本文经授权翻译并合并自 Wayland Zhang 的两篇文章：AI Quantitative Trading: From Models to Quant Funds 与 Dnalyaw: Engineering an AI Quant Trading System from Scratch。原文图片已按要求保留。
免责声明：文中所有交易相关内容仅用于教育目的，不构成投资建议。交易具有高风险，包括本金全部损失的可能。
一、为什么 AI 从业者应该关注量化交易
这一代大语言模型是令人印象深刻的工程成果，但它们本质上仍然存在限制。每一次输出——无论是一段文字中的每个词，还是一张图像中的每个像素——都是基于训练数据概率分布做出的最大似然近似。这一天花板给企业应用、机器人、自动驾驶等领域带来了现实挑战，因为这些场景仍然需要与真实世界进行复杂的逻辑交互，进展仍处于探索阶段。
但有一类问题，今天的 AI 架构确实能够产生价值：不需要与真实世界进行逻辑互动，只需要根据特征值判断结果并选择最优策略的领域。股票与期权交易就是典型例子。市场产生结构化的数值数据，拥有清晰的奖励信号（盈利或亏损），并积累了数十年的历史训练数据。这正是强化学习擅长发挥作用的场景。
问题并不是 AI 能不能交易。真正的问题是：为什么量化交易的进入门槛长期以来如此之高？以及这个门槛是否正在发生变化？
二、传统量化交易到底是什么
围绕量化交易的神秘感常常会吓退新人。人们会听说这是一个由数学天才构成、沉迷算法的领域。但深入研究之后，可以更清楚地看到：
- 所谓“数学”，很多是几十年前就已经提出的指标和固定公式，如今已经被封装进各种编程库，并不需要你自己重新推导。
- 量化策略通常是在调整、重组这些公式参数，然后用历史数据进行测试。
- 量化策略模型的训练复杂度远低于十亿级参数的大语言模型或扩散模型。
- 当前很多股票“Agent”——把 OHLCV 数据和新闻喂给 GPT-4o 或类似模型来获取投资建议——在严肃场景下并不可靠。
最后一点尤其值得强调：如果简单地把数据丢给大语言模型就能奏效，每一家基金早就这么做了。这些模型并不是用市场专用数据集或市场专用损失函数训练出来的。对于专业资金配置而言，它们的决策并不可信。
量化策略本质上是在拟合一个复杂函数。
这个函数的参数是各种指标组合，输出是可能带来利润的买入/卖出动作。传统量化寻找的是通过回测得到的最优参数嵌套与组合。
三、为什么量化基金看起来神秘
量化基金的神秘之处并不在于智力复杂度，而在于信息不对称和运营壁垒。启动一只基金需要资本、牌照、行业经验和人脉。绝大多数个人无法创立自己的基金。
那么，为什么 Jane Street、Citadel、Renaissance 这样的公司能够获得如此高的利润？几个因素会叠加放大：
- 高频交易（HFT）：依赖速度——将服务器部署在交易所附近、把网络延迟优化到微秒级，并利用做市返佣。它不是复杂 AI，而是极致工程。
- 波动率捕获：在波动加剧的市场中，定价低效会扩大，利润机会也随之增加。
- 趋势利用：在持续牛市中做出准确的基本面预测，例如 2019–2024 年美国股市上涨周期，能够带来超额收益。
- 先发优势：早期量化基金跑赢了技术能力较弱的机构和散户投资者，尽管现在竞争正在加剧。
- 反应速度：Jane Street 在 2024 年印度期权市场的主导地位就是一个醒目的例子，其通过 HFT 获取了约 70% 的利润。
Jane Street 在 2024 年收入翻倍，超过 Morgan Stanley，很大程度上源于 AI 驱动的交易。这反映了行业向 AI 驱动量化策略转型的趋势。主要公司早在当前 AI 热潮之前就已经大量投资 GPU——用于在大规模历史数据上训练模型，分析非结构化文本（申报文件、财报电话会、新闻），并比较从 LSTM、XGBoost 到 Transformer 的不同模型架构。
量化投资的核心对 AI 从业者而言是可以理解和进入的。真正的神秘并不在智力门槛，而在信息缺口。
四、AI 如何改变游戏规则
传统量化方法会把人类定义的指标应用到资产上，并通过回测寻找高收益。当结果不理想时，策略会加入更多因子，变得越来越复杂。但即使最优秀的策略也会亏钱。即便是由 James Simons 于 1988 年创立、被广泛视为行业黄金标准的 Medallion Fund，据报道也在 2025 年第一季度出现亏损。这暴露了一个核心问题：人类定义的策略参数是有限集合。它们可能在历史场景中有效，却会在边缘情况和罕见市场事件中失效。
深度神经网络，尤其是强化学习，提供了根本不同的方法：
- 状态（State）：OHLCV 数据、技术指标（RSI、MACD 等）、来自新闻与申报文件的情绪信号。
- 动作（Action）：目标投资组合权重——对每个标的做多、做空或空仓。
- 奖励（Reward）：损益、风险调整后收益、约束惩罚。
这种表述非常适合大规模强化学习训练。把 100 个由人类定义的参数与一个拥有数百万可学习参数的模型相比，哪一个更能捕捉不同市场状态下复杂的概率分布？我们不需要理解每一个神经元之间的交互；模型表达复杂模式的能力远远超过手工策略设计。
然而，要训练稳健的 AI 量化模型，需要非常深的专业能力。许多论文只在 2020–2024 年的 S&P 500 数据上做基准测试，而这段时期主要由牛市主导，简单策略也可能表现很好。模型在震荡或熊市周期中的表现才更需要审视。大多数开源策略仍达不到基金级别的收益与风控要求。
严肃 AI 量化系统需要考虑：
- 数据规模很重要：更大、更丰富的数据集能提升模型稳健性，类似于 LLM 中的 scaling laws。
- 把人类经验作为训练信号：除了静态指标，还应纳入专家交易员策略作为行为先验。
- 对冲必不可少：动态市场要求模型管理风险，而不仅仅是最大化收益。
- 资金管理本身就是一个模型：一个平庸策略配上严格仓位管理，胜过一个没有仓位纪律的优秀策略。
- 每个策略一个模型，而不是一个模型解决所有问题：市场存在不同状态，不同资产类别也有不同特性。
- 噪声过滤是核心：金融数据丰富但噪声巨大，区分信号与噪声是关键挑战。
五、真正的壁垒
除技术挑战之外，还有几个结构性壁垒决定了谁能成功：
- 执行速度：对于 HFT 策略，速度取决于服务器距离、硬件性能、代码效率和微秒级网络延迟。这是基础设施问题，不是建模问题。
- 交易对手质量：美国市场大约 80% 是机构参与。盈利的量化基金往往从其他机构的错误定价中获利，在执行速度和算法复杂度上竞争。
- 实战经验：真实交易有回测无法捕捉的心理维度。新手和老手面对同样的市场波动会有完全不同的反应。AI 在这里有优势——足够强的模型不会受情绪和疲劳影响。
- 资金管理：仓位规模与风险管理至少与信号生成同等重要。任何有意义的时间尺度上，一个资金配置优秀的普通模型都会胜过没有仓位纪律的天才模型。
即便有强大的 AI 工具，也不存在万无一失的模型。模型无法预判内幕交易或纯政治性的市场冲击。在 2025 年关税升级期间，监控社交媒体和政策信号可以预测看跌趋势，但政策突然反转后的反弹更难被算法捕捉。在罕见事件中，人类判断常常优于算法；但二者结合最强。
六、从概念到系统：为什么要从零开始构建 Dnalyaw
前面的部分讲清楚了 AI 量化交易的版图：量化交易是什么、为什么 AI 有真实优势，以及真正的壁垒在哪里。结论很清楚：量化基金的神秘之处并不在智力复杂度，而在信息不对称和工程执行。
接下来是工程实现。过去几个月，我们一直在构建 Dnalyaw——一个垂直整合的量化交易平台，在这里，研究与执行共享同一条端到端管线。核心判断很简单：在现代市场中，护城河不是某一个模型或信号，而是完整拥有从想法到实盘资金的全循环，并在其间放入数百个特征、数十个系统化策略和严格的风险纪律。
这套系统的架构和工程决策说明了一件事：真正会复利的优势，是垂直整合，而不是模型新奇性。
为什么要从零开始？坦率地说：现有框架并不尊重延迟层级。
大多数开源量化平台把所有事情都同等对待——从上到下全是 Python。这对于研究没问题。但当你需要在每一笔订单上完成亚微秒级风险检查，同时还要运行 ML 推理，并管理横跨全球市场、包含数百个持仓的投资组合时，这种方式会彻底失效。
另一个问题是风险。当真金白银在系统里流动时，你无法接受“尽力而为”的风险管理被作为中间件外挂上去。风险引擎必须拥有否决权。它必须在物理上不可能被失控策略或表现异常的 LLM Agent 绕过。这需要架构隔离，而不仅仅是一个 Python decorator。
七、多语言架构：Rust + Go + Python
Dnalyaw 使用三种语言，每种语言对应一个明确的延迟层级。这不是为了复杂而复杂，而是让工具匹配约束。
Rust：热路径（<1ms）
风险引擎和执行核心运行在 Rust 中。每一笔订单都会经过交易前风险检查。基础校验可以在个位数纳秒内完成，即便存在数百个开放仓位，也能保持在亚微秒级。这些数据来自实际生产风险引擎上的 Criterion.rs 测量。
为什么是 Rust？因为它提供无 GC 暂停的内存安全。当你对每笔订单做风险限额检查时，Java 或 Go 中一次 10ms 的 GC 暂停，就意味着有 10ms 的订单排队而未被检查。Rust 的所有权模型完全消除了这一问题。风险引擎在热路径上零分配。
风险引擎还实现了一个 kill switch——一个能在微秒级平掉所有仓位并进入 reduce-only 模式的断路器。它有一条直连经纪商的旁路，这意味着即便 Go 编排器完全宕机，它也能紧急关闭仓位。
Go：温路径（<10ms）
订单管理系统、策略编排、API 层和实时监控 TUI 都运行在 Go 中。Goroutine 与 channel 非常适合这个工作流：接收行情数据，分发给策略，收集目标组合，路由到风险层，管理订单生命周期。
OMS 实现了 p99 订单提交 228 微秒，吞吐量为每秒 907 笔订单，远低于 <1ms 的目标。订单状态机覆盖完整生命周期：new、submitted、acknowledged、partially filled、filled，并具备幂等保证和与经纪商状态的自动对账。
Go 位于 Rust 原始性能与 Python 生态之间的甜点区。它足够快，使温路径不会成为瓶颈；又足够高效，让业务逻辑可以快速迭代。
Python：冷路径（异步）
研究、回测、ML/RL 模型训练和 LLM 集成位于 Python 中。在这里，开发速度比执行速度更重要。策略库包含数十个活跃系统化策略和数百个底层特征——经典因子（质量、价值、动量、低波）、统计套利（配对、协整、跨资产均值回归）、微观结构、事件驱动和另类数据特征，并配有持续纳入和淘汰特征的研究管线。这种广度是刻意设计的：没有单一特征是承重墙，也没有单一策略承载整个组合。
Python 策略不会直接生成订单。它们输出目标投资组合权重，通过 gRPC 流向 Go 执行层。这种分离至关重要：Python 策略中的 bug 可能产生错误目标，但它在物理上无法绕过风险限额，也无法向经纪商发送格式错误的订单。
Python 层还托管回测引擎（通过 FastAPI 封装以支持远程访问）、基于 TimescaleDB 的特征库，以及连接 LLM 编排平台以进行情绪分析的桥梁。
八、风险管理：先防守，再进攻
如果只能选择 Dnalyaw 中最重要的一个设计决策，那就是：风险引擎拥有绝对否决权，并且它用一种能让整类 bug 不可能发生的语言编写。
四种风险决策
每一笔订单会收到四种响应之一：
- APPROVE：按请求继续执行。
- REJECT：完全阻止——触及限额、市场关闭或集中度过高。
- REDUCE：缩小订单规模，例如你请求 100 股，但敞口限额只允许 60 股。
- FLATTEN：紧急模式——关闭所有仓位，进入 reduce-only。
REDUCE 是其中最有意思的。多数风险系统是二元的——是或否。但在实践中，策略可能方向正确，只是仓位过大。缩小订单能保留 alpha 信号，同时执行风险边界。
不可配置的硬编码限额
有些限额被刻意写成 Rust 中的不可变常量，而不是配置项：
- 单一标的名义金额最高 5%。
- 行业敞口最高 25%。
- 单日回撤 5% 触发 kill switch。
- 单笔交易风险 1%（Van Tharp 下限）。
为什么硬编码？因为凌晨 2 点，当某个仓位正在流血，而你的大脑告诉你“就这一次改一下”的时候，系统应该说不。可配置限额会被重新配置，常量不会。
仓位规模：Half-Kelly + Van Tharp
系统同时使用两个互补模型：
Half-Kelly（进攻——设定上限）：Kelly 准则给出了长期复利增长下数学最优的下注规模。完整 Kelly 比例为：
$$ f^* = \frac{p(b+1)-1}{b} $$
其中 $p$ 是胜率，$b$ 是收益/风险比。系统使用 half-Kelly：
$$ f = f^*/2 $$
以考虑估计误差和肥尾风险。它告诉你最多应该下注多少。
Van Tharp R-Multiple（防守——设定保护下限）：
$$ \text{position_size} = \frac{\text{equity} \times \text{risk%}}{\text{stop_loss_distance}} $$
这确保单次亏损不会超过资本的 1%。它告诉你至少需要多少保护。
最终仓位总是所有约束中最保守的那个：
$$ \text{final_position} = \min(f_{\text{kelly}}, f_{\text{van_tharp}}, f_{\text{max_concentration}}) $$
进攻定义机会，防守定义生存。
九、多市场执行
Dnalyaw 运行在双区域执行架构上：美国基础设施部署在 NYSE 和 NASDAQ 撮合引擎附近，香港基础设施部署在 HKEX 附近。香港执行被刻意拆分为两条独立的场馆路径，让系统可以在同一区域持续进行并行成交质量测量——这是一种低成本的执行 A/B 测试，否则需要专门研究项目才能完成。架构也已经准备好扩展到期货和更多亚洲市场。
Provider 抽象
每个外部集成——数据源、经纪商、交易所——都通过清晰的抽象接口接入。添加新数据源意味着实现 Connect、Subscribe 和 Stream。添加新经纪商意味着实现 SubmitOrder、CancelOrder 和 ModifyOrder。内部规范化数据模型会统一一切：AAPL.NASDAQ、0700.HKEX——同一种格式，同一条管线。
这很重要，因为真实世界是混乱的。一个数据源发送二进制编码行情，另一个使用 TCP 流协议，第三个使用 REST，还有一个有自己的 protobuf 协议。所有这些都会在下游看到之前被统一规范化为一个 Quote 结构。
质量闸门
原始行情数据并不可靠。价差会突然扩大，价格会过期，数据源会断线。在任何行情数据到达策略层之前，都必须经过质量闸门，检查：
- 异常买卖价差（可能是坏 tick）。
- 过期时间戳（数据源延迟或断连）。
- 超出统计常态的价格尖刺（胖手指交易或数据错误）。
一个漏网的坏报价可能触发一连串错误订单。质量闸门是廉价保险。
十、从回测到实盘：校准管线
这是大多数量化项目失败的地方。回测显示 Sharpe 2.0，一上线，现实只给 0.3。差距总是同一个原因：不现实的成交假设。
两层回测
Dnalyaw 运行两种不同的回测模式：
- 快速 Python 向量化回测：用于快速策略迭代，在几秒内用历史数据测试信号逻辑。
- Go OMS 集成回测：用模拟场馆运行真实订单状态机，捕捉只有生产中才会出现的问题——部分成交、订单拒绝、结算时点。
真实成交建模
回测成交模型包含：
- 买卖价差滑点：你总是要跨过价差。
- 基于成交量的市场冲击：使用 Almgren-Chriss 平方根冲击模型：
$$ \Delta P = \sigma \cdot \sqrt{\frac{Q}{V}} $$
你的订单会让价格朝不利方向移动。
- 限价单成交概率：不是每一笔限价单都会成交。
- 执行延迟：使用根据实际测量延迟校准的对数正态分布。
生产前校准
在任何策略获得资金分配之前，它都会在真实行情数据上并行运行，并将模型化 P&L 与如果真实执行会产生的结果持续对标。系统会跟踪四个维度的漂移——每日 P&L、Sharpe 比率、成交率和平均滑点——并把任何重大偏离标记出来供审查。
分阶段资金部署
资金分配遵循严格流程：验证 → 校准 → 小规模分配 → 全量分配。每个阶段都有明确的量化晋级标准。策略并不是因为回测好看就进入下一阶段，而是因为实时执行结果在容忍范围内符合模型预期。
十一、AI 层：数百个输入中的一个
这里开始变得有趣，也是作者与大多数“AI trading”讨论分歧最大的地方。
LLM 是特征来源，不是护城河
Dnalyaw 中一个最重要的框架性决策是：LLM 产生特征，而不是产生 alpha。每个人都把 OHLCV 数据喂给 GPT，然后询问买入/卖出信号，这是一件同质化严重的事情——alpha 接近于零，而且方法极易复制。语言模型一旦只是一个任何人都能调用的 API endpoint，它带来的任何边际优势都会消失。
语言模型真正有价值的地方，是把非结构化数据转换成数值特征，并把它们放入与其他特征相同的特征库中。10-K 文件变成诉讼风险分数，财报电话会转录文本变成语气变化向量，内部人交易申报变成情绪数值，管理层变动变成类别特征。它们与价格、成交量、微观结构和另类数据特征一起进入特征矩阵——没有进入订单路径的特权，也没有叙事性判断。
这就是为什么护城河不是 LLM。护城河是让来自数十种异构来源的数百个特征汇聚到同一个研究到执行闭环中的管线。单独的 LLM 是商品；作为垂直整合系统中众多特征生产者之一，LLM 才是杠杆。
在 Dnalyaw 中，LLM 与 Agent 层通过 Shannon——一个多 Agent 平台——进行编排，并受到严格架构边界约束。
Shannon GitHub 仓库：Production-Grade Multi-Agent Platform，用 Rust、Go 和 Python 构建，强调确定性执行、预算约束和企业级可观测性。
LLM 与 Agent 可以产生什么：来自申报文件、电话会、新闻、另类数据、转录文本等非结构化来源的数值化特征。
LLM 与 Agent 不能做什么：生成订单、决定仓位规模、修改风险参数、覆盖止损，或以任何方式触碰执行路径。
这不是政策，而是架构。LLM 输出只是大型特征矩阵中的额外列。决定投资组合持有什么的是确定性的量化管线，而不是语言模型。
用于交易动作的强化学习
信号生成——alpha 因子、技术指标、LLM 情绪分数——来自量化研究层。RL Agent 的任务不同：它把这些信号作为状态的一部分消费，并决定如何对这些信号采取行动。管线将其表述为一个马尔可夫决策过程：
- 状态：市场状态（VIX、趋势指标）、投资组合状态（杠杆、回撤、Sharpe）、单标的特征（价格、波动率、RSI、LLM 情绪分数）、配对特征（价差 z-score、协整）。
- 动作：目标投资组合权重——组合应该长什么样，而不是单笔订单。
- 奖励：在利润与风险纪律之间做平衡的加权组合：
$$ R = 0.6 \cdot \text{PnL} + 0.2 \cdot \text{Sharpe} - 0.1 \cdot \text{Constraint Penalty} - 0.1 \cdot \text{Transaction Costs} $$
RL Agent 输出的是 TargetPortfolio，执行层负责找出如何从当前仓位最优地到达目标仓位——处理订单路由、部分成交和结算。这种分离意味着 RL Agent 只专注于一个决策：给定这些信号和组合状态，我应该持有什么？
系统正在探索 PPO（对非平稳市场更稳定）和 SAC（当数据昂贵时样本效率更高），并每 30 天滚动重训以应对市场状态变化。
TensorLogic：RL 背后的推理引擎
上面的 RL 管线需要的不只是模式匹配，它需要对市场结构进行推理。这正是 TensorLogic 发挥作用的地方。
TensorLogic GitHub 仓库：一个 Python 实现的 Tensor Logic，把神经与符号推理通过张量方程统一到同一种 AI 编程语言中。
TensorLogic 是作者基于 Pedro Domingos 的论文 Tensor Logic: The Language of AI 构建的框架。它把符号推理和神经学习统一到同一个计算基底——张量方程中。例如，像下面这样的逻辑规则：
$$ \text{grandparent}(X,Z) \leftarrow \text{parent}(X,Y) \land \text{parent}(Y,Z) $$
会变成矩阵乘法：
$$ \text{parent} \otimes \text{parent} $$
一切——逻辑、注意力、组合——都可以归约到同一种张量运算。
这对量化交易为什么重要？传统 RL Agent 是纯神经的：它们从数据中学习模式，但无法强制执行逻辑约束，也无法解释推理。纯规则系统则脆弱且难以适应。TensorLogic 同时提供了两者：
Boolean mode 用于硬交易约束：市场状态规则、仓位限制和风险边界被表达为严格逻辑约束——没有幻觉，没有近似。当系统说“这违反了美元中性约束”时，它是可证明正确的。
Continuous mode 用于学习：标的、行业、宏观因子之间的关系会变成可学习的 embedding 矩阵。评分函数：
$$ s(h,r,t) = \mathbf{h}^{\top}\mathbf{R} \cdot \mathbf{t} $$
允许模型发现潜在关系——例如哪些行业轮动会预测另一些行业轮动，或者 VIX 状态变化如何通过相关配对传播——而无需显式告知这些模式存在。
这种双模式架构直接映射到 Dnalyaw 的延迟层级。训练时，RL Agent 在 continuous mode 中运行，通过对奖励函数做梯度下降学习组合权重策略。实盘推理时，关键约束切换到 Boolean mode，保证任何学习到的策略都不能违反风险限制，无论神经组件提出什么建议。
最强大的能力是通过 RESCAL 张量分解进行谓词发明。向 TensorLogic 输入由标的关系、宏观指标和历史市场状态标签组成的知识图谱，它会自主发现潜在因子——例如“动量簇”或“流动性状态”这类没有被显式定义的概念。这些被发明出来的谓词会成为 RL 状态空间中的一等特征，把 Agent 可推理的范围扩展到人类定义指标之外。
这与把 OHLCV 数据丢给神经网络然后希望它学出点东西完全不同。TensorLogic 提供了结构化、可组合、可解释的推理能力——而且模型大小只有 10–500KB，训练以秒计，比基于 LLM 的方法高效几个数量级。
Agent 辅助因子挖掘
一个更实验性的管线是：Agent 提出因子假设，例如“研发支出相对于收入持续上升的公司在 6 个月内跑赢”；回测验证器用历史数据测试；衰减检查器用 AST 相似度分析判断该因子是否过于接近已知拥挤因子。如果原创性分数低于 0.7，候选因子会在进入特征库之前被拒绝。
这里的 Agent 是假设生成器，而不是信号。每一个被提出的因子仍然必须像其他特征一样，通过回测、校准和分阶段分配管线来证明自己。这直接面对 alpha 衰减问题：在高效市场中，任何被所有人同时发现的因子都会失去优势，所以系统会在接受一个新列进入特征矩阵之前，显式检查其新颖性。
十二、可观测性：内建，而不是外挂
Dnalyaw 的每个组件在实现时就包含可观测性。不是事后加，不是下个 sprint 再说，而是同一个 commit 中完成。
三大支柱：
- 结构化日志：用 correlation ID 跟踪一笔订单从信号生成、风险检查、OMS、场馆提交到成交回报的全流程。
- 指标：OpenTelemetry → Prometheus，包含延迟直方图、按状态/场馆/标的分类的订单计数器、敞口 gauge、P&L 跟踪。
- 审计轨迹：不可变 PostgreSQL 表，记录每一次状态变化，包括时间戳、操作者和完整 payload。每个风险决策都包含决策时所有指标的快照。
对于实时操作，作者用 Go 的 bubbletea 库构建了一个终端 UI（TUI）——包含持仓、实时报价、订单簿、风险仪表盘、告警和 watchlist 等标签页。没有 Web 框架。多数自营交易台使用 Grafana + 自定义终端工具是有原因的：它们快速、可靠，而且不会因为 WebSocket 连接中断就崩溃。
十三、目前为止学到的东西
构建 Dnalyaw 加深了几个信念：
先构建执行，再构建策略。 没有可靠执行，就无法测试策略。大多数量化项目从模型开始，然后把执行外挂上去。这是反的。
回测总是在说谎。 不是因为回测坏了，而是因为它不可能建模所有东西。滑点、融券成本、规模化市场冲击、延迟——这些会复合。影子交易是解药。
Alpha 预期应该诚实。 在高效美国市场中，统计套利配对交易扣除成本后，现实年化收益上限大约是 5–10%。Sharpe 高于 1.0 已经很好，高于 2.0 就值得怀疑（检查你的假设）。年化 15–20% 非常优秀。如果回测显示 50%+，那一定有哪里不对。
优势不在模型，而在执行。 Renaissance 的 Medallion fund 据称在执行成本优化上投入的工程精力比 alpha 生成更多。在任何 AUM 下，好成交与坏成交之间的差异，都会在数千笔交易中剧烈复利。
风险工程比 alpha 更重要。 一个拥有防弹级风险管理的普通策略，能活到下一天继续交易。一个风险管理糟糕的天才策略，最终会爆仓。这里的不对称是绝对的。
十四、下一步
Dnalyaw 每天运行在美国股票（NYSE/NASDAQ）和香港股票（HKEX）上，并在亚洲采用双场馆执行来独立评估成交质量。当前投资方向包括：
- 特征库扩展：今天已有数百个特征，管线设计目标是摄入数千个特征，并保证 point-in-time 正确性，避免未来函数偏差。
- RL 训练管线扩展：从最初的 PPO/SAC baseline 走向校准后的环境模拟器，以反映市场状态切换。
- 中国 A 股扩展：80% 散户参与意味着相比机构主导的美国市场，存在显著更高的 alpha 机会，基础设施也已准备好通过 Stock Connect 扩展。
- Decision Transformer 研究线：基于目标收益条件的策略生成，指定目标 Sharpe 后，由模型生成达到该目标的动作。
- 把 TCA 作为一等研究活动：每一笔成交都会反馈到执行校准中，让交易成本测量与信号研究同等重要。
真正的测试不是回测，而是完整闭环——研究、风险、执行、TCA——如何在每天、每一笔、跨全球市场的数千次实盘交易中持续复利。
本文是 AI 量化交易系列的中文合并译文。原文分别讨论概念基础与生产系统工程，本文将二者合并为一条从“为什么 AI 适合量化”到“如何构建 AI 量化交易系统”的完整叙事。
最后整理于 2026-06-09