近日, 一家从事AI交易基础设施的公司宣称, 其已经接连完成了三轮融资, 这三轮分别是种子轮、天使轮以及天使轮, 累计融到的资金数额达到了数千万元人民币, 在天使轮以及天使轮的融资中, 是由L2F光源创业者基金率先进行投资的。三轮融资会主要用以持续研发AI交易大模型, 还有专业的内容, 以及多智能体协作基础设施, 以及交易Agent开发环境, 加快OS、ADE和A2A技术体系建设, 同时还会再次开展拓展全球用户市场的行动, 推动AI交易能力在个人交易者、专业投资团队以及金融机构当中实现规模化落地。从人类决策到智能体协同在过去的数年当中, 人工智能于金融领域的运用, 主要聚焦于研报检索那个环节, 还包括信息提取环节, 以及代码生成环节, 还有行情解读环节, 另外还有运营提效等单个的点上的环节。这些应用使得局部效率得到了提升, 然而却并没有对交易研究的基本组织方式作出改变。数据是分散在不同工具和系统中的, 因子同样分散在不同工具和系统中, 策略也分散在不同工具和系统中, 回测还是分散在不同工具和系统中, 风控依旧分散在不同工具和系统里, 交易执行也仍旧分散在不同工具和系统之中, 研究过程对个人经验存在高度依赖, 策略逻辑难以进行复用, 失败结果也很少会被系统性沉淀。技术逐渐成熟, 其中涵盖大模型、专业以及多智能体技术, 在此情形下, AI交易正步入全新阶段。下一代AI交易系统的核心之处, 并非仅仅在于回答一个有关市场的问题, 也不是单纯生成一段策略代码, 而是把交易研究组织成为一套工作流, 这套工作流具备可调用的特性, 拥有可验证的属性, 存在可追溯的情况, 兼具可持续迭代的条件。AI具备调用数据以及专业工具的能力, 能够理解交易假设, 可完成因子研究, 还能进行策略构建, 也可以做回测验证以及风险分析, 并且在有明确授权以及风险边界的情况下, 能连接仿真以及实盘交易场景。交易正向依赖个人经验的判断进程转变, 逐渐演变成有人类与AI共同达成的智能体齐心协作工作流程。所构建的正是支撑这一变化的新一代AI OS。让每一个交易判断都进入可验证的研究闭环传统量化研究存在较高的进入门槛。即使是那些有着成熟市场判断力的用户, 也常常由于不会进行编程, 缺少专业的数据, 回测环境复杂异常且工具之间又相互割裂, 而难以把交易想法转变为可以被验证以及执行的策略。藉由自然语言交互, 以及可视化AI工作流, 把“交易基于想法”, 其后续是“因子开展研究”, 接着是“策略予以生成”, 再接着是“回测进行验证”, 然后是“风险展开评估”, 最后是“交易得以执行”, 组织于同一套系统当中。用户能够借由自然语言去表示市场判断, 系统会调用数据、模型、代码、回测、风控以及交易工具, 把一项不清晰的交易想法逐渐转变为结构化研究流程。它是自然语言只不过是的交互入口, 关键在于其背后真正的并且是Agent相关的工程能力。可视化工作流里, 复杂交易研究被解析为数据获悉、因子塑造、代码铸造、策略回溯测试、参数校准、风险探究和交易衔接等节点这些。使用者能够查看每一步采用了啥数据、历经了怎样处理、得到怎么样结果, 还能够随时展开调理、替换以及再度使用既有的流程呢。采用这种工作流架构, 相较于直接由大模型给出一个难以解释的交易结论, 能让用户理解结论是怎样形成的, 能及时发现数据方面的问题, 能及时发现代码方面的问题, 能及时发现策略方面的问题, 还能在持续验证当中优化交易逻辑, 从而为降低模型幻觉以及黑箱风险提供更可靠的路径。上线满级游戏 上线满级游戏开服表 上线送VIP送首冲自然语言生成AI工作流gif交易者所期望获得的, 并非仅仅是一个可回答问题的AI助手, 而是一套AI交易系统, 它能与交易者共同钻研市场, 验证分析判断, 且持续积累沉淀交易经验。从单体智能到群体智能A2A正在重构交易研究真实交易并非单一任务一桩, 完整的交易研究一回呈现, 往往得涵盖数据获取这一环节, 继而是市场分析这一部分, 还有交易信号形成这一过程, 策略回测这一行动, 组合与仓位管理这一事宜, 在完成一切后包括风险检查这关键节点, 订单执行这一动作, 最终历经整套交易后复盘这种情况, 如此这般多个事务流程才行。倘若仅仅依靠单一模型去达成所有工作, 就极难在同一时间内兼顾专业深度, 以及过程稳定性, 还有结果可解释性。因而, 已然构建起了特别针对AI交易场景的A2A多智能体infra, 也就是EVO。不同的Agent会各自承担起数据处理, 以及因子研究, 还有策略生成, 回测分析和风险评估加交易执行等这些任务, 并且凭借统一工作流来协同完成研究。在 EVO实现A2A智能体协作gif比如, 当一个Agent提出交易假设之后, 别的Agent能够调用历史数据去做验证等到策略形成之时, 回测和风控Agent会进一步检查收益表现, 查看极端行情下的稳定性以及潜在风险, 然后依据结果来进行调整与优化。这种从Agent到Agent的协作, 使得AI交易不再单纯是由单个模型去回答问题, 而是如同组建了一支专业团队那般, 借助分工、验证以及反馈, 共同达成完整的交易研究。研究的Agent, 不是让AI在缺乏约束时自主交易, 而是让Agent在清晰的数据范围、工具权限、风险规则以及人工授权之下, 依据回测结果、市场变化和执行反馈持续修正研究路径。当这种反馈得以持续发生时, 系统当中, 持续积累的, 可不是仅限于行情数据, 还包含有交易研究这个环节里, 所产生的工作流数据, 比如, 用户是怎样提出假设的, 哪些因子, 被采用了, 或者, 被放弃了, 参数是怎样去调整的, 策略因为什么缘故失效了。而且, 其仿真以及实践操作当中, 实际所展现的结果, 又是怎样反过来对研究逻辑, 产生影响作用的。这些因真实交易流程而产生的数据, 会成为AI交易系统不断持续进化的关键重要基础。AI OS让数据、模型与Agent进入交易闭环依据不同用户的交易研究方式, 已然塑造起OS、ADE、QUBE以及A2A等核心商品, 并且经由给予统一的专业能力支撑, 涵盖一站式研究、自然语言策略开发、深度投研以及多智能体协作等各异需求。围绕AI交易工作流, 已出现一种架构, 它是产品与技术架构, 由四个层次构成。平台整合海内外多个市场的行情数据、财务数据以及宏观特色数据, 这些数据构成了数据与研究底座的第一层, 为市场研究提供基础支持。同时, 这样的数据也为策略验证提供基础支持, 并且还为Agent调用提供基础支持。核心是自研的CQ、TQ模型, 模型与专业能力处于第二层, 第二层支持接入外部通用大模型, 结合金融数据与专业工具, 能以此帮助用户完成需求理解, 帮助用户完成代码生成, 帮助用户完成因子挖掘, 帮助用户完成策略分析, 帮助用户完成研究解释, 是这样的情况。QUBE对话式投研助手gif被称作Agent工程与协作系统的是第三层, 平台把模型、数据以及工具组织成那种能够被调用、可以被编排、还能够协作的交易智能体, 并且借助ADE开发环境以及A2A架构, 去支持好多Agent一起完成数据分析、策略研究、回测以及风控任务。EVO-满足agent深度投研需求gif第三层是交易连接, 借助券商、期货公司以及交易系统接口达成, 于用户授权以及风控规则状况下, 连接仿真与实盘交易场景, 构建起从交易想法、策略验证直至执行反馈的完备且封闭的环。构架使得, 能够同时为个人量化研究院提供服务, 还能为专业交易团队提供服务, 也可为金融机构提供服务, 并且能够逐步把AI能力, 嵌入到真实的投研流程之中, 也能嵌入到真实的交易流程里面。研究不是终点真实市场才是答案企业创办者同时身为首席执行官的李昱琦, 长时间留意人工智能在怎样去领会市场, 进行交易逻辑验证方面的情况, 并且在持续变动的环境里持之以恒地学习。围绕这一方向团队已经发布两篇AI交易领域研究论文。有如此一项研究, 其着重聚焦于到底怎么去让人工智能同时达成对市场变化的理解、对交易规则的领悟以及对风险约束的把控, 并且还要把交易方面的想法一步步去转变成为可证实、能够执行的研究方案另外还有一项研究, 它进一步深入探索Agent-to-Agent Self-, 也就是众多人工智能智能体究竟怎样借助持续不断的协作、相互交叉验证以及反馈学习, 从而塑造出更契合真实市场环境的交易认知。两篇论文并非处于理论研究的停留状态。团队针对其中有关量化专用模型、多智能体协作、因子挖掘以及自适应进化的方法, 正逐渐地将这些方法应用到CQ模型当中, 应用到ADE开发环境里面, 应用到A2A架构之内, 并且应用到AI工作流之中, 使得研究成果切实进入到用户能够使用、机构可以接入的产品体系里。李昱琦持有这样的看法, AI交易的发展不会仅仅局限于行情问答、代码生成或者单点分析。它的演进途径会是, 先从完成单个任务起始, 接着逐渐迈向参与标准化研究流程, 再到管理复杂交易工作流, 然后持续迭代策略逻辑, 并且在有着明确授权以及风险约束的状况下, 去承接更为完整的研究与执行任务。我们期望促使 AI 交易, 从那种单纯的“模型能力竞争”阶段, 迈进到“系统能力竞争”阶段之中: 对于决定产品价值而言, 并非仅仅是模型参数, 而是在于究竟是谁能够更出色地去组织数据, 以及模型, 还有工具, 以及 Agent, 以及风险规则, 并包括交易反馈。从10万用户出发构建AI 生态飞轮到目前为止, 已在海内外积累了超过10万名用户, 并且和多家券商、期货公司、基金以及专业金融机构, 推进了AI交易能力的产业化合作。针对个人用户情景, 助力研究者以及交易者达成数据剖析, 实现因子挖掘, 完成策略生成, 开展回测验证, 进行交易复盘, 以此来降低构建完备可行量化钻研环境的技术门槛。于专业交易场景里, 成熟交易员以及研究团队具有这样的能力, 他们能把自身的研究框架、交易逻辑还有专业经验, 沉淀成可以调用、能够复用的Agent, 且这能让个人经验渐渐朝着团队可以持续积累的系统能力转化。续航200公里电动自行车新宠上市旗下开源社区于机构场景当中, 能够跟金融机构已有的数据系统相结合, 亦能与投研系统相结合, 还能和风控及交易系统相结合, 进而提供AI交易模型, 提供可视化工作流, 提供多智能体协作, 提供数据服务以及私有化部署能力, 以此来推动AI从外围效率工具迈入真实业务流程。对于AI交易人才以及开发者生态, 还不间断地举办因子大赛、高校活动、量化黑客松以及全球AI交易赛事。当中, 第三届因子大赛的报名人数, 超出了1.2万人次, 并且累计提交的因子数量, 超过了8000个。第三届因子大赛颁奖礼现场这些赛事, 不单单是用户增长的渠道, 而且还构成了验证产品能力的重要场景, 同时也是发现优秀研究者的重要场景, 并且还是沉淀因子与策略工作流的重要场景。当市场认知、前沿研究与金融工程汇聚于同一支团队并非是那种光专注于研究模型的AI团队, 也并非只是一家单单凭借交易经验的金融科技公司。创始人李昱琦, 同时身为CEO, 具备交易实践经验, 拥有量化研究经验, 还具备AI产品经验, 长期致力于探索人工智能怎样能够形成可被验证的市场认知, 并且负责推动AI交易方向的研究以及产品定义。有一位名为刘炳君的人, 是联合创始人兼CTO, 他曾在恒生电子担任系统架构师, 也曾在埃森哲担任该职位, 还参与了中国首个线上证券开户系统的核心开发工作, 其拥有金融系统架构方面的经验, 以及交易基础设施方面的经验, 还有大型工程落地方面的经验, 他负责把研究成果转化为稳定的、能够落地的金融产品和系统。团队核心成员涵盖量化研究方向, 人工智能方向, 金融数据方向, 交易系统方向以及产品工程方向等, 构建起了从论文研究, 还有模型研发开始, 直至产品交付, 包括真实交易场景应用的一整个完整闭环。论文推出方法, 模型验证具备能力, 工程系统予以完成落地, 真实市场实施检验结果。, 就打这儿。联合创始人兼CTO刘炳君讲道, 往后 AI会再度界定人们领会市场以及参与交易的途径。期望能让用户径直表述交易念头 , 经由AI辅助去达成研究 、验证 、风控以及执行。我们所要做的 , 并非仅仅编排出下一段策略代码 , 而是搭建起人与AI一块研究市场 、验证判断并且持续进化的全新品类交易方式。L2F光源创业者基金管理合伙人吉星宣称, 热烈祝福持续达成三轮融资, 这既是那家公司有着重大意义的标志性事件, 还充分展现了市场对于昱琦引领创始团队的极高程度的认同, L2F深感荣幸在公司处于早期时期接连领投天使轮以及天使 轮 , 伴随团队一路不断成长 , 咱们一直在坚信 , AI针对交易最为深刻的变革 , 并非是替人给出一个“买什么”的决断, 而是重新构建Alpha的产生方式 , 也就是把交易者的经验以及判断转变为能够被验证 、能够被重复使用 、能够持续进行迭代的研究工作流程。在金融市场里, 存在着低信噪比以及强非平稳的状况, 模型具备的能力并非等同于交易能力。最能使我们产生触动的是, 该团队没有局限于行情问答或者代码生成方面, 而是从因子研究这个角度入手进行切入, 由此逐步达成数据、模型、回测、风控以及执行等环节的打通。并且在真实反馈过程中沉淀工作流中的各类数据, 进而构建出面向个人交易者, 并且面向专业团队以及金融机机的新一代AI OS。我们期待其能够持续把前沿性的研究转化为真实的产品以及产业价值, L2F也会持续去做团队长期且坚定的同行者。