投资人演示 · INVESTOR DECK
让每一位投资者
拥有机构级 AI 量化研究能力
基于 Transformer 策略网络与强化学习的 A 股因子挖掘引擎， 桌面端原生体验，把过去只属于量化私募的研究工具，装进每一台个人电脑。
Transformer + PPO 强化学习
客户端 / 服务器分布式架构
Cython 核心加密保护
v0.88.1 · 预览版已发布
AlphaGPT · 机密演示文稿
2026 · 仅供受邀投资人参阅
一句话定位 · positioning
把 ChatGPT 同款架构，用于 A 股因子研究
AlphaGPT 是一款面向中国 A 股市场的 AI 量化研究平台。
它用驱动 DeepSeek ChatGPT 相同的 Transformer + 强化学习 引擎，
自动"写出"可阅读、可审计的量化公式 ——
把过去只属于量化私募的研究能力，装进每一台个人电脑。
研究工具，非投资顾问。所有输出均为研究/参考材料。
ChatGPT
→
AlphaGPT
语言模型生成
"季度财报 表现 强劲 且 ..."
AlphaGPT 生成（等价架构）
MUL(DECAY(RET), GATE(MFI, RSI14, BIAS))
同一套 Transformer，生成的是"交易公式"而非自然语言。
同款架构
Transformer 编码器 + PPO —— DeepSeek、OpenAI 等训练人工智能的同一类算法
符号化可审计
策略是可阅读的数学表达式，非千万参数黑盒 —— 人能看懂，监管可查
为 A 股原生
现阶段深耕 A 股（T+1 / 两融 / 涨跌停），架构可平滑扩展至全球市场与多类资产
市场机会 · market
03 / 23
一个被严重低估的研究需求：两亿投资者的研究工具缺口
2亿+
A 股个人投资者户数
5,400+
A 股上市公司
60%+
散户贡献的日常成交占比
AI时代
大模型成本两年下降一个数量级
● 上升的需求侧
- 个人投资者追求专业化 —— 从听消息到看数据、看因子，研究意愿显著提升。
- AI 民主化窗口 —— 过去百万年费的量化研究能力，正快速平民化。
● 缺失的供给侧
- 专业终端贵且复杂 —— 万得/Choice 年费数万，散户够不到、用不会。
- 面向 A 股的量化工具近乎空白 —— 多为黑盒荐股或照搬海外的方案。
市场体量数据来源于公开市场数据（中国结算、交易所披露），仅作方向性参考。
痛点 · pain points
04 / 23
今天，一个认真的量化研究者面临四道墙
¥
① 专业工具门槛高
量化私募门槛百万级，专业终端年费数万；普通投资者够不到、也用不会真正的研究工具。
② 黑盒信号不可信
"买入"信号从哪来、依据什么，无法验证；黑盒荐股与"稳赚"承诺，往往经不起追问。
③ 海外方案水土不服
T+1 结算、两融资金流、各板块涨跌停规则，照搬海外量化库会失真；它们不理解 A 股。
④ 情绪化、无纪律
追涨杀跌、凭感觉决策；缺少系统化的研究流程与可重复、可复盘的方法论。
我们的回答 · solution
05 / 23
AlphaGPT：一台装进个人电脑的 AI 量化研究工作台
三个支柱共同构成一个完整闭环：AI 引擎生产研究、本地算力承担运算、社区市场把它们连成网络。
① AI 引擎生产研究
Transformer + 强化学习自动挖掘、回测、筛选可阅读的量化公式，并配 DeepSeek/Tavily 多源情报。
19 因子PPO+GAE符号化输出
② 本地算力承担运算
训练、回测、AI 推理全在用户自己的 GPU 上完成 —— 服务器零运算，云成本随用户增长几乎不变。
GPU 批量回测服务器 0 ML 库
③ 社区市场连成网络
公式交易市场、算力悬赏、公式接力，把用户群变成一支分布式量化研究团队，用智核币结算。
市场 · 悬赏 · 接力智核币
核心技术 ① · the AI engine
06 / 23
一个引擎里的两个大脑：一个写公式，一个评判好坏
引擎工作流
1
读取市场数据
19 类因子 × 12 个算子 → 32 词表
▼
2
Transformer 编码器
演员头 生成公式 token ｜ 评委头 打分 V(s)
▼
3
PPO + GAE 强化学习
把"整条公式的好坏"记功到每个组成因子
▼
✓
语法掩码保证：写出的公式必然可计算
AI 生成的策略，长这样
MUL(DECAY(RET), GATE(MFI, RSI14, BIAS))
人能读懂、能审计、能复算 —— 不是千万参数的黑盒。"用近期收益 ×（资金流强时才启用 RSI）"——这是 AI 自己学会的。
同源架构：Transformer 编码器 + PPO —— 与 DeepSeek、OpenAI 等训练前沿人工智能的同一类强化学习算法。区别只在：它生成的是交易公式，而非自然语言。
19
内置因子
12
组合算子
1,024
GPU 批量回测/次
PPO+GAE
强化学习算法
52
可调参数
核心技术 ② · anti-overfit rigor
07 / 23
三道独立防线，让"好看的回测"无法蒙混过关
过拟合是量化最大的陷阱。AlphaGPT 把研究纪律写进了引擎结构本身 —— 而不是事后补救。
训练前
① 因子显著性 + 去冗余
每个因子须通过 双重显著性门槛（|IC|≥0.03 且 |t|≥2.0），且与已选因子相关性 >0.7 即剔除。
Spearman ICICIR / t 检验独立信号
训练中
② 严格样本外"现实检验"
数据 60% 训练 / 20% 验证 / 20% 测试。最终夏普只能来自 AI 从未见过的测试集。
60/20/20无未来信息固定持仓期
训练后
③ 噪声压力测试
对胜出公式施加 20 次高斯噪声扰动，验证其不是"恰好拟合"的偶然产物。
σ=0.0120 次/公式鲁棒性
诚实是产品的一部分：引擎自身的代码注释中，公开披露其回测因未建模资金占用，存在约 20–30% 的乐观偏差。我们不隐藏它，而是把它写进研究纪律。
核心技术 ③ · built for A-share
08 / 23
不是"汉化"的海外量化，是为 A 股从零设计的引擎
T+1 结算对齐
采用"开盘到开盘"收益，匹配次日才能卖出的真实约束。
采用"开盘到开盘"收益，匹配次日才能卖出的真实约束。
两融资金流因子
内置融资融券资金流向，捕捉机构杠杆动向。
内置融资融券资金流向，捕捉机构杠杆动向。
板块涨跌停规则
主板 10% / 科创板·创业板 20% / ETF —— 按板块自动适配。
主板 10% / 科创板·创业板 20% / ETF —— 按板块自动适配。
防未来信息
固定持仓期收益在数学层面杜绝"偷看未来"。
固定持仓期收益在数学层面杜绝"偷看未来"。
19 因子 · 5 大类
人脑研究员看的那套指标，全部内置
动量类
RET · RET5 · RET20 · ROC
量价类
VOL_CHG · VWAP_DEV · VOL_RET_CORR
趋势波动
TREND · ATR14 · VOL20 · BB_WIDTH
超买超卖
RSI14 · WR_DIFF · RSV · MFI
资金流（A 股特色）
F_BUY_F_REPLAY · OBV_CHG · BIAS —— 两融与主力资金动向
每一个因子都被编码进同一个"大脑"，AI 学会了像中国股票分析师那样思考。
核心技术 ④ · data engineering
09 / 23
A 股数据又碎又不稳 —— 我们用一条自愈管道驯服了它
K 线四级回退链 · 单一数据入口（SSOT）
新浪
独立源
akshare
东财
baostock
备份
tushare
需 Token
本地 Parquet 缓存
命中即零网络
每个数据源按其真实故障模式单独调参（重试次数/超时/限速）；任一被墙或限流，自动回落，用户无感。
真实异构冗余
新浪是非东财系独立供应商 —— 当东财系限流时，K 线仍有真正备份；与"挂多个壳同源"有本质区别。
查到潜伏 Bug
多源交叉校验，曾暴露并修复了一个 成交量 ×100 倍的隐蔽错误（股 vs 手）—— 在任何用户受影响之前。
诚实降级
数据缺失时明确标注"缺失"，绝不编造；新鲜度守卫防止把昨日数据当成今日。
核心技术 ⑤ · responsible AI
10 / 23
把合规护栏写成 AI 无法越过的硬约束
不是事后过滤，是写在提示词里的硬规则。这让 AlphaGPT 在中国 A 股监管环境下，拥有可辩护的姿态。
四道硬约束
- 主力资金流出时，禁止"参与" —— 数学上约束 AI 不能在机构撤离时建议入场。
- 估值数据缺失时，禁止"高置信" —— 不会把"没数据"包装成"很有把握"。
- 研究措辞，非交易指令 —— 用"参与 / 留意 / 参考"而非"买入 / 卖出 / 止损"。
- 反幻觉边界块 —— 把缺失字段清单注入提示词，AI 只能说"数据不足，无法判断"。
多源情报融合
市场行情 + 基本面（10 字段）+ 实时新闻 + 资金流，汇总成结构化研究面板，而非单一黑盒分数。
四供应商 LLM 自动容灾
DeepSeek→
GLM→
通义→
兼容 OpenAI
无单一厂商锁定、无单点故障，业务连续性与成本可控。
信号强度 ≠ 准确率。量化面板把两者分开渲染；命中率徽标是实测的前向命中，不是承诺。
产品全景 · product
11 / 23
十二个聚焦工作台，把研究闭环装进一个桌面应用
从训练挖掘、公式管理、信号研究，到市场、悬赏、接力的协作经济 —— 一个原生 Windows 应用串起完整流程。
首页仪表盘
大盘情绪·新闻
系统设置
硬件·API Key
训练系统
全参数·种子A-F
公式库
筛选·详情·出售
量化信号
面板·命中率
交易市场
公式买卖·分账
算力悬赏
发包·托管
公式接力
协作·汇总分发
社区
开发中
捐助订阅
智核币·年卡
帮助手册
683 行内置
关于
版本·更新
11个
已交付完整工作台
暗 / 亮
双主题 · 苹果磨砂质感
WebSocket
训练进度实时推送至浏览器
产品演示 · real output
12 / 23
每一次训练，都产出一份可审计的机构级回测报告
真实训练输出 · 策略回测
代码 510300 · 沪深300ETF
14.2%
年化收益
1.708
夏普比率
1.78%
最大回撤
量化信号面板（界面还原）
公式信号 62%
AI 评分 58
✓共振 · 同向
为什么是"真实"数字：回测未建模资金占用，引擎自曝约 20–30% 乐观偏差。我们展示现实区间，而非"稳赚"幻觉。
上图为系统真实输出截图，仅作研究示例，不构成任何收益承诺或投资建议。
架构优势 · architecture
13 / 23
用户 GPU 干重活，服务器零运算 —— 一条对手难以复制的成本曲线
客户端 · 用户本机
承担 100% 重计算
训练 / 回测AlphaGPT 引擎
AI 推理DeepSeek / Tavily 直调
图表生成本地 PNG
本地数据库SQLite · 9 表
HTTPS + JWT
鉴权 · 分账 · 封存
服务器 · 云端
只做轻量编排
鉴权 / 账户JWT · 白名单
业务编排智核币分账 · 接力
优质公式金库独立 schema · 4 层隔离
缓存 / 限流Redis
0
服务器 ML 库
全 server/ 目录 grep 验证
含义：训练与推理消耗的是用户自己的算力，不是我们的云。
用户从 1 万增长到 10 万，我们的服务器成本曲线几乎不动 —— 竞品要复制这一点，等于重写整个产品。
用户从 1 万增长到 10 万，我们的服务器成本曲线几乎不动 —— 竞品要复制这一点，等于重写整个产品。
核心壁垒 · the data flywheel
14 / 23
代码可以被抄走，积累的优质公式抄不走
每当某用户训练出 样本外夏普 ≥ 1.5 的策略，引擎在后台静默上传到他自己也读不到的金库。
金库由 4 层物理隔离守护：独立数据库 schema · 独立角色 · 狌立应用 · 仅追加权限。
"抄走代码的对手，拿到的是一个空金库。"
用户越多 → 优质公式越多 → 平台越值钱 → 吸引更多用户。
商业模式 · business model
15 / 23
以"智核币"为闭环的量化研究经济
一套预付托管结算原语，复用在四个收入面上 —— 把用户群变成一支分布式量化研究团队。
注册赠 30 币，1 币 = 1 元（单向充值）。用于购买平台内研究服务 —— 软件积分，非稳定币、不可提现。
银行级账本：PostgreSQL 触发器禁止 UPDATE / DELETE / TRUNCATE，余额 = 初始 + Σ流水，复式记账。
一套托管原语，复用三次：市场 / 悬赏 / 接力共享同一套"预扣→发奖→退款"逻辑，确定性加锁、无死锁、资金永不卡死。
收入结构 · unit economics
16 / 23
清晰、可复利的收入来源与分账机制
订阅 · 自助购买
199
币 / 月
2,999
币 / 年
19.9
试用（限购3）
订阅解锁高级训练参数、更高分账比例与营销权益；金币自助购买，即时开通。
市场分账 · 抽佣率
免费卖方 · 平台抽成50%
订阅卖方 · 平台抽成20%
订阅创作者拿 80%，激励优质公式上架 —— 市场越繁荣，飞轮越快。
复式
不可变流水账本
3 次
托管原语复用面
6 级
用户等级体系
2.6k行
核心引擎规模
竞争壁垒 · why we win
17 / 23
七重护城河 —— 每一重都经代码验证
01
数据飞轮 + 4 层优质公式金库
用户训练出的优质策略自动入库，独立 schema/角色/应用隔离 —— 竞争对手抄走代码也只拿到空库
02
服务器零运算 · 成本曲线扁平
用户 GPU 承担全部训练/推理；全 server/ 目录零 ML 库 —— 用户增长不抬高云成本
03
A 股原生设计
内置 T+1、两融资金流、板块涨跌停、19 因子 —— 海外量化库不具备，难以"汉化"补齐
04
三重防过拟合 · 研究纪律
IC 双门槛+去冗余、严格 OOS、噪声压力测试 —— 只报告 AI 没见过的数据上的表现
05
负责任 AI · 合规姿态
硬约束护栏：主力流出禁"参与"、数据缺失禁"高置信"、研究措辞 —— 监管可辩护
06
银行级账本 · 不可篡改
PG 触发器禁改禁删、复式记账、确定性无死锁结算 —— 金融级审计纪律
07
多源数据管道 · 真实异构
含新浪独立源的四源回退、自愈容错 —— 曾借此提前发现并修复潜伏的 100 倍数据错误
技术栈 · engineering maturity
18 / 23
成熟、主流、可维护的工程选型
全部采用主流稳定技术栈，版本钉死，团队可招、社区可查、长期可维护。
客户端
- Flask + Flask-SocketIO实时训练流推送
- SQLite + SQLAlchemy本地个人库 · WAL
- PyTorchTransformer + PPO
- akshare / baostock / 新浪多源数据 + parquet 缓存
服务端
- Django 4.2 + DRF 3.1511 个业务 app
- PostgreSQL 15 + Redis 7双 schema · 缓存限流
- JWT (simplejwt 5.3)15min / 7天 · 黑名单
- Nginx + Gunicorn 26Linux 生产部署
AI · 安全 · 交付
- DeepSeek · GLM · 通义LiteLLM 四供应商容灾
- Tavilylicensed 新闻 · 11 域白名单
- Hashcash PoW + 退避自托管防滥用 · 防暴破
- 嵌入式 Python + 托盘无窗口发布 · 版本闸门
进展与现状 · traction
19 / 23
v0.88.1 预览版 —— 诚实标注已交付、在做什么、还没做
已交付
shipped- ✓完整 AI 引擎 + 客户端 11 个工作台
- ✓零运算服务端 + 4 层公式金库
- ✓市场 / 悬赏 / 接力 · 托管结算
- ✓多源数据管道 + 本地缓存
- ✓负责任 AI 护栏 + 防滥用
- ✓Cython 编译核心为 .pyd
- ✓PyInstaller + NSIS 安装包
- ✓金库 DB 层 REVOKE 硬化
部分完成
partial- ◐Argon2 密码哈希（依赖已就位）
- ◐社区版块（当前占位）
- ◐用户等级已计算，经济权益待开关
- ◐支付网关（当前人工确认）
规划中
planned- ○多资产组合 / 截面训练
- ○北交所 920 板块支持
- ○全球市场 · 期货 · 大宗商品 · 贵金属 · 外汇
路线图 · roadmap
20 / 23
清晰、低风险的演进路径
近期 · 0–3 个月
- →Cython 编译 + 安装包发布
- →自动支付网关接入
- →金库 DB 层 REVOKE 硬化
中期 · 3–9 个月
- →多资产组合 / 截面训练
- →公司化主体与合规牌照路径
- →移动端 / Web 端延展
长期 · 9 个月+
- →自建数据源服务（多用户盘中）
- →机构版 / B 端研究服务
- →金库衍生研究产品
风险与合规 · risk & compliance
21 / 23
我们清醒地认知合规边界 —— 并已把应对写进产品
面向 A 股个人投资者的研究工具，合规是产品设计的起点，不是事后补丁。
● 产品层 · 已内建
- ✓研究工具定位，非投资顾问 —— 全站输出均为研究/参考材料，无买卖指令、无收益承诺。
- ✓负责任 AI 硬约束 —— 主力流出禁"参与"、数据缺失禁"高置信"、研究措辞护栏。
- ✓诚实披露 —— 自曝 20–30% 回测乐观偏差；信号强度与准确率严格区分。
- ✓智核币为软件积分 —— 闭环、不可提现、非稳定币，规避类金融风险。
● 公司层 · 推进中
- →公司化主体 —— 以法人实体运营，明确权责边界。
- →资质路径规划 —— ICP 备案、数据合规、支付通道走持牌合作。
- →免责与风险提示 —— 全站显著声明，留痕可追溯。
- →法务持续审查 —— 措辞、功能边界随监管动态调整。
本页为产品方向性说明，不构成法律意见；正式合规方案以持牌律师审定为准。
团队 · team
22 / 23
把深度量化工程做到产品级的人
王
王肇亮
创始人 · 总架构师
独立完成引擎到平台的全栈交付
独立完成引擎到平台的全栈交付
Tech
核心技术
全栈量化工程实现
[ 团队规模 - ]
[ 团队规模 - ]
Advisor
顾问
金融 / 合规 / 战略
[ - ]
[ - ]
独立完成了从 RL 引擎、双端架构、数据管道、AI 集成到经济模型的全部交付 —— 证明团队具备罕见的全栈量化工程能力。
让每一位投资者，
都有机会像机构一样研究。
AlphaGPT —— 把 Transformer 与强化学习，变成每个人桌上的量化研究工作台。
AI 量化研究平台
数据飞轮 · 自我增强
v0.88.1 · 预览版已发布
邮箱
wangzhaoliang@yeah.net
微信
62971
电话
180 5329 2697
AlphaGPT · 机密演示文稿 · 仅供受邀投资人参阅