上周面了一家头部券商的量化研究岗。

面试官翻着我的简历，问了一个让我愣了一下的问题：

"你有用过AI模型做选股回测吗？或者说——你知道怎么用扩散模型增强财务因子吗？"

扩散模型？那不是画图的吗，跟选股有什么关系？

我还没来得及回答，面试官笑了："阿里达摩院去年发了篇论文，专门用扩散模型解决A股数据量不足的问题。很多候选人都没听过这个方向。"

那一刻我意识到——量化面试的出题方向已经变了。不再是问"你会不会用Python拉数据"，而是问"你最近看过哪些顶会论文，能不能把它落地成代码"。

在A股做量化，最难的不是代码

干过量化的人都知道：

你用100个因子去预测股票走势，真正有效的信号可能不到3个。剩下的全是噪音。

更要命的是，同行业的股票一涨就是一起涨、一跌一起跌。你觉得自己持仓很分散，实际上30只股票里有15只是同一个板块的——模型根本不是学会了规律，而是把同一个模式复制了30次。

这就是过拟合。回测漂亮，实盘翻车，99%的量化模型都死在这一步。

阿里达摩院最近出了个方案

他们发了一篇论文（DiffsFormer），核心思路是——

用扩散模型给股票数据做"PS"。

就像Stable Diffusion能从一张模糊照片还原成高清图，DiffsFormer能把一份"噪音太多的特征样本"还原成"信息更丰富的版本"。

具体怎么用？我直接把论文改成了代码：

# 进入项目目录cd diffsformer_project# 一行命令，5分钟跑完整套流程./run.sh quick

然后浏览器自动弹出一个Dashboard，8张交互图表：

（完整版视频讲解观看及源码获取⬇️）

真实A股数据，跑了两年半的回测

用了26只沪深300成分股、2019年到2026年7月的真实行情，Python全自动回测。

MLP的IC（信息系数）从0.0485飙升到0.0598——提升23%。你可以把这理解为：模型的预测能力比原来强了将近四分之一。

回测结果（扣了双边佣金0.03%和印花税0.05%后）：

而且这个项目是完全开源的。600多行核心代码、8张图表模板、一键运行脚本，全部可以直接拿来用。

面试为什么问你"会不会用AI做选股"

因为券商现在在招两类人：

第一类，会调传统因子（PE/ROE/动量）的——已经太多了，竞争激烈。

第二类，会用AI模型增强因子、做特征工程的——刚起步，缺口很大。

DiffsFormer正好卡在第二类的点上。它不是让你去写一个新的交易策略，而是让你把现有的预测模型"变聪明"——你不需要改模型结构，只需要在数据输入侧多做一步"编辑式增强"。

这是面试官真正想听到的答案。

这个项目能写进简历的3个理由

① 有技术深度：扩散模型 → Transformer → Alpha因子工程 → 完整回测，技术栈完整。

② 有真实数据支撑：不是吹了一个PPT策略，而是跑了618个交易日、923笔真实交易，每一笔都可追溯。

③ 有开源交付物：面试的时候你可以直接打开Dashboard，让面试官看到8张图表、KPI卡片、月度热力图——比任何解释都有说服力。

怎么获取？

完整视频讲解我发在了B站「小白书量化」，扫下面二维码或点击阅读原文直接看：

📺B站搜索：小白书量化

或者直接搜视频标题：「白嫖阿里达摩院的AI选股工具，结果真香」

视频里我一行一行演示了这个项目怎么跑、每个图代表什么、T'参数怎么选——比看文字清晰10倍。

源码领取方式也在视频里。不搞加群套路，关注截图私信就发。

⚠️ 以上内容基于历史回测数据，不构成任何投资建议。所有策略不代表未来收益。