因子路线自动规划
Agent 解析研究问题，自动判断截面或时序方向，输出因子挖掘路线图。
AI 驱动的
量化研究平台
定义研究问题，Agent 完成剩余一切。
你只需定义研究问题，Agent 自动规划因子路线、挖掘验证、建模回测，研究通过后直接衔接实盘，全程无需手写一行代码。
在线研究平台 · 本地 SDK 即将开放
skz — quant research
# 定义一个截面研究问题$ skz pipeline miner \ -p CSD_PROBLEM_001 -o ./factors --n-jobs 8 [agent] 规划因子路线 ... done[mine] 挖掘 42 个候选因子[eval] 质检去重，留存 17 个 # 建模回测 + 策略筛选$ skz strategy backtest strategy.toml[backtest] IC=0.082 胜率=0.57 # 研究通过，进实盘$ skz strategy realtime→ 实盘已启动 3 条策略自然语言研究
无需编写因子表达式
描述研究意图，Agent 自动转化为因子与策略。
统一因子库
质检去重，跨项目复用
构建专属因子库，自动甄选优质因子入库。
零迁移成本
一套配置贯穿到底
研究通过即可进入实盘，研究与实盘环境保持一致。
标准化流水线
规划 · 挖掘 · 探索 · 实盘
机构投研流程拆解为四步，依序执行即可上线。
01 — 核心优势
传统平台依赖人工编写代码，
传统平台依赖人工编写代码，
胜可知由 Agent 驱动研究
同一目标，两条不同的实现路径。
传统量化平台
- 手动编写因子表达式，质量依赖个人经验
- 数据、回测、实盘环节割裂，需人工衔接
- 研究与实盘代码分离，迁移成本高
- 因子分散管理，跨项目难以复用
- 须同时具备编程与金融工程能力
胜可知
- Agent 理解研究意图，自动规划与挖掘
- 数据到实盘一体化流水线，无需人工中转
- 同一套配置贯穿研究到实盘，零迁移成本
- 统一因子库，质检去重，跨项目持续复用
- 自然语言描述问题，无需编写代码
02 — 解决方案
五类典型困境，逐一应对
常见困境
胜可知的解法
- 缺少因子库，每个项目从零开始
- 统一因子库，因子自动质检去重入库，跨项目直接复用
- 策略验证周期长，调参效率低
- 建模求解与端到端回测一体化，研究问题到回测结果快速反馈
- 研究与实盘环境不一致，上线需重写
- 一套配置贯穿研究与实盘，研究通过即进入实盘策略库
- 机构级流程复杂，个人与小团队难以落地
- 将机构投研流程标准化为规划、挖掘、探索、实盘四步
- 编程门槛阻碍量化入门
- 自然语言描述研究意图，Agent 自动翻译为因子与策略
03 — 平台能力
覆盖从研究问题到实盘的每一环
贯通量化研究全流程。
智能化因子挖掘
Agent 挖掘因子并逐个验证，支持单 Agent 与多成员协作两种模式。
双引擎因子计算
时序与截面两套计算引擎，统一调用入口，表达式完成即生成因子。
因子质量管控
评估、异常检测与去重，自动甄选优质因子，入库因子均经过系统化检验。
策略建模与回测
端到端回测与策略筛选并行，从因子组合到可交易策略一步完成。
实盘衔接
内置策略库全生命周期管理，支持一键进入实盘工作流。
04 — 研究流程
四步，从问题到实盘
将机构投研流程拆解为四个标准化步骤，依序执行即可构建一条完整的策略生产线。
-
STEP 01
规划 Plan
定义研究问题，Agent 自动规划因子挖掘路线。
-
STEP 02
挖掘 Mine
Agent 并发挖掘因子，质检合格后自动入库。
-
STEP 03
探索 Explore
因子建模、策略回测、多策略筛选。
-
STEP 04
实盘 Realtime
策略库统一管理，一键衔接实盘执行。
05 — 适用对象
为这三类研究者而构建
个人量化研究者
希望以机构级方法开展研究，但缺乏现成的因子库与工程化支持。
小型私募与工作室
需要标准化的可复用研究流水线，降低对核心个人能力的过度依赖。
量化学习者
希望理解机构级研究流程，Agent 执行的每个步骤均清晰可追溯。
06 — 关于胜可知
让量化研究从
让量化研究从
代码驱动转向意图驱动
上海胜可知智能科技有限公司，总部位于上海，致力于为投资者提供 AI 驱动的量化研究基础设施，通过智能体技术将复杂的因子挖掘与策略构建流程自动化。
公司信息
-
公司全称上海胜可知智能科技有限公司
-
所在地上海
