适用人群
适用于： 适用于具备一定机器学习基础、希望进一步深入理解LLM原理与应用的学生；适合希望在面试中能够自信应对自然语言处理、深度学习及LLM相关问题的求职者；主要面向有志于从事与大语言模型相关工作的学生，对应职位包括但不限于机器学习工程师、LLM应用开发者、AI产品经理、数据科学家及量化研究员等。
你将收获
系统设计与Prompt工程：掌握LLM驱动交易系统的架构设计与高效Prompt构建
模型微调与金融语料训练：学习对财报、新闻等金融数据进行模型微调与优化。
部署与云端集成：具备在AWS上完成模型推理部署、API开发与UI集成的能力。
自动化交易决策链构建：能够设计并实现具备推理能力的交易决策流程。
项目成果与职业发展：产出完整可运行系统，并有机会获得推荐信与岗位内推。
你将学习的技能
LLM应用与部署：系统掌握大语言模型在量化交易系统中的端到端应用与部署方法。
金融信息分析：学习利用模型实时提取与分析股票新闻、财报和股价走势。
量化交易系统开发：掌握交易信号生成、仓位管理、自动执行和策略调度等核心功能实现。
云端与API集成：具备在AWS EC2部署系统、开发Web API接口及基础UI界面的能力。
全流程实战经验：从零开始构建可运行系统，提升金融AI开发与实战能力。
课题介绍
在AI与金融深度融合的时代，本训练营将带你从零构建一个具备推理能力的全自动量化交易系统，以大语言模型（LLM）为核心，实现真正意义上的“信息驱动交易”。你将亲手打造一个能读懂新闻、理解财报、分析股价走势，并自动执行交易策略的智能系统。
项目亮点：
利用Chain-of-Thought和Tool-Calling技术，让模型具备“读懂—分析—决策”的闭环能力。
基于财经语料进行模型微调，提升对财报、新闻、公告等文本的专业理解力。
构建具备金融语境理解能力的LLM推理链，精准识别利好/利空事件、行业趋势、政策变化等隐性信号。
引入RAG（Retrieval-Augmented Generation）技术，实现对实时数据的动态调用与融合
将LLM输出转化为可执行的量化策略，结合技术指标、资金流向、情绪因子等多维数据。
全系统部署在AWS EC2云平台，支持弹性扩展与高可用架构。
课程大纲
本项目总时长为六周，通过每周一次的编程与书面作业，带领学员从零开始构建一个基于大语言模型（LLM）的在线全自动量化交易系统。学员将系统性掌握LLM的部署与应用，学习如何利用模型实时提取和分析股票相关的关键信息，包括新闻、财报和股价走势，进而生成量化交易信号。系统将涵盖仓位管理、自动交易执行、量化策略调度等核心功能，并通过AWS EC2云平台完成部署。最终成果将包括一个可运行的交易系统，配备简洁的Web API接口与基础UI界面，支持用户交互与策略管理。
1
大语言模型（LLM）理论与实践精讲
考察：基础LLM知识 LLM的推理，训练相关的实践知识、 LLM模型的拆解和分析
授课2小时; 学习4小时
2
LLM 在线推理与高性能优化实战
考察：在线推理系统的搭建。 主流LLM推理工具的掌握。 如何更高效应用GPU以及如何搭建自己的LLM 在线推理服务器
授课2小时; 学习4小时
3
Prompt Engineering与LLM Agent实战
考察：学习LLM的实际应用，掌握LLM agent的搭建要点
授课2小时; 学习4小时
4
基于LLM的量化交易系统设计与云端实现
考察：LLM应用的系统设计，在线推理系统的搭建。主流LLM实现工具的掌握
授课4小时; 学习8小时
5
UI界面、Web API与自动化部署实战
考察：实际基于云的产品开发和部署
授课2小时; 学习2小时
课程导师
