GitHub 上刚开源一本量化书，设计思路有点不一样， 而且我觉得这本书真正在教的东西不只是量化，背后其实是一个被严重低估的元能力--把模糊想法写成清晰 Spec，然后让 AI 执行。

这套能力放到任何复杂领域都管用，量化交易只是它第一个练手的战场。

现在量化交易的学习路径，大部分人搞反了， 传统路线：先啃数学 → 觉得自己没准备好 → 永远不动手 → 放弃。

一本GitHub上开源的书把路翻过来：先写 Spec 让 AI 帮你跑通一个策略，亏钱也行，跑起来再补理论。

书叫《XQuant：人人都是量化交易员》，核心设计就一条：问题驱动，不是知识驱动。

9 个问题串起整条量化 pipeline：

1. 量化怎么赚钱？（先跑通最小闭环） 2. 买什么？（3 只 ETF 开始） 3. 买多少？（3 种仓位分法实测） 4. 什么时候买卖？（信号、再平衡、止盈止损） 5. 怎么知道有效？（回测框架） 6. 如何避免自欺欺人？（过拟合检测）--这章位置极早，说明作者懂新手真正的死法 7-9：实盘执行、持续改进、因子研究日常

几个反直觉的地方： • 第 1 章就让你跑策略，不是先讲 CAPM、Black-Scholes，是直接上手做一个能运行的最小系统，跑起来产生的反馈和多巴胺，比任何理论都更能驱动你学下去。 • 正文和练习代码分开维护，书稿仓库放干净的正文，学习仓库放 Specs + Jupyter Notebooks。阅读时不被打断，动手时有完整参考。 • 每章给你写好的 Spec，丢给 Claude 或 Cursor 生成代码。你训练的不是手写代码，是把模糊策略想法变成清晰任务描述的能力。