AI助手多样化研究分享(一次失败的尝试)
  码上生财 17天前 48 0

AI助手多样化研究分享(一次失败的尝试)

简单说下这次测试

今天主要想看看它用AI帮忙做工作流,结果发现了一些问题,写下来给大家参考。

测试过程记录

第一次尝试:让AI自动生成简单工作流

自动生成无法运行

遇到的问题:刚用AI生成工作流,就提示"负载超荷,建议优化工作流!",直接跑不起来。

我的感受:按理说AI生成的工作流,就算粗糙点,至少应该能跑起来吧?一开始就跑不了,体验确实不太好。

截图image.png

改成python代码输入

解决办法:我认为可能是因为使用了公式输入,改成代码输入。

截图image.png

两次简单的线性因子构建都成功了:

image.png

image.png

第二次尝试:两个因子合成

我试着使用拖拽的方式,将两个因子合并,使用平台提供的节点拖拽功能来构建工作流。

新问题:在因子合成这一步卡住了。

截图image.png

打开右下角的AI助手尝试解决

打开右下角的AI助手,输入报错情况,结果是没能解决:

截图image.png

在Python代码输入端尝试解决

在两个Python输入端分别尝试让AI修复,结果还是不能解决:

截图1image.png
截图2image.png

最终结果

结论:试了各种方法,问题还是没解决。

截图1image.png
截图2image.png

遇到的问题总结

主要不顺畅的地方

  1. AI工作流构建不稳定: 初始AI构建的工作流无法正常运行
  2. 因子合成环节卡顿: 在关键的计算环节出现性能问题
  3. AI解决方案效果有限: 平台内置的AI辅助功能未能有效解决问题

对用户的影响

  • 用户需要花费额外精力解决平台技术问题
  • 无法专注于量化研究本身
  • 增加了学习成本和使用门槛

一些建议

技术方面

  1. 提升AI工作流构建的稳定性: 确保自动生成的工作流能够基本运行
  2. 优化因子合成性能: 解决计算环节的卡顿问题
  3. 增强AI解决方案的有效性: 提高内置AI辅助功能的实用性

用户体验方面

  1. 降低使用门槛: 让用户能够更专注于量化研究而非技术问题
  2. 提供更清晰的错误提示: 帮助用户快速定位和解决问题

最后说几句

PandaAI这个平台想法挺好的,想用AI让量化变得更简单。但实际用下来,感觉还有很多地方需要改进。

对于我们做量化的人来说,理想的工具应该是:花最少的时间解决技术问题,把主要精力都放在策略研究上。希望平台能越做越好,真的实现"量化平权"这个目标。

最后一次编辑于 17天前 0

暂无评论

推荐阅读