Week 6 AI驱动量化交易

AI-Powered Quantitative Trading

课程目标与逻辑框架

本讲教学安排

什么是量化交易？

量化交易是使用数学模型、统计方法和计算机技术来识别交易机会并执行交易的系统性方法。

量化交易的核心逻辑

从"点子"到"系统"的转化过程：

AI在每个环节的角色：

• 点子生成：LLM辅助发现交易机会、分析市场异象
• 逻辑验证：AI帮助验证策略逻辑的合理性
• 代码实现：AI辅助编写回测代码、调试优化
• 回测分析：AI帮助诊断策略问题、提供改进建议
• 风险管理：AI辅助风险评估和仓位管理

策略分类体系

按持有周期：

高频 (μs-s) → 日内 (min-h) → 短线 (天) → 中线 (周-月) → 长线 (月-年)

按交易哲学：

趋势跟踪 (Trend Following)
均值回归 (Mean Reversion)
统计套利 (Statistical Arbitrage)
事件驱动 (Event-Driven)
做市 (Market Making)
套利策略 (Arbitrage)

按资产类别：

股票 → 期货 → 期权 → 外汇 → 加密货币 → 跨资产

按策略复杂度：

简单规则 → 因子模型 → ML/DL模型 → RL Agent → Multi-Agent

按市场类型：

股票市场 → 债券市场 → 商品市场 → 外汇市场 → 衍生品市场

量化交易策略开发流程

完整流程：

各阶段时间分配（典型）：

• 策略想法与文献调研：10-20%
• 数据获取与处理：20-30%
• 策略开发与回测：30-40%
• 参数优化与验证：10-20%
• 实盘部署与监控：持续进行

Python量化生态

本课程重点：Backtrader（教学友好、功能完整）

AI辅助开发工具：

行业应用现状

全球量化交易市场：

• 美股：约60-70%的交易量来自量化策略
• 欧洲：约40-50%
• 亚太：约30-40%（快速增长）

中国量化投资发展历程：

当前行业格局：

• 头部私募：幻方、九坤、明汯、灵均 → 管理规模500亿+
• 券商自营：中信、华泰、中金 → 投入持续加大
• 公募量化：华夏、富国、景顺长城 → 指增产品为主
• 外资机构：Two Sigma、WorldQuant → 跨境策略

人才需求：量化研究员、AI量化工程师、系统开发工程师等岗位需求旺盛

EMH vs 市场异象

有效市场假说 (EMH)：资产价格充分反映所有可用信息

市场异象 (对EMH的挑战)：

量化交易的本质：系统性地捕获和利用市场异象（即因子）

关键问题：这些异象是风险补偿还是错误定价？

行为金融学视角

核心观点：投资者并非完全理性，存在系统性行为偏差

主要行为偏差：

量化策略的行为金融学基础：

• 动量策略：利用反应不足（处置效应）
• 反转策略：利用过度反应（代表性启发）
• 低波策略：利用彩票偏好（过度自信）

因子模型演进

CAPM (Sharpe, 1964)
    Rᵢ - R_f = βᵢ(R_m - R_f)
    ↓
Fama-French 三因子 (1993)
    Rᵢ - R_f = β₁MKT + β₂SMB + β₃HML
    ↓
Carhart 四因子 (1997)
    + MOM (动量因子)
    ↓
Fama-French 五因子 (2015)
    + RMW (盈利因子) + CMA (投资因子)
    ↓
机器学习因子 (近年)
    用ML从大量特征中提取非线性因子组合
    ↓
AI增强因子 (2020s)
    LLM生成新因子 + AI优化因子组合

风险溢价理论

量化交易的核心是承担系统性风险获取回报，而非依赖市场时机选择。

量化策略的本质：识别、度量和系统性地捕获这些风险溢价。

实践应用：

• 股票多头：获取股权风险溢价
• 债券策略：获取期限溢价和信用溢价
• 期权卖方：获取波动率风险溢价
• 流动性策略：获取流动性溢价

统计套利与协整

步骤1：回归 y_t = α + βx_t + ε_t → 估计β
步骤2：检验残差ε_t的平稳性 (ADF检验)
      如果残差平稳 → 存在协整关系

Backtrader架构详解

核心组件：

数据源与数据馈送

支持的数据格式：

数据馈送类：

import backtrader as bt
import yfinance as yf

# 1. Yahoo Finance数据
data = bt.feeds.PandasData(
    dataname=yf.download('000300.SS', '2020-01-01', '2024-01-01')
)

# 2. CSV文件数据
data = bt.feeds.GenericCSVData(
    dataname='stock_data.csv',
    dtformat='%Y-%m-%d',
    openinterest=-1
)

# 3. 多时间框架数据
data_daily = bt.feeds.PandasData(dataname=daily_df)
data_weekly = bt.feeds.PandasData(dataname=weekly_df)
cerebro.adddata(data_daily, name='daily')
cerebro.adddata(data_weekly, name='weekly')

数据处理注意事项：

• 数据清洗：处理缺失值、异常值
• 对齐处理：确保多资产数据时间对齐
• 避免未来信息：确保数据时序正确

策略编写与指标

策略基类：

class MyStrategy(bt.Strategy):
    params = (
        ('period', 20),  # 参数定义
    )
    
    def __init__(self):
        # 初始化指标和变量
        self.sma = bt.indicators.SMA(
            self.data.close, period=self.params.period
        )
        

    def next(self):
        # 交易逻辑（每个时间步调用）
        if not self.position:  # 空仓
            if self.data.close[0] > self.sma[0]:
                self.buy()  # 买入
        else:  # 持仓
            if self.data.close[0] < self.sma[0]:
                self.sell()  # 卖出
    
    def notify_order(self, order):
        # 订单状态通知
        pass
    
    def notify_trade(self, trade):
        # 交易完成通知
        pass

常用指标：

订单与执行

订单类型：

订单状态：

def notify_order(self, order):
    if order.status in [order.Submitted, order.Accepted]:
        return  # 等待执行
    
    if order.status in [order.Completed]:
        if order.isbuy():
            print(f'买入: 价格={order.executed.price:.2f}, '
                  f'数量={order.executed.size:.0f}, '
                  f'手续费={order.executed.comm:.2f}')
        else:
            print(f'卖出: 价格={order.executed.price:.2f}, '
                  f'数量={order.executed.size:.0f}, '
                  f'手续费={order.executed.comm:.2f}')
    
    elif order.status in [order.Canceled, order.Margin, order.Rejected]:
        print('订单取消/保证金不足/拒绝')

执行注意事项：

• 滑点处理：模拟真实市场的价格影响
• 佣金设置：考虑交易成本对策略的影响
• 保证金：期货交易需要考虑保证金要求

分析器与性能评估

内置分析器：

性能评估代码：

cerebro = bt.Cerebro()
cerebro.addstrategy(MyStrategy)
cerebro.adddata(data)

# 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades')

# 运行回测
results = cerebro.run()
strat = results[0]

# 获取分析结果
print(f"夏普比率: {strat.analyzers.sharpe.get_analysis()['sharperatio']:.3f}")
print(f"最大回撤: {strat.analyzers.drawdown.get_analysis()['max']['drawdown']:.2f}%")
print(f"年化收益: {strat.analyzers.returns.get_analysis()['rnorm100']:.2f}%")

策略评价指标详解

回测常见陷阱与防范

过拟合防范方法：

1. 样本外测试 (Out-of-Sample Testing)
   训练集 → 验证集 → 测试集
   观察各阶段表现的稳定性

2. 时间序列交叉验证
   滚动窗口: [训练1-2年] → [测试后续6个月]
   重复前进，观察夏普/Sortino的稳定性

3. 参数敏感性分析
   微小参数变化 → 结果变化幅度
   如果参数微小变化导致结果剧变 → 过拟合

4. 多市场/多周期验证
   同一策略在沪深300/中证500/创业板上的表现
   跨资产验证 (A股 + 港股 + 美股)

5. 保持策略简洁
   奥卡姆剃刀: 参数越少越好
   先有经济学逻辑，再看数据表现

过拟合的真正代价：实盘亏损 → 信心丧失 → 非理性放弃有效策略

实战：双均线策略完整实现

import backtrader as bt
import yfinance as yf
import pandas as pd

# 1. 定义策略
class MovingAverageCross(bt.Strategy):
    params = (
        ('fast', 5),
        ('slow', 20),
        ('stake', 100),  # 每次交易股数
    )
    
    def __init__(self):
        self.fast_ma = bt.indicators.SMA(
            self.data.close, period=self.params.fast)
        self.slow_ma = bt.indicators.SMA(
            self.data.close, period=self.params.slow)
        self.crossover = bt.indicators.CrossOver(
            self.fast_ma, self.slow_ma)
        
    def next(self):
        if not self.position:  # 空仓
            if self.crossover > 0:  # 金叉
                self.buy(size=self.params.stake)
        else:  # 持仓
            if self.crossover < 0:  # 死叉
                self.sell(size=self.params.stake)

# 2. 设置回测
cerebro = bt.Cerebro()
data = bt.feeds.PandasData(
    dataname=yf.download('000300.SS', '2020-01-01', '2024-01-01'))
cerebro.adddata(data)
cerebro.addstrategy(MovingAverageCross)
cerebro.broker.setcash(1000000)  # 初始资金100万
cerebro.broker.setcommission(commission=0.0003)  # 万三佣金

# 3. 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')

# 4. 运行回测
print(f'初始资金: {cerebro.broker.getvalue():,.2f}')
results = cerebro.run()
strat = results[0]
print(f'最终资金: {cerebro.broker.getvalue():,.2f}')

# 5. 输出分析结果
print(f"夏普比率: {strat.analyzers.sharpe.get_analysis()['sharperatio']:.3f}")
print(f"最大回撤: {strat.analyzers.drawdown.get_analysis()['max']['drawdown']:.2f}%")
print(f"年化收益: {strat.analyzers.returns.get_analysis()['rnorm100']:.2f}%")

# 6. 可视化
cerebro.plot()

因子构建流程

原始数据 → 因子计算 → 因子处理(去极值/标准化/中性化) → 因子评价(IC/IR) → 因子加权 → 组合构建

详细步骤：

因子评价指标

因子评价代码：

import alphalens as al

# 整理因子数据
factor_data = al.utils.get_clean_factor_and_forward_returns(
    factor=factor_values,
    prices=price_data,
    periods=(1, 5, 21),
    groupby=industry_labels
)

# 计算IC
ic = al.performance.factor_information_coefficient(factor_data)
print(f"1日IC均值: {ic.mean():.3f}")
print(f"ICIR: {(ic.mean() / ic.std()):.3f}")

# 分位数收益图
al.plot.quantile_returns_bar(factor_data)

常见Alpha因子类别

A股市场常用因子实证

组合构建与优化

因子加权方法对比：

常见约束条件：

# 组合优化约束示例
constraints = [
    {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},   # 满仓
    {'type': 'ineq', 'fun': lambda w: 0.05 - abs(w - 0.05)},  # 个股上限5%
    {'type': 'ineq', 'fun': lambda w: 0.3 - w @ industry_exposure['金融']},  # 行业上限30%
    {'type': 'ineq', 'fun': lambda w: w @ factor_exposure['动量'] - 0.5},  # 动量因子暴露≥0.5
]

因子组合构建全流程：

1. 因子池: 动量 + 价值 + 质量 + 低波
2. 因子合成: 等权或动态加权
3. 选股: 合成因子得分Top 10% (约50只)
4. 加权: 因子得分加权 + 风险约束
5. 换仓: 月度调仓, 双边换手率控制<30%
6. 风控: 跟踪误差控制, 行业偏离控制

AI增强因子挖掘

LLM+MCTS因子挖掘：使用蒙特卡洛树搜索自动发现Alpha因子

机器学习因子合成：

# 用XGBoost合成因子
import xgboost as xgb
from sklearn.model_selection import TimeSeriesSplit

def ml_factor_synthesis(factors, returns, n_splits=5):
    tscv = TimeSeriesSplit(n_splits=n_splits)
    ic_values = []
    
    for train_idx, test_idx in tscv.split(factors):
        X_train = factors.iloc[train_idx]
        y_train = returns.iloc[train_idx].values.ravel()
        X_test = factors.iloc[test_idx]
        y_test = returns.iloc[test_idx].values.ravel()
        
        model = xgb.XGBRegressor(
            n_estimators=100, max_depth=3,
            learning_rate=0.05
        )
        model.fit(X_train, y_train)
        
        pred = model.predict(X_test)
        actual = y_test
        
        from scipy.stats import spearmanr
        ic, _ = spearmanr(pred, actual)
        ic_values.append(ic)
    
    return np.mean(ic_values), model

CTA策略（管理期货）

核心逻辑：趋势跟踪为主，多空双向交易

典型策略：

CTA策略的特点：

• 危机Alpha：在市场下跌时往往表现良好
• 与股票低相关：分散化价值高
• 多空双向：可以做空获利
• 趋势依赖：在震荡市表现较差

行业应用：

• 管理期货基金：全球CTA基金规模约3000亿美元
• 国内期货CTA：私募基金的重要策略类型
• 跨品种CTA：商品期货、股指期货、国债期货

代表机构：Winton Group, Man AHL, 桥水（部分策略）

事件驱动策略

核心逻辑：利用特定事件（财报、并购、政策）引发的价格变动

典型策略：

AI在事件驱动中的应用：

• NLP分析财报：自动分析财报文本中的关键信息
• 新闻情感分析：判断新闻对股价的影响
• 事件预测：预测事件发生的概率和影响

行业应用：

• 对冲基金：事件驱动策略是对冲基金的主流策略之一
• 私募基金：国内私募的事件驱动产品
• 量化私募：事件因子是多因子模型的重要组成部分

统计套利策略

核心逻辑：利用统计关系的均值回归特性

主要类型：

配对交易详解：

协整检验: y_t = α + βx_t + ε_t
交易信号: z_score = (spread_t - mean) / std
          |z| > 2.0 → 开仓
          |z| < 0.5 → 平仓

行业应用：

• 市场中性策略：多空对冲，获取稳定收益
• 统计套利基金：专业统计套利机构
• 券商自营：套利交易是券商自营的重要策略

代表机构：Renaissance Technologies, D.E. Shaw, Two Sigma

套利策略

主要套利类型：

套利策略的特点：

• 低风险：理论上无风险或低风险
• 收益稳定：但收益空间有限
• 容量有限：套利机会稍纵即逝
• 技术要求高：需要快速执行和精确计算

行业应用：

• 券商自营：套利交易是券商自营的基础策略
• 量化基金：套利策略是量化基金的重要组成部分
• 期货公司：期货套利是期货公司的核心业务

做市策略

核心逻辑：同时提供买入和卖出报价，赚取买卖价差

Avellaneda-Stoikov模型：

最优报价策略:
  δ_bid = α + β × (inventory_target - current_inventory)
  δ_ask = α + β × (current_inventory - inventory_target)
  
  其中:
  δ_bid: 买入报价偏离mid的程度
  δ_ask: 卖出报价偏离mid的程度
  α: 基础价差(由竞争决定)
  β: 库存管理参数(控制库存风险)
  inventory: 当前库存(>0 = 多头)

做市策略的风险管理：

库存上限: |inventory| ≤ max_position
盈亏触发: 当日亏损 > threshold → 暂停做市
波动率触发: 波动率飙升 → 扩大价差
新闻触发: 重大新闻 → 暂时撤单

行业应用：

• 交易所做市商：为交易所提供流动性
• ETF做市商：为ETF提供流动性
• 新三板做市商：为新三板股票提供流动性

代表机构：Citadel Securities, Virtu Financial, Jump Trading

高频交易概述

定义：利用极短时间窗口（微秒到分钟）的定价偏差进行交易，依赖速度和算法优势。

核心特征：

全球HFT占比：

• 美股：约50-60%的交易量来自HFT
• 期货：约40-50%
• A股：显著低于美股（因T+1和涨跌停限制）

HFT的发展历程：

• 1990s：电子化交易兴起
• 2000s：算法交易普及
• 2010s：高频交易主导
• 2020s：AI与HFT深度融合

市场微观结构

核心概念：

限价订单簿示意图 (某时刻)：

卖价         量
10.05        1,000   ← 卖一价 (Ask)
10.04          500
10.03        2,000
---- 价差 ----
 9.98        1,500   ← 买一价 (Bid)
 9.97        3,000
 9.96          800

HFT的核心工作：分析订单簿动态，预测短期价格走势

微观结构研究的意义：

• 价格发现：理解价格形成机制
• 流动性分析：评估市场流动性
• 交易成本：分析交易成本构成
• 市场质量：评估市场运行质量

订单簿动力学

订单簿事件的四种基本类型：

事件类型：
1. LIMIT_ADD   : 新限价订单到达  → 增加流动性
2. LIMIT_CANCEL: 限价订单撤销    → 减少流动性
3. MARKET_BUY  : 市价买入        → 消耗卖盘流动性
4. MARKET_SELL : 市价卖出        → 消耗买盘流动性

关键模型：

1. 订单流不平衡 (Order Flow Imbalance)：

2. 价格影响模型：

3. 买卖价差分解 (Roll, 1984)：

其中 是有效价差

订单簿动态的实证发现：

• 订单流具有短期预测能力
• 大单往往跟随小单（伪装执行）
• 订单撤销率很高（虚假流动性）

HFT主要策略类型

HFT统计模型

1. 自回归条件持续期模型 (ACD)：

• 建模事件到达的持续时间
• 可以预测下一笔交易或订单到达的时间

2. Hawkes过程：

• 自激发的点过程模型
• 建模订单到达的聚集效应

3. 限价订单簿预测模型：

输入: 过去T个订单簿事件
     (价格变化, 成交量, 订单类型, OFI...)
模型: LSTM / Transformer
输出: 短期价格方向预测P(ΔP>0)

4. 价差预测模型：

• 预测有效价差的短期变化
• 用于做市策略的报价调整

5. 波动率预测模型：

• 预测短期波动率变化
• 用于风险管理和策略调整

HFT机器学习模型

模型1：订单簿深度学习的经典架构

# 用CNN处理订单簿快照
from tensorflow.keras import layers, models

# 输入：40个价格档位的买卖挂单量 (40×2)
input_layer = layers.Input(shape=(40, 2))

# CNN提取局部模式
x = layers.Conv1D(32, 5, activation='relu')(input_layer)
x = layers.MaxPooling1D(2)(x)
x = layers.Conv1D(64, 3, activation='relu')(x)
x = layers.GlobalAveragePooling1D()(x)
x = layers.Dense(32, activation='relu')(x)
output = layers.Dense(3, activation='softmax')(x)  # 涨/跌/平

model = models.Model(inputs=input_layer, outputs=output)

模型2：LSTM订单流预测

• 输入：订单事件的动态序列（类型、价格、量、时间间隔）
• 输出：未来订单流的预测概率

模型3：深度LOB (DeepLOB)

• 将LOB快照视为图像
• 用CNN捕捉空间结构（各档位的量分布）
• 用LSTM捕捉时间动态
• 当前HFT深度学习的SOTA架构之一

微观结构特征工程

常见HFT特征：

VPIN (Volume-synchronized PIN)：用成交量同步的交易量推断知情交易概率，是HFT中重要的风险度量。

HFT在中国的发展与监管

2010: 股指期货上市 → 期现套利机会
2013: 程序化交易起步
2015: 股灾 → 程序化交易被限制
2019: 股指期货逐步松绑
2020-2023: 量化私募大发展
2024: 程序化交易报告制度实施
2025: 高频交易差异化监管

AI在量化交易中的发展历程

发展阶段：

关键技术突破：

行业应用现状：

• 头部量化私募：AI技术渗透率超过80%
• 公募量化：AI辅助因子挖掘和组合优化
• 券商自营：AI用于风险管理和交易执行

LLM交易系统

TradingAgents框架 (81.2k★) （数据截止2026.5.31）

核心创新：多Agent协作的股票交易框架

四个专业Agent：

分析师Agent (Analyst)
  ├─ 技术面分析: 价格模式、技术指标
  ├─ 基本面分析: 财报、估值
  └─ 新闻分析: 情感、事件影响

策略师Agent (Strategist)
  ├─ 综合各分析报告
  ├─ 生成具体交易信号
  └─ 设置仓位大小

风控Agent (Risk Manager)
  ├─ 检查风险敞口
  ├─ 评估回撤风险
  └─ 设置止损条件

组合Agent (Portfolio Manager)
  ├─ 最终决策权
  ├─ 平衡多策略信号
  └─ 考虑整体组合风险

TradingAgents工作流

关键特性：

• Agent间使用结构化消息通信（含置信度、推理链）
• 每个Agent有短期和长期记忆
• 交易决策附带完整推理过程（可审计）
• 支持人类override机制

ATLAS框架 (ACL 2026)

ATLAS (Adaptive Trading Language Agent System)：自适应交易系统

核心创新：

1. 反思机制：每次交易后自我评估，持续改进
2. 市场状态自适应：检测市场状态（趋势/震荡/高波动），自动调整策略
3. 增量学习：在不遗忘先前知识的情况下适应新市场条件

# ATLAS的核心循环
class ATLAS:
    def trading_cycle(self, market_data):
        # Step 1: 市场状态检测
        regime = self.detect_market_regime(market_data)
        # → 'trending', 'mean_reverting', 'high_volatility'
        
        # Step 2: 自适应策略选择
        strategy = self.select_strategy(regime)
        
        # Step 3: 交易推理
        reasoning, signal = strategy.analyze(market_data)
        
        # Step 4: 执行
        order = self.execute(signal)
        
        # Step 5: 反思 (交易后)
        reflection = self.reflect(order, market_data)
        self.memory.update(reflection)
        
        return order, reasoning

QuantAgent

Tick数据 → 特征工程 → LLM分析 → 信号融合 → 交易决策

特征工程层:                                  信号融合:
├─ 传统HFT特征: OFI, VPIN, 价差, 深度         ├─ 传统模型权重: 0.4
└─ LLM层: 订单流模式的自然语言描述             └─ LLM信号权重: 0.6 (动态调整)

FinRL生态系统

FinRL: 面向金融的DRL框架（GitHub 15.3k★，数据截止2026.5.31）

from finrl.meta.env_stock_trading import StockTradingEnv
from finrl.agents.stablebaselines3.models import DRLAgent

# 创建交易环境
env = StockTradingEnv(
    df=price_data,
    stock_dimension=len(stocks),
    hmax=100,  # 最大仓位
    initial_amount=1000000,
    transaction_cost_pct=0.001,
    reward_scaling=1e-4
)

# 选择DRL算法
agent = DRLAgent(env=env)
model = agent.get_model("ppo")

# 训练
trained = agent.train_model(
    model=model,
    tb_log_name='ppo_trading',
    total_timesteps=50000
)

# 回测
df_account, df_actions = DRLAgent.DRL_prediction(
    model=trained,
    environment=env
)

FinRL-X扩展：支持多Agent协作、LLM集成、可解释性分析

AI辅助策略开发工作流

资金管理策略

常用资金管理方法：

资金管理代码示例：

# 波动率调整仓位
def volatility_sized_position(equity, volatility, target_vol=0.20):
    leverage = target_vol / volatility
    return equity * min(max(leverage, 0.5), 2.0)  # 杠杆范围 [0.5, 2.0]

# Kelly准则仓位
def kelly_position(win_rate, win_loss_ratio):
    kelly = win_rate - (1 - win_rate) / win_loss_ratio
    return max(0, kelly * 0.5)  # 半Kelly，保守

资金管理的原则：

• 风险分散：不要把所有资金押注在一个策略上
• 动态调整：根据市场状况和策略表现调整仓位
• 风险预算：设定最大风险限额，严格执行
• 回撤控制：当回撤超过阈值时，降低仓位或暂停策略

实盘部署架构

生产级量化系统五层架构：

┌──────────────────────────────────────────┐
│          监控层 (Monitoring)              │
│  Grafana/Prometheus: 延迟/PnL/风险/告警   │
├──────────────────────────────────────────┤
│          执行层 (Execution)               │
│  EMS/OMS: 订单管理/执行算法/交易所接口      │
├──────────────────────────────────────────┤
│          策略层 (Strategy)                │
│  信号生成/组合构建/风险控制/订单生成        │
├──────────────────────────────────────────┤
│          数据层 (Data)                    │
│  行情实时/历史DB/参考数据/订单数据          │
├──────────────────────────────────────────┤
│          基础设施 (Infrastructure)        │
│  服务器/网络/灾备/安全                     │
└──────────────────────────────────────────┘

回测到实盘的关键差异

差异量化：

回测到实盘的衰减：

• 优秀策略：实盘收益 ≈ 回测收益 × 0.7-0.8
• 良好策略：实盘收益 ≈ 回测收益 × 0.5-0.7
• 一般策略：实盘收益 ≈ 回测收益 × 0.3-0.5
• 差策略：实盘可能亏损

减少衰减的方法：

1. 严格的回测标准
2. 充分考虑交易成本
3. 模拟真实市场环境
4. 渐进式实盘部署

监控告警与灾备设计

监控指标体系：

策略层:                                               系统层:
  ├─ PnL (实时) vs PnL (回测期望) → 偏离>2σ → 告警       ├─ 订单往返延迟 < 50ms → 超时告警
  ├─ Sharpe (滚动) → 低于0.5 → 人工审查                  ├─ 行情断线 > 5秒 → 紧急平仓
  ├─ 换手率 → 偏离正常范围±50% → 告警                     ├─ 数据库延迟 > 100ms → 降级缓存
  └─ 因子IC (滚动) → IC<0 → 暂停策略                     └─ CPU/内存 > 80% → 扩容告警

灾备与容错：

分级响应:
  L1 (自动): 策略暂停，等待行情恢复
  L2 (人工辅助): 风控限额触发 → 人工确认后减仓
  L3 (紧急): 行情异常/系统故障 → 一键全平
  
灾备配置:
  ├─ 主备数据中心（物理分离）
  ├─ 行情双路接入（不同供应商）
  ├─ 订单状态持久化（可恢复）
  └─ 定期灾难恢复演练

课堂实践项目选题

选题一：双均线策略优化与AI辅助

目标：基于双均线策略，使用AI辅助优化参数和逻辑

任务：

1. 实现基础双均线策略
2. 使用AI讨论改进方向（如增加过滤器、自适应参数）
3. 实现改进版本并回测对比
4. 分析AI建议的有效性

AI协作点：策略设计讨论、代码实现、结果分析

选题二：多因子策略构建

目标：构建一个简单的多因子选股策略

任务：

1. 选择3-5个因子（如动量、价值、质量）
2. 实现因子计算和合成
3. 使用Backtrader回测策略
4. 分析因子表现和组合效果

AI协作点：因子选择建议、代码实现、结果解读

选题三：新闻情感因子回测

目标：构建基于新闻情感的交易因子

任务：

1. 收集股票相关新闻（使用akshare等）
2. 使用FinBERT或LLM进行情感分析
3. 构建情感因子并集成到策略
4. 回测分析情感因子的增量价值

AI协作点：情感分析模型选择、因子构建、效果评估

选题四：配对交易策略

目标：实现一个简单的配对交易策略

任务：

1. 选择协整的股票对（如同行业股票）
2. 实现协整检验和信号生成
3. 使用Backtrader回测策略
4. 分析策略表现和风险特征

AI协作点：配对选择建议、代码实现、策略优化

选题五：CTA策略实现

目标：实现一个简单的CTA趋势跟踪策略

任务：

1. 选择期货品种（如股指期货、商品期货）
2. 实现趋势跟踪策略（如海龟交易法）
3. 使用Backtrader回测策略
4. 分析策略在不同市场环境下的表现

AI协作点：策略设计、参数优化、风险分析

选题六：高频订单簿分析（选做）

目标：分析限价订单簿动态

任务：

1. 模拟或获取订单簿数据
2. 计算微观结构指标（价差、深度、不平衡度）
3. 分析订单流与价格关系
4. 探讨AI在订单簿预测中的应用

AI协作点：模型选择、特征工程、预测方法

实践报告要求

提交内容：

本周总结

延伸阅读

量化策略开发的核心经验

策略诊断清单：

□ 回测区间包含至少一个完整牛熊周期
□ 已做Walk-Forward分析
□ 已检验参数敏感性
□ 已扣除所有交易成本
□ 已在不同市场环境下拆分表现
□ 已做随机数据检验 (permuted labels)
□ IC在不同年份稳定