学 AI 量化的第一本书终于出到第三版了

network

学 AI 量化的第一本书终于出到第三版了


Machine Learning for Trading（作者 Stefan Jansen）目前在 GitHub 上有 19.6k stars，第三版刚刚发布。


这本书不是纸上谈兵，而是代码+案例+实盘一条龙的实战书籍。它系统地讲了如何把机器学习应用到量化交易的全流程：数据获取 → 特征工程 → 模型训练 → 回测优化 → 实盘执行。


核心亮点：


→27 章完整覆盖从数据到实盘的全链路
→9 个跨资产案例（ETF、加密永续、日内股票、期权、外汇、期货等）
→第三版新增：生成式 AI + 自主交易 Agent、因果机器学习、强化学习、合成金融数据
→现代技术栈：Polars + PyTorch + LightGBM + Optuna
→支持实盘对接 Interactive Brokers、Alpaca、QuantConnect


对想系统学习 AI 量化、从理论走到实盘的人来说，这本书是目前信息差最小的选择之一。

network

让 Claude 的动态 Workflow 跑在 Codex 上的工具来了

这个项目叫 claude-dynamic-workflows-codex，它能把 Claude Code 原生的动态 Workflow 接到本地的 Codex（GPT）后端运行，突破 Claude 自身 sub-agent 的限制。

核心能力：

→Claude 可以把用户任务编译成 .workflow.js 脚本（支持 agent、parallel、pipeline、phase、budget 等 DSL）
→在 Codex 上用 GPT 代理执行，支持持久化 Session（agent.start + session.steer），实现长生命周期的 agent
→内置交互式 Run Viewer，能以 DAG 形式实时可视化执行过程、节点详情、时间线
→支持 Fleet 模式（多 Workflow 并发监督）、Human Gate、预算控制、Sandbox 等安全机制
→可离线查看执行记录，支持 resume 和详细的成本/性能报告

简单来说，它把 Claude 的 Workflow 能力“嫁接”到 Codex 上，让 Agent 编排更强大、更可控、更可视化。

对重度使用 Claude Code + Codex、想做复杂多 Agent 工作流的人来说，这个工具很实用。