Lunartulip Lab 的起点来自一条沿着能力边界自然延伸的路径：从股票基本面投研出发，经由 AI 打开量化的维度，再用 Agent 重构整套投研系统。

Trading like PM，thinking like Fund，这是这个 Lab 从第一天起就没有偏离过的坐标。

走到今天，它逐渐形成两条清晰的工作线：面向机构的 AI 投研系统协作，以及围绕 AI-native Fund 原型展开的策略研究与前瞻验证。这篇文章记录这条成长线走到当下的样子。

起点：在买方磨出来的那套内功

在很长一段时间里，我的工作世界非常聚焦：股票投研、自有资金组合管理、主观多头策略。

这是在二级私募买方工作留给我的底色——进门就接触真实资金账户，所有判断最终都要被市场用涨跌来验证，没有纸上谈兵的余地。

几年下来，基本面分析和主动管理的股票策略对我而言已经相当熟悉。量化提供了另一套理解市场的语言。虽然没有接受过完整训练，我仍能直觉地感到它与基本面投研彼此相通。

这个好奇心一直搁着，直到 AI 出现。

转折：AI 把量化能力“带”出来了

AI 于我而言，首先是一种能力放大器。

从跑通 Qlib 的第一个 demo 开始，我系统地用 AI 探索量化的一切：因子逻辑、策略框架、回测体系、机器学习模型在选股信号中的应用。出乎意料的顺畅。

事后想来不难理解——股票这个品种，底层的市场逻辑、行业理解、估值框架，在基本面和量化之间高度打通。主观研究给了我对“什么是好公司、好时机”的直觉，量化只是把这套直觉翻译成了可回测、可迭代的系统语言。

六个月时间，一个原本完全不会编程的人，写出了第一个可以复刻自己选股审美和择时特点的量化策略，写出了基于机器学习的 Qlib 选股信号，搭出了帮自己在业绩期第一时间产出买方机构视角分析的财报 Agent 助手。

量化策略开发的能力，就这样被 AI 加速带了出来。

想把走通的路径分享出来，于是有了这个公众号和两篇量化文章。没想到引发的共鸣远超预期——来交流的人告诉我，他们也在做类似的事，只是各自卡在不同的节点上。

AI4Quant：一套正在成形的量化基本面系统

我习惯把这条路径简称为 AI4Quant。基本面研究、量化策略、机器学习和 Agent 工作流沿着各自的方向生长，最后汇聚成一件事：

用碳基 PM 的判断力 + 硅基数字员工的执行力，构建一套 AI-Native 的量化基本面投研系统。

第一层，是量化与基本面的双向融合。

主观投研和量化策略在同一套框架中互相喂养：基本面判断生成因子假设，量化回测验证并修正假设，机器学习模型从历史数据中寻找基本面研究尚未覆盖的规律。

这套 Quantamental 的方法论，是整个投研体系的核心骨架，也是它区别于纯工程出身的量化开发者的根本所在。

第二层，是用 Agent 重构投研流程本身。

围绕这套方法论，我陆续搭建了自己的 AI 投研基础设施：负责公司深度研究的 Helios、负责因子与组合追踪的 AlphaMap、负责信息流处理的 Infosystem。

这套基础设施从投研的底层需求出发，重新定义每个环节由什么来做、怎么做，逐步形成一份 Lean and Mean 的机构级 AI Infra。

第三层，是系统本身的自我进化机制。

一套好的投研系统需要在执行之后接住反馈，保留学习过程，并据此修正规则。

如何把这种迭代机制嵌入到 AI 驱动的投研系统里，让它像一个优秀投资人一样随认知和市场变化持续进化，是这个 Lab 一直在探索的核心命题。

实践：让策略接受市场反馈

从入行开始，我就习惯让研究判断接受资金曲线和市场波动的检验。主观策略与量化策略沿着不同路径运行，也共享同一套关于风险、赔率和反馈的要求。

2025 年第三季度至 2026 年第二季度的阶段记录里，主观多头策略的券商账户累计收益约为 144.7%，同期沪深 300 涨幅约为 27.5%。量化策略运行记录显示累计收益约为 73.3%、年化收益约为 80.9%，阶段最大回撤约为 18.9%。

H2O LGBM 生产策略同时保留了 NAV、回撤、滚动收益和每日持仓数量等轨迹。主观判断、量化执行与机器学习信号由此进入一段可以回看、复盘和继续训练的市场记录。

以上数据按券商账户及策略系统原始截图的展示口径摘录。不同记录的计算口径、投入时点与交易环境各自独立，未经第三方审计；历史表现不代表未来结果。

现在：Lab 正式对外开放两类合作

在公众号交流沉淀的过程中，两类合作需求逐渐变得清晰。它们来自机构团队和研究同行提出的真实问题。

第一类：AI 投资 Agent 咨询与 Workshop

面向投研机构、资产管理团队，以及有投研需求的企业。

核心是帮助团队搭建兼顾基本面和量化双向融合的 AI 投研系统：从信息处理、因子生成、策略回测，到组合监控与复盘，让 AI Agent 进入整套研究流程。

合作形式灵活：项目制的系统搭建咨询、针对团队的深度 Workshop，或持续的顾问陪跑。

适合的合作方包括：正在探索 AI 转型的中小型私募、公募团队，家办投研部门，希望为内部投研提效的产业资本。

合作内容聚焦真实投研系统的诊断、设计、共研与能力迁移。

第二类：AI-native Fund 原型研究与策略验证

这一方向围绕量化基本面框架、策略运行记录和反馈机制展开长期研究。

Lunartulip 会继续让主观策略与量化策略并行接受市场检验，并把研究命题、策略动作、风险状态和结果归因接入同一套 Decision Memory。对外交流目前聚焦研究协作、系统共建与数据技术生态合作。

未来资管业务会在匹配的主体、资质和合规框架中展开。当前内容不构成基金募集、代客理财、投资建议或收益承诺。

结语：AI-native Fund 原型如何生长

Lunartulip Lab 正在形成一个 AI-native Fund 原型。基本面判断、量化纪律、机器学习策略、Agent 基础设施和市场反馈在这里共享同一套研究记忆。

Trading like PM，thinking like Fund 仍然是这条路径的内在坐标。它提醒我把每个研究命题带到组合责任和市场结果里，也让系统留下足够完整的证据与复盘记录。

主观投研构成根系，Quantamental 方法论连接两种投资语言，AI 投研基础设施则把研究过程写成可以运行和更新的系统。接下来，它还要继续接受更长时间的前瞻验证。

如果其中某个问题与你正在经历的投研转型相似，欢迎来交流各自的实践。

Lunartulip Lab 现接受两类合作咨询，可通过公众号私信联系。