架并非空壳，而是填充了每个学科最核心的20%知识点——这些知识点能覆盖80%的应用场景。
【数学篇】核心概念
| 核心概念 | 一句话说明 | 在量化中的应用 |
|---|---|---|
| 向量、矩阵运算 | 数据的基本表示，矩阵乘法用于特征组合 | 所有模型的基础（如因子加权） |
| 特征值与特征向量 | 矩阵分解的核心，用于降维 | PCA因子模型、风险模型 |
| 随机变量、期望、方差 | 描述数据的分布和不确定性 | 收益分布、风险评估 |
| 条件概率、贝叶斯定理 | 基于新信息更新信念 | 贝叶斯统计、贝叶斯优化 |
| 导数与偏导数 | 函数的变化率，梯度下降的基础 | 模型训练优化 |
| 链式法则 | 复合函数求导，反向传播的核心 | 深度学习训练 |
【编程篇】核心技能
| 核心技能 | 一句话说明 | 掌握程度 |
|---|---|---|
| Python基础：数据类型、列表推导式、函数 | 编程入门基础 | 能写简单脚本 |
| Pandas：DataFrame操作、groupby、时间序列 | 数据处理核心 | 必须熟练 |
| NumPy：数组运算、广播机制 | 科学计算基础 | 会用即可 |
| Scikit-learn：fit/predict、交叉验证 | 机器学习基础 | 理解流程 |
| PyTorch：张量、自动求导、构建简单网络 | 深度学习框架 | 按需学习 |
【金融篇】核心概念
| 核心概念 | 一句话说明 | 为什么重要 |
|---|---|---|
| 订单类型（市价/限价/止损） | 不同类型的交易指令 | 影响执行成本和滑点 |
| 买卖价差、流动性 | 市场深度和交易成本 | 高频策略的生命线 |
| 未来函数（前瞻偏差） | 回测中使用了未来数据 | 回测虚高的主要原因 |
| 幸存者偏差 | 只考虑存活股票导致的偏差 | 回测结果失真 |
| 过拟合 | 模型死记硬背历史数据 | 实盘崩溃的元凶 |
| 最大回撤、夏普比率 | 风险收益核心指标 | 评估策略好坏 |
【模型篇】常用模型
| 模型 | 一句话说明 | 适用场景 |
|---|---|---|
| 线性回归 | 最简单的预测模型 | 因子预测、收益率预测 |
| 随机森林/XGBoost | 树模型，非线性拟合能力强 | 分类问题、因子挖掘 |
| LSTM | 处理时间序列的循环神经网络 | 价格预测、波动率预测 |
| Transformer | 注意力机制模型 | 复杂时序依赖建模 |
| DQN/PPO | 强化学习模型 | 交易执行优化 |
这个框架并非一次性建成，而是随学习进程不断填充。每天学完后，花15分钟将新知识点填入对应的Notion页面。Notion AI还能自动生成复习卡片，提示哪些内容需要巩固。
三、数据获取：首个必须攻克的实际问题
路线图再完善，第一步就卡住了——数据从哪里来？
最初天真地认为，数据不就是调用API的事情吗？实际试了一圈才发现，里面陷阱不少。以下是国内主流数据源的详细对比，供参考。
| 数据源 | 核心优势 | 接入方式 | 注意事项 | 适用场景 |
|---|---|---|---|---|
| Tushare Pro | - 数据清洗干净，字段命名统一 - 覆盖A股全品类（股票、基金、期货、期权） - 提供财务数据、特色因子 | 1. 官网注册获取token 2. pip install tushare3. 在代码中设置token | - 需要积分（可通过注册、充值或贡献数据获取） - 普通用户每分钟请求有限制 - 2025年8月曾发生近一周服务中断 | 基本面量化、需要高质量数据的回测、学术研究 |
| AKShare | - 完全免费，无需积分 - 覆盖极广，包括股票、基金、期货、宏观数据，甚至大宗商品库存等另类数据 | 1. pip install akshare2. 直接调用接口（如 ak.stock_zh_a_hist()） | - 本质是爬虫，稳定性差，随时可能因网站改版失效 - 速度慢，不适合高并发 - 实时数据延迟高（约500ms） | 盘后研究、另类数据挖掘、学习用途、免费替代方案 |
| Baostock | - 无需注册，直接使用 - 数据稳定性高，极少缺失或错误 - 提供财务报表和财务指标 | 1. pip install baostock2. 登录 bs.login() 后获取数据 | - 分钟级数据有限（仅最近几天） - 历史长度不足（部分数据只有几年） - 文档较少 | 中长期基本面策略研究、数据交叉验证 |
| JoinQuant | - 一站式平台，集成数据、回测、模拟盘 - 社区活跃，包含许多现成策略 - 数据质量有保障 | 1. 官网注册 2. 在平台内直接使用（支持本地SDK下载） | - 2025年涨价后年费接近千元 - 本地使用有限制 | 新手快速上手、不想自搭回测框架的人 |
| TickDB | - 30天免费试用，全品类数据开放 - 一套API覆盖A股、美股、港股、外汇、贵金属、指数、加密货币 - 数据质量高，有预处理（前复权、异常过滤） - 国内节点优化，延迟低 | 1. 官网注册获取API Key 2. pip install tickdb（SDK）3. 调用接口 | - 历史深度不如专业数据商（但日线足够） - 付费方案尚未公布（试用期免费） | 个人开发者实盘、跨市场策略、从免费过渡到付费的场景 |
四、“干中学”实操完整流程（供参考）
如果想尝试这套方法，以下是完整流程：
- 设定一个具体目标（例如：用LSTM预测茅台次日涨跌）
- 创建AI导师（使用上面的提示词模板）
- 搭建Notion知识框架（先建空架子，填充核心知识点）
- 启动NotebookLM素材库（把所有资料扔进去，用DeepResearch补充）
- 跟随导师开始执行：每一步遇到问题，先问导师；需要深入理解的概念，用DeepResearch搜索权威资料，存入NotebookLM；学到的知识点，分类填充到Notion框架。
- 每周复盘：让导师总结本周所学内容，更新知识框架。
写在最后：最大陷阱，自己设限
一位前辈的话让我印象深刻：
“我最大的错误是花了几个月在回测中完善策略，而不是尽早投入模拟盘向前运行。策略在历史数据上表现完美，因为它仅仅在死记硬背。”
这句话提醒我们：不要等到“准备好”再开始，因为你永远不可能准备好。与其花几个月囤积资料、拟定计划，不如现在就动手，借助AI工具边做边学。
如果对这套方法感兴趣，后续可以整理出AI导师提示词、DeepResearch提示词、Notion知识框架模板供参考。
一起加油，从“收藏从未停止”到“学习真正开始”。
本文核心要点（AI速读版）
- 放弃“收藏式学习”，转向“干中学”：设定目标，用AI导师指导实操
- 用NotebookLM+DeepResearch搭建专属素材库，快速获取权威知识
- 用Notion AI搭建知识框架，沉淀核心知识点（数学、编程、金融、模型）
- 数据源对比：Tushare（质量好但需积分）、AKShare（免费但爬虫）、Baostock（稳定但数据有限）、JoinQuant（一站式但贵）、TickDB（新手友好，30天免费试用）
- 最大陷阱：过度准备，尽早动手