合肥股票配资 26岁离开10亿私募，一个交易天才与他的AI Trading创业｜独家对话

PandaAI创始人李昱琦

哥伦比亚大学金融工程本硕，某实盘期货大赛最年轻盘王，曾是管理规模超10亿的量化私募合伙人。当这些标签同时落在出生于1999年的李昱琦身上时，他似乎被定义为一位天选量化交易人，未来的发展路径也是确定的。

可是，2024年的时候，他决定跳出来。

“随着大模型能力的逐渐提升，量化交易行业的认知叙事会慢慢被消磨掉。当时就在想，还要不要继续留在这个行业。”李昱琦认为，量化交易行业本质上是一个靠资金积累、招揽人才、叠加物理壁垒，最终累积起来的认知叙事。独家数据源、低延迟交易通道、百人研究团队，这些壁垒构筑了机构的围墙，也定义了普通人与量化交易人才之间的距离。

另一个推动力来自一个观察：Cursor出来之后，编程效率提升了数倍，但做不好量化研究的人依旧做不好，瓶颈不在编程效率，而在思考力和判断力的边界。工具在变强，人的研究能力却没有随之线性提升。

于是，他想做一款AI交易产品，它会随大模型能力而不断进化。PandaAI由此诞生，用AI Agent帮人完成从因子研究到实盘交易的全链路。

如今这家公司七十余人，海内外用户超10万，举办了三届因子大赛累计3万人参与。近日，连续完成种子轮、天使轮及天使+轮三轮融资，累计融资金额达数千万元人民币。

在小红书上搜索AI交易，高赞笔记仍是骗子、割韭菜的新话术。评论区里有人晒亏损截图，有人质问“真有这么好你自己不用”。这道认知裂痕，也是理解PandaAI的起点。

没有共识，所以有机会

不信任的根源，不在于谁入场，而在于大众对于AI交易的概念并未形成共识。

根据李昱琦观察，大众对于AI交易的认识仍旧停留在AI帮你操盘、做投资决策、告诉你哪一款产品值得买，这一类的AI荐股领域，外加上市面上流行的AI交易产品，大多是大模型加一些简单的金融公式，背后甚至是人在操作。大众的认知与真实的AI交易之间存在一道鸿沟。

AI交易的定义是什么？它的边界在哪里？

李昱琦的回答是：目前的AI交易只是停留在研究层面，比如回测、数据分析、建模、基本面分析、事件驱动、舆情等等。市面上所谓的AI交易，只不过是把研究成果转化成交易记录而已。

在对 AI 交易未来发展的探讨中，他将其演进路径概括为L0到L4五个阶段。L0 完全依赖人工；L1是AI辅助，人仍然是主体；L2是单智能体闭环，实习生复现研报就属于这个层级；L3是真正的质变，多智能体协同（Agent-to-Agent），自主规划、相互制衡、持续迭代，能积累经验，也能根据实时市场学会新经验、调整自己的 harness；L4则意味着AI完成公开市场中的标准化研究与交易，人类只做风控和资金出入管理。

AI 交易 L0-L4：从执行力到独立思考力的完整进化路线

“当下的 AI 交易才刚刚走到L3的初期。走到L4，可能只需要1-2年，但真正的挑战不是技术，而是人们对于AI交易的信任。”李昱琦说道。

AI交易的演化将会带来资管行业的重塑。

重塑首先发生在投资流程上，瓶颈从“人力够不够”变成了“Agent 编得好不好”。决策机制从基金经理拍板，变成了多个 Agent 辩论与制衡，人的工作从“做决策”变成“审决策”。

AI 真正提高的不是交易效率，而是人的思考力与判断力。思考和判断是通用的，它可以被嵌进任何一套方法论里。人们可以用它蒸馏别人的策略，也可以用它蒸馏自己、进化自己。

李昱琦判断，交易行业是 AGI 无法绕行的必经之路。来源于公开数据的博弈，可能都会被Agent所取代，因为它面对的不是稳定态的物理规律，不像AI for Science 那样靠大量轮询就能跑出确定性结果。交易需要实时决策和动态博弈，需要面对市场不确定的分布。在这样的市场下面，对Agent能力的提升，可能比其他场景要重要得多。

竞争格局的重塑则更为深远，原来没有量化机构研究能力的一群人，也可以拥有量化机构的研究能力，大家的差距可能只剩下认知判断力。

从写代码，到管一支交易Agent团队

李昱琦认为：“真正的通用人工智能，从来不是一座堆砌静态知识的图书馆，而是一套在开放复杂系统中，持续自适应、持续决策、持续生存、持续创造的高阶生命式智能。它的核心能力，不在于熟记既定规律，而在于面对无固定规则、持续迭代演化、零和博弈竞争的真实世界，能够自主迭代、破局创新、长期存续。”

这个想法也反映在PandaAI的产品设计上，三条产品线，构成一级级向上的阶梯，从帮人写代码，到帮人做研究，再到帮人管一支Agent团队。

Qube面向入门用户。过去一个交易想法要变成可验证的策略，需要在数据、

代码、回测之间反复折腾；现在，用户只要用一句话说出想法，AI 就会把它拆解成数据获取、因子构建、回测等一个个节点，可查看、可调整、可复用。

Qube本质是一个可组合多种Skills的智能Agent，通过不断接入新的 Skills，持续扩展投研与任务执行能力，帮人把想法跑通。

但Agent 解决不了思考力的提升。于是有了EVO，业内有人把它称作“量化界的 Claude Code”。这是一款面向专业研究者的 AI 原生量化工作台，用户从研报或交易想法出发，在 AI 协作下完成因子构建、回测、风险检验和版本迭代，研究过程沉淀为可复用的资产。

再往上，是即将上线的OS。按照 A2A（Agent-to-Agent）架构，未来一个人可以同时使用多个Agent，一个负责因子迭代，一个负责组合优化，一个负责数据搜集。Agent与Agent之间的协作，让 AI 交易不再是单一模型回答问题，而像一支专业团队那样，通过分工、验证和反馈，共同完成一整条交易研究。

但OS的核心，不是让 AI 自主交易。李昱琦强调，Agent 要在明确的数据范围、工具权限、风险规则和人工授权下运行，根据回测结果和市场变化不断修正研究路径。

他更看重的是，持续积累的工作流运行数量，能够让越来越多的人和 Agent 在这套基础设施上共同探索，让新AI交易方法论持续涌现。在这个过程中，人依然是AI交易方法论中不可替代的一环。也因此，PandaAI持续搭建新一代AI交易者生态，让更多交易者能够真正参与到人与 Agent 协同创造交易方法的过程中。

为了搭起这个生态，PandaAI 做了两件事：开源、举办因子大赛。2026年6月，PandaAI 开源了首批 QuantSkills 量化能力库与 Agent 集群。

外界质疑，开源了还怎么赚钱？

李昱琦的回答指向一条铁律：任何公开的因子公式，随着使用者增多都会陷入拥挤，超额收益随之消失。但Agent不一样，同一个基础Agent，在不同人手里会被调教出完全不同的逻辑，底层共享，输出却千人千面。真正的壁垒在Harness 层，也就是对 Skills、智能体、约束规则的组合与调度。

DeepSeek的最新动作，为这一判断提供了一个行业注脚。它将 Harness 作为独立项目开源，核心理念是“一切皆插件”。模型决定了Agent 的基础能力，而 Harness 决定了它能调用什么工具、遵循什么规则、以什么方式完成任务。PandaAI正在金融场景里搭建这样一套垂直Harness，把金融数据、Quantskills、Agent、研究流程与约束规则组织在一起。“我们不怕抄袭，因为抄袭的速度，比不上大模型迭代的速度。”

因子大赛是另一条线索。第三届报名人数超过1.2万人次，累计提交因子超过 8000个。在这些上万名报名者中，真正出圈的是几个完全非科班出身的人。一位 40 岁的开发老兵，通过在PandaAI平台上持续学习与实操入门量化，拿下了第三届因子大赛IC榜冠军；一位普通双非的工科研究生，靠AI迈入量化之门，赢得了第二届因子收益率榜冠军。他们和机构专业选手的差距，远比想象中小。

这些赛事，不只是用户增长的渠道，更是为了验证产品能力，发现优秀研究者，沉淀因子与策略工作流做的积累。

在李昱琦的设想里，未来真正决定竞争力的，不再只是单个因子的有效性，而是谁能构建出持续学习、自主规划、协同工作的 Agent 系统。

真正值钱的那一层能力

PandaAI的技术架构由四层构成。

第一层是数据底座，整合海内外行情、财务及宏观数据。第二层是模型与专业能力，以自研的 CQ2 为核心，同时接入 DeepSeek、豆包等外部大模型，核心是把通用模型调教成能理解金融语义的专业能力。第三层是Agent工程与协作系统，通过 ADE（Agent Development Environment）和 A2A 架构，把模型、数据、工具组织成可编排的交易智能体，Qube、EVO、OS 本质上就是这一层的封装。第四层是交易连接，期货柜台已全部打通，期货实盘客户端也已于6月正式上线。

“模型和数据可以买，但如何把它们编排成能跑通完整交易流程的智能体，是 know-how，无法直接复制。这也是PandaAI 认为真正值钱的一层。”李昱琦向钛媒体创投家表示。

和传统的量化平台相比，PandaAI想做的不是简单串联起量化交易的全流程，而是改变这条决策链路由谁推动，过去主要由人写代码、调用工具、分析结果；现在，Agent 开始参与任务拆解、工具调用和研究迭代。

但架构搭起来，只能说明产品可以运行。Agent能不能真正做好交易研究，还需要进一步验证。

PandaAI连续发表CQ2、A2A Self-Evolution、AlphaSchema 等前沿论文，将方法和实验公开出来，这对于一家刚成立两年的公司，并不常见。

CQ2 探索神经符号 LLM Agent 如何真正进入量化研究流程，让 AI 从理解金融知识进一步走向因子构建与研究验证；A2A Self-Evolution 关注Agora 因子与因子评价体系共同自进化的A2A架构；AlphaSchema 则试图用结构化交易语义框架拓展 Alpha 的探索空间。三篇论文层层推进，指向同一个问题，如何让 AI 从“会做研究”，进一步走向“AI如何真正理解交易“。

李昱琦给的第一重答案是共识，参照系是同花顺，它是在图表交易成为共识之后，才被广泛使用的。当下 AI 交易没有共识的方法论，发论文，就是给这个尚不存在的共识画一张施工图；第二重是生态。产品不是被提前预设的，而是要跟生态一起成长；第三重是人。论文是最硬的招募广告，PandaAI 很多核心开发，就来自最早探索 AI 交易的那批社区用户，后来从使用者、共建者变成了团队成员。

商业设计上，李昱琦认为，做B端交付可以积累经验语料和落地场景，机构的需求最复杂、数据最真实，做过这些项目，产品能力才能沉淀下来。做完B端，再做C端，是顺其自然的事情。

可是，他更爱C端用户，“PandaAI 想成为‘量化领域的 Claude code’，不靠卖 API 给机构，而是直接服务每一个想用 AI 做交易的个体。”C端用户集中在95后到05后，以AI Native为主，这批人不需要被教育什么是 Agent，他们天然习惯用 AI 完成工作。

目前，PandaAI海外版TQX两万注册用户，相当一部分来自东南亚和中东，这些市场没有成熟的量化基础设施，反而对AI原生交易工具的接受度更高。

李昱琦不想只用平权来定义PandaAI。

在他看来，AI 真正带来的变化，是让普通个体与专业机构之间原本巨大的研究能力差距开始缩小。过去只有专业团队能够使用的数据、研究方法和量化工具，正在被 AI 转化为普通人也可以调用的研究能力。它提升的不是赚钱的确定性，而是一个人理解市场、验证判断和构建策略的能力。相比过去单纯提高生产效率，AI 更重要的价值，是在提升人的思考能力。

（本文首发钛媒体APP，文 | 智客Zhiker，作者｜郭虹妘合肥股票配资，编辑｜杨林）

倍享策略提示：文章来自网络，不代表本站观点。