自从2年前ChatGPT发布后带火了大语言模型（LLM）这个领域，越来越多VeighNa社区的同学在关注如何将其应用到量化交易业务中。当下全球大模型竞赛得如火如荼，几乎每天都会：
有新的大模型诞生发布 已有大模型进一步优化 发现新的应用领域方向
在内容上，本套课程的亮点优势包括：
使用VeighNa平台上的量化投研业务作为应用场景和实践案例，结合深入浅出的讲解，帮助学员构建大模型应用开发的完整知识体系； 结合课程的论坛专区和微信答疑群，实现双向化的互动学习方式（例如每位同学认领一个大模型的量化探索任务），根据学员的反馈增加直播加餐的内容。
| 课时 | 章节 | 主题 |
|---|---|---|
| 1 | 初识大模型AI | 体验大模型的强大之处 |
| 2 | 大模型驱动的量化投研 | |
| 3 | 课程目标与学习路线图 | |
| 4 | 大模型专业术语解读 | |
| 5 | 双向化的互动学习模式 | |
| 6 | 快速上手实践 | 量化开发环境搭建 |
| 7 | 准备投研数据服务 | |
| 8 | CTA策略靠什么赚钱 | |
| 9 | 策略模板开发入门 | |
| 10 | 实现经典双均线策略 | |
| 11 | 时序容器ArrayManager | |
| 12 | 评估历史回测绩效 | |
| 13 | 掌握核心知识 | 事件驱动回测流程解析 |
| 14 | 回测中的委托撮合机制 | |
| 15 | 如何避免未来函数陷阱 | |
| 16 | 从成交到盯市盈亏计算 | |
| 17 | 策略绩效统计指标分析 | |
| 18 | 扩展绩效图表绘制技巧 | |
| 19 | 量化开发助手 | 许多量化初学者的梦想 |
| 20 | 尝试生成更复杂的策略 | |
| 21 | 深入了解Prompt Engineering | |
| 22 | 编写清晰明确的指令 | |
| 23 | 如何区分指令和内容 | |
| 24 | 结构化数据结果输出 | |
| 25 | 给出任务的详细步骤 | |
| 26 | 会话中的上下文信息 | |
| 27 | Token的重要性解析 | |
| 28 | 提供互联网参考资料 | |
| 29 | 大模型开发的循环迭代 | |
| 30 | 策略改进优化 | 完整CTA策略的构成 |
| 31 | 交易信号条件逻辑 | |
| 32 | 技术指标扩展开发 | |
| 33 | 掌握三种入场信号 | |
| 34 | 对比四种出场方式 | |
| 35 | 移动止损进阶应用 | |
| 36 | 参数优化的必要性 | |
| 37 | 暴力穷举与遗传算法 | |
| 38 | 参数优化细节技巧 | |
| 39 | 实盘交易运维 | SimNow仿真交易 |
| 40 | 每日策略生命周期管理 | |
| 41 | 从Tick合成K线数据 | |
| 42 | 开平自动转换规则 | |
| 43 | 发送实时消息通知 | |
| 44 | 盘中异常风险处理 | |
| 45 | 深度进阶应用 | 大模型的幻觉问题 |
| 46 | Numba JIT性能优化 | |
| 47 | 研读海外量化资料 | |
| 48 | 股指进阶策略分享 | |
| 49 | 商品进阶策略分享 | |
| 50 | 课程整体回顾与总结 |
对大语言模型非常感兴趣，想要学习如何将这种新的AI技术工具应用在量化交易领域；
已经有一定的量化交易知识和经验，希望借助大模型AI提升投研工作效率和突破技术瓶颈；
对金融和量化感兴趣，希望未来在量化领域获得工作机会的在校学生；
其他对课程内容感兴趣的人士。
