AI 驱动的金融研究、量化策略分析与验证平台
以历史为基础，以证据为依据，以人工智能理解市场。
Understand the Market. Discover the Structure.
OmniMarket 是面向量化与基本面研究者的 AI 量化研究平台：把上市公司长期历史、公开披露与市场数据组织为可复核的研究证据，帮助研究者理解企业、行业与资本行为的变化及其原因；配套腾龙学院提供量化研究与交易纪律教育。
区别于只看最新数据的行情分析工具：OmniMarket 沿长期历史回答“为什么”，并为每条结论保留可复核的证据链。
量化分析 · 三大核心研究体系 · 交易纪律培训
由 Capital Behavior、AstraWeave 与 GFI + ATI 三大核心研究体系驱动。
资本行为量化模型
CEI · MRI · CBM 三大核心指标共同驱动一套专有资本行为模型体系。
智能金融研究引擎
连接企业财务、资本行为、行业变化、市场数据与历史事件，形成可追溯、可比较、可持续深化的研究过程。
全球金融信息与 ATI 指标
GFI 汇集全球主要市场的公开金融信息；ATI 度量值得进一步研究的强度。
市场 — 行业 — 企业 — 资本行为 · 结构关联(背景网络为示意)
面向金融研究的人工智能产品，与融入研究流程的语言智能能力。
Financial Intelligence for Deeper Research.
面向金融市场研究的人工智能产品：通过自然语言开展金融信息查询、上市公司研究、行业分析与历史比较。
探索 OmniMarket AIOmniMarket 提供技术，用户定义自己的研究平台。
OmniMarket 是 AI 量化研究工具与技术服务供应商：既提供标准化的金融研究工具，也支持按你的品牌与研究方法，建立高度个性化的量化研究平台。
自由定义你的研究平台
OmniMarket 支持用户自由修改系统名称，将量化研究平台以自己的公司名称、机构名称或产品品牌呈现。用户无需局限于固定的 OmniMarket 产品名称，可以根据自身业务需要，建立具有独立品牌特色的研究环境。
该能力目前已经具备，属于平台的标准化能力之一。
让 AI 构建你的研究方法
OmniMarket 支持用户根据自己的研究需求，添加个性化研究模型。用户可以通过自然语言与 AI 交互，指导 AI 编写、调整和优化研究逻辑，将个人研究理念转化为专属研究工具。
研究模型可以围绕不同研究目标展开，例如：
边界说明：自定义研究模型指按用户需求配置与生成研究逻辑，不等于重新训练基础大语言模型的权重。
从示例看流程
默认平台名称。
以你的公司、机构或产品品牌命名。
具有独立品牌特色的研究环境（品牌命名示例）。
用自然语言与 AI 交互，构建与优化研究逻辑。
以上为产品能力示意；其中「ABC Capital Research」为品牌命名示例，不是实际客户案例。
平台核心产品优势
OmniMarket 是一个 AI 驱动的智能量化研究平台：用长期历史、结构化证据和人工智能，帮助研究者理解市场。
面向企业与行业长期历史的研究平台：把上市公司历年报告、公开披露与市场数据整理为可检索、可复核的研究证据。
量化研究者、基本面研究者、金融数据从业者，以及通过腾龙学院系统学习量化研究与交易纪律的个人学习者。
数据分散、口径不一、证据难以复核、结论缺少反例检验——把“只看最新数据”升级为沿历史与结构开展的研究。
行情工具回答“现在是什么”，OmniMarket 回答“为什么变成这样、历史上是否发生过”：沿长期历史比较、保留证据来源、主动做反例检验。
历史与 AI 如何连接：平台先把公开历史数据整理为结构化证据（来源、时间、口径、可回读原文），AI 依据这些证据进行检索、比较与检验，输出必须能够回到原文。
企业与行业如何比较：同一企业沿时间纵向比较（多年经营与股权变化），同一时点跨企业横向比较（行业内部与产业链关系）；两种比较共同支撑结论。
证据如何支持或反驳结论：每个研究结论都保留其证据来源与置信程度；系统会主动寻找不支持初步判断的证据（反例），当新证据出现时修正结论。
OmniMarket 将人工智能、金融历史数据、企业研究、行业分析、资本行为与研究记忆整合于统一平台，为投资研究提供系统化的分析工具。
从企业长期经营变化，到行业竞争格局，再到资本持有人的历史行为，OmniMarket 通过相互关联的研究能力，帮助用户理解市场变化背后的原因。
其中，Capital Behavior、AstraWeave 与 GFI + ATI 是 OmniMarket 的三大核心研究体系，下文将逐一展开。
功能：以 AI 驱动的多步研究流程，围绕研究问题组织检索、比较与检验。
实际用途：把研究问题拆解为多步子问题，检索历史证据，并主动做反例检验。
用户价值：得到可复核的研究过程，而不是一次性给出的答案。
功能：沿多年历史整理企业的经营、战略与股权证据。
实际用途：沿多年历史整理企业的财务表现、战略执行与股权结构证据。
用户价值：理解企业“为什么成为今天的样子”，而不只看当期报表。
功能：研究行业周期、竞争结构与长期转型。
实际用途：研究行业周期、竞争结构与长期转型，并追踪变化向企业的传导路径。
用户价值：把单个公司放回行业环境中判断，减少孤立解读。
功能：以 CEI / MRI / CBM 三大核心指标刻画公开披露的资本行为。
实际用途：整理公开披露的持仓与资本活动历史，并与基本面、行业周期对照研究。
用户价值：区分“可观察的披露变化”与“真实交易”，避免过度解读。
功能：保存研究记录、证据与假设，供后续复用。
实际用途：保留研究记录、证据与假设，供后续研究复用与重新检验。
用户价值：研究可以积累，不必每次从零开始。
功能：统一研究方法论，规定研究如何展开与检验。
实际用途：为上述研究提供统一方法论——沿历史、按结构、以证据检验。
用户价值：结论自带来源与置信程度，可按同一标准复核。
功能：以课程体系组织系统化的学习方向。
实际用途：提供量化研究、交易规则与交易纪律的课程目录与学习方向。
用户价值：在研究方法之外，系统建立规则意识与风险意识。
三大核心指标驱动的市场资本行为研究体系。
Capital Behavior 是 OmniMarket 的专有资本行为量化模型体系：以公开披露与市场数据为基础，按个股计算资金行为的量化刻画，并与企业基本面、行业周期对照研究。
研究对象：资金运用的效率状态。
量化作用：输出资金效率评分，并给出所处区间与方向。
关系：与 MRI、CBM 由同一次资金行为计算共同产出。
用户价值：判断资金运作是否高效，为研究提供量化起点。
研究对象：价格运行中的市场阻力状态。
量化作用：输出市场阻力评分，并给出所处区间与级别。
关系：与 CEI、CBM 由同一次资金行为计算共同产出。
用户价值：识别阻力位置，帮助理解价格变化的难易程度。
研究对象：资金行为的整体状态与多维结构。
量化作用：输出资金行为评分、状态与多维结构刻画。
关系：与 CEI、MRI 由同一次资金行为计算共同产出。
用户价值：从整体上定位资金行为所处状态，与 CEI、MRI 相互印证。
三大指标由同一套资金行为计算共同产出，构成一个整体体系：效率、阻力与行为状态三重视角相互关联，而不是三个彼此独立的技术指标。
披露边界：公开披露的股东名单不等于完整投资组合；某位股东从前十大名单中消失，也不一定意味着已经清仓。平台不把不完整的披露数据包装成确定的交易记录。
我们研究的不是谁买了什么股票，而是资本行为与企业长期变化之间，是否存在能够经受历史检验的联系。
Capital Leaves Traces. Research Seeks Meaning.
Connecting Evidence Across Time and Structure.
AstraWeave 是 OmniMarket 的智能金融研究引擎，负责将企业财务、资本行为、行业变化、市场数据及历史事件连接起来，形成可追溯、可比较、可持续深化的研究过程。
它不仅汇总信息，还围绕研究目标进行历史纵向比较、企业与行业横向比较、异常识别、假设验证和反例检验，并根据证据的可靠性与完整程度形成有依据的研究判断。
AstraWeave 不把模型生成的结论直接视为事实，而是通过证据核验、矛盾识别和持续追问，提高研究结果的可靠性。
Intelligence That Questions Its Own Conclusions.
全球金融信息与 ATI 指标的研究价值。
研究对象：全球主要市场的公开金融信息。
信息范围：中国、美国、欧洲、日本、亚洲与新兴市场的官方公告与新闻媒体信息。
处理方式：信息经采集、补充与验证，由 AI 研读逐条整理。
用户价值：把分散的全球公开信息归拢到同一个研究视野中。
指标含义：衡量当前状态值得进一步研究的强度（星衡触发指数）。
研究作用：把研究注意力集中到值得深挖的变化上。
研究边界：ATI 不表示买入或卖出信号，也不表示收益预期，而是研究优先级的度量。
用户价值：让研究者按研究价值分配注意力。
协作方式：GFI 持续汇集全球金融信息并形成历史记录；ATI 在此基础上度量值得进一步研究的强度，使研究过程优先跟随值得深挖的全球变化。
星散万象，衡定真伪；经贯时间，纬联万物。
Powered by AstraWeave · Goal-Driven, Evidence-Grounded Research.
星衡经纬，是 OmniMarket 的目标驱动研究方法论。它以研究问题为起点，将原本分散在不同企业、行业、时间和数据体系中的信息组织成可追溯的研究关系。
系统并不追求连接所有数据，而是通过历史比较、证据权重、异常识别、假设检验与反证机制，寻找真正能够解释问题的关联。
让数据不再只是被收集，而是围绕问题形成可以验证的研究认识。
研究目标 · 相关识别 · 证据筛选 · 研究网络
图示说明：目标驱动的可解释证据网络——只有通过与研究目标相关且经得起证据检验的关联会被保留；证据不足的节点保持未连接状态。
从分散的信息中，发现值得研究的信号。
代表：企业 / 财务 / 股东 / 资本行为 / 行业 / 政策 / 市场 / 历史事件。
不让数据数量代替证据质量。
代表：证据来源 / 可靠性 / 历史比较 / 异常识别 / 冲突检查 / 反例检验 / 证据权重。
把孤立的事实放回历史，观察变化如何发生。
代表：企业历史 / 资本投入 / 经营变化 / 行业周期 / 股东结构演变 / 历史事件序列。
以研究目标为中心，建立跨主体、跨领域的可解释关联。
代表：企业与行业 / 资本与经营 / 政策与市场 / 历史与现实 / 信号与结果。
星衡经纬与 Capital Behavior、AstraWeave、GFI + ATI 的关系：它是贯穿三大核心研究体系的研究方法论，不是独立于三大体系之外的另一套产品。
在三大核心研究体系之上，OmniMarket 提供面向具体研究任务的应用能力。
实际用途：把研究问题拆解为多步子问题，检索历史证据，并主动做反例检验。
研究场景：检验一个经营判断在历史上是否成立；在异常变化出现时，回溯可比时期与当时的背景。
用户价值：得到可复核的研究过程，而不是一次性给出的答案。
实际用途：沿多年历史整理企业的财务表现、战略执行与股权结构证据。
研究场景：回溯一家公司的经营转型；把过去的战略承诺与后续实际经营结果对照。
用户价值：理解企业“为什么成为今天的样子”，而不只看当期报表。
实际用途：研究行业周期、竞争结构与长期转型，并追踪变化向企业的传导路径。
研究场景：在同一轮周期中比较行业内企业的分化；观察竞争优势在行业内的转移。
用户价值：把单个公司放回行业环境中判断，减少孤立解读。
实际用途：保留研究记录、证据与假设，供后续研究复用与重新检验。
研究场景：对同一课题跨时间持续跟踪，回看此前的判断依据与新出现的证据。
用户价值：研究可以积累，不必每次从零开始。
Research Should Accumulate, Not Restart.
每一份研究输出都按统一结构组织：结论、证据、历史对照与反例。
明确回答研究问题，并标注置信程度与不确定性。
用户价值：拿到结论的同时，知道它有多可靠。
每条结论保留证据来源、时间与口径，可回到原始披露复核。
用户价值：研究过程可以逐步复核，而不是只能相信结论。
结论附历史时期的可比情形与关键差异说明。
用户价值：理解结论成立的历史背景与适用边界。
主动记录不支持结论的证据，并说明如何处理。
用户价值：避免只看到支持材料带来的判断偏差。
本页图表均为模拟演示数据并统一标注；本站不展示虚构的产品截图或研究结果。
OmniMarket 正在构建覆盖桌面浏览器、Apple 设备与 Android 设备的多平台研究体验，让用户能够在不同场景下使用智能金融研究工具。
面向桌面与笔记本电脑的网页研究体验，支持大屏信息浏览、研究内容阅读与多维度分析。
状态：规划中
面向 Mac 桌面设备的研究客户端，规划中，尚未开放。
状态：内测中
面向 iPhone 与 iPad 的移动研究客户端，提供适合触屏操作的 AI 交互体验。
状态：内测中
面向 Android 手机及平板的客户端，正在进行适配与体验完善。
OmniMarket AI 以金融市场数据和研究分析为基础，帮助用户探索交易策略、开展历史回测及模拟交易验证，评估策略在不同市场环境下的表现、风险和适用条件。
基于历史数据对研究策略进行回测，评估收益、回撤与稳定性等表现指标，检验策略在不同市场环境下的适用性。
以虚拟资金构建模拟组合，按既定进出场规则开展纸面交易验证，观察净值与资金曲线变化（研究环境内运行，不触及真实账户与持仓）。
研究流程包含前视偏差（未来函数）审计与信号前向验证，帮助识别回测与模拟过程中可能存在的偏差。
上述能力为研究、回测与模拟验证工具，不包含实盘交易执行；历史回测与模拟结果不代表未来实际交易表现。
OmniMarket AI 采用可扩展的研究与策略体系。用户可根据自身技术能力、实际需求及交易服务商提供的接口条件，自行开发、连接真实交易接口，并将个人策略工作流扩展或升级为自动交易系统。
相关接口开发、系统部署、交易权限配置、自动化执行及风险控制由用户自行负责。OmniMarket AI 不因此提供代客交易、托管交易或收益保证服务。
OmniMarket AI 提供金融数据研究、AI 分析及策略研究工具，不构成投资建议或收益保证。历史回测及模拟交易结果不代表未来实际交易表现。
用户自行开发、接入或升级的自动交易系统，及其交易决策、程序运行、接口配置、账户授权、交易执行和相关风险，由用户自行管理并承担相应责任。OmniMarket AI 不对用户自行开发的第三方交易系统或其交易结果作出保证；相关责任以适用法律及服务协议为准。
腾龙学院是 OmniMarket 的量化研究与交易纪律教育产品，以课程体系组织学习路径，覆盖金融基础、量化研究、交易规则、风险管理与交易纪律。
按学院分类组织课程：量化研究学习、交易规则教育、交易纪律培训三个方向。
因子与信号、回测与策略评估、A 股交易规则、仓位管理、交易复盘与错误归因等。
以量化与基本面研究为方向的个人研究者、金融行业从业者，以及希望系统建立交易规则与纪律意识的学习者。
形成从数据到结论的完整研究方法，并把规则与纪律纳入日常决策。
课程目录已公开（学院分类与课程名称）；课程正文与在线学习尚未开放，学院课程目前使用中文。
OmniMarket 通过浏览器访问。公开渠道：本官网（中文 / 英文）与腾龙学院公开课程目录；平台系统面向授权用户开放。
公开注册尚未开放。
市场中最容易获得的是价格，最难理解的是价格背后的历史。
一家公司的经营转型可能经历十多年才反映到市场表现中；一个行业可能在繁荣之后进入漫长调整；一次看似精准的判断，拉长时间后结果可能完全不同。
如果把企业、行业、市场与资本行为的历史连接起来，金融研究可以更接近本质。
OmniMarket 就是围绕这个问题建立的：以长期历史数据与结构化证据为基础，用 AI 开展可复核的研究，并让研究随时间不断积累。
我们同样清楚方法的边界：金融市场充满不确定性，没有任何方法能保证判断正确。因此平台坚持区分事实、推断与假设，如实说明证据的局限与结论的不确定性。
OmniMarket 的目标不是预测一切，而是让 AI 学会更认真地研究。
连接 OmniMarket · 开启智能金融研究交流
如需研究合作、学院课程咨询或产品支持，请通过以上官方邮箱与我们联系。