AI 量化最容易被误解为“把行情、新闻和财报丢给大模型，然后让模型给出买卖建议”。这种理解过于轻巧，也不够工程化。真正值得讨论的 AI 量化，不是一个会喊单的聊天框，而是一套从数据到实盘资金的闭环系统：数据产生状态，模型生产信号，风险引擎设定边界，执行系统负责落地，回测与影子交易持续校准，可观测性记录每一次状态变化。
这套闭环可以拆成两个层面。第一个层面是 AI 量化的基本问题：为什么市场适合机器学习，量化基金的真实门槛在哪里，AI 能改变什么，又不能替代什么。第二个层面是工程实现：当策略要进入实盘，系统如何分层，风险如何拥有否决权，执行如何校准，LLM 和强化学习应该被放在什么位置。
AI 量化的基本问题
为什么 AI 从业者应该关注量化
当前这一代大语言模型在工程上非常令人惊叹，但它们也存在天然上限。无论是生成文本、图像，还是其他形式的输出，本质上都是基于训练数据概率分布进行最大似然近似。这个上限会在企业应用、机器人和自动驾驶等场景中暴露出来，因为这些任务不仅需要生成答案，还需要持续与现实世界进行逻辑交互，并对行动后果负责。
但有一类问题特别适合当前 AI 架构：它不要求模型完整理解现实世界，也不要求模型亲自执行复杂物理动作，只要求模型根据特征值判断结果，并选择更优策略。股票和期权交易正是典型例子。金融市场会持续产生结构化数值数据，收益和亏损给出清晰反馈，历史样本又允许反复训练和回测。
问题不在于 AI 能不能交易，而在于为什么量化交易过去的进入门槛如此之高，以及这个门槛现在是否正在变化。
传统量化交易到底是什么
外界常常把量化交易想象成一群数学天才沉迷高深算法。深入看下来，真实情况没有那么神秘。
很多量化里的“数学”来自已经存在几十年的指标和固定公式，如今大多已经封装在程序库中，不需要每个策略研究者从头推导。策略开发的主要工作，是调整这些公式的参数，重新组合指标，再用历史数据测试结果。和千亿参数的大语言模型或扩散模型相比，量化策略模型的训练复杂度通常低得多。
需要警惕的是一种伪 AI 量化：把 OHLCV 行情、新闻和财报摘要喂给 GPT-4o 之类的大模型，然后让模型给出投资建议。这样的“股票 Agent”并不可靠。如果简单把数据丢给通用大模型就能赚钱，专业基金早就全面采用了。通用语言模型没有用市场专用数据和交易目标函数训练，也没有内置风险控制、交易成本和订单执行逻辑，因此不适合直接承担专业资金配置决策。
更准确地说，量化策略是在拟合一个复杂函数。这个函数的输入包括指标组合、市场状态和各种特征，输出是更可能获利的买卖动作。传统量化就是通过回测寻找更优参数嵌套和因子组合。
量化基金为什么显得神秘
量化基金的神秘感主要不是来自智力壁垒，而是来自信息不对称和运营门槛。真正开设基金需要资本、牌照、行业经验、交易通道、券商关系和组织资源，大多数个人没有机会接触这个体系。
Jane Street、Citadel、Renaissance 这类机构能长期盈利，背后有多重因素叠加。
高频交易依赖速度。它要求服务器尽量靠近交易所撮合引擎，网络延迟被压到微秒级，交易系统的代码路径也要持续优化。这里的核心不一定是复杂 AI，而是极致工程。
波动率也会创造机会。市场波动越大，错误定价和短期无效越容易出现，能快速识别和执行的系统越可能捕捉收益。
趋势判断同样重要。在较长牛市中，如果基本面判断和趋势判断持续正确，就可能取得超额收益。
早期优势也不可忽视。较早进入量化领域的机构面对的是不那么技术化的市场参与者，因此更容易获得差异化收益。随着竞争加剧，公开策略和拥挤因子的收益会越来越难维持。
Jane Street 近年的收入增长和印度期权市场案例说明，速度、自动化、市场结构和技术投入会共同塑造利润分布。量化投资的核心并非不可理解，真正的神秘来自信息差和工程组织能力。
Jane Street revenue growth。
AI 如何改变游戏规则
传统量化依靠人类定义指标，再通过回测寻找高收益组合。当结果不理想时，策略会继续叠加更多因子，系统也会越来越复杂。但即便是最优秀的策略，也会在某些阶段亏损。没有任何模型能穿越全部市场 regime。
深度神经网络，尤其是强化学习，提供了另一种表达方式。交易问题可以被写成三部分。
状态包括 OHLCV、技术指标、新闻和财报情绪、市场波动率、组合状态、回撤、杠杆和相关性结构。
动作不是简单买卖信号，而是目标组合权重：某个标的做多、做空还是空仓，以及配置比例应该是多少。
奖励不仅是盈亏，还应包含风险调整收益、约束惩罚、回撤控制和交易成本。
这个框架适合大规模强化学习训练。手工策略可能只有几十个或上百个参数，而深度模型可以拥有大量可学习参数，更有能力表示复杂市场分布。我们不必理解每个神经元之间的关系，只要模型在不同市场条件下能稳定学习到可验证的模式。
但训练稳健的 AI 量化模型仍然非常困难。很多公开论文只在 2020 到 2024 年的标普 500 数据上做基准测试，而这段时间长期偏牛，简单策略也可能表现不错。真正有价值的系统必须经受波动市场、熊市、流动性冲击和政策变化检验。
严肃 AI 量化系统需要关注什么
数据规模非常重要。更大、更丰富、更干净的数据能提升模型稳健性，这一点类似大模型中的 scaling law。
人类专家经验可以成为训练信号。除了静态指标，也应该把成熟交易员的策略习惯、风险意识和行为先验纳入系统。
对冲是必要能力。动态市场中，模型不能只追求收益最大化，还必须管理敞口、相关性、杠杆和尾部风险。
资金管理本身就是一个模型。普通策略加上纪律严明的仓位控制，可能胜过一个信号很强但仓位失控的策略。
不同策略应该有不同模型。市场具有不同 regime，不同资产类别的行为也不同，一个模型不可能在所有场景中都有效。
噪声过滤是核心挑战。金融数据丰富但极其嘈杂，真正困难的是把可持续信号从偶然相关、过拟合和拥挤交易中分离出来。
真正的门槛在哪里
技术之外，还有几类结构性门槛。
执行速度是高频策略的核心。服务器位置、硬件性能、代码效率和网络延迟都会影响结果。这是基础设施问题，不只是建模问题。
交易对手质量也很关键。美国市场机构投资者占比很高，盈利的量化机构往往是在与其他机构竞争，从对手的错误定价、慢反应或执行缺陷中获利。
实盘经验难以由回测完全模拟。新手和资深交易员面对同样行情时的心理反应完全不同。AI 的潜在优势在于不会疲劳、恐惧或冲动，但前提是系统风险边界设计正确。
资金管理和风险管理至少与信号生成同等重要。长期看，一个平庸模型配合优秀仓位管理，往往胜过一个聪明但没有纪律的模型。
同时，没有任何模型能提前捕捉所有内幕交易、突发政策和纯政治事件。市场突然反转时，算法可能来不及适应，人的判断有时仍然更有效。
阶段性结论
AI 量化的机会并不在于让大模型直接预测涨跌，而在于用 AI 扩展特征、策略、参数空间和组合决策能力。量化基金的壁垒也不是神秘公式，而是数据、速度、资本、执行、风险控制和组织能力。AI 可以降低一部分研究门槛，但不会取消交易系统本身的复杂性。
Dnalyaw 的工程实现
为什么要从零构建
当 AI 量化从理念进入实盘，核心问题会立刻变成工程问题。现代市场中的护城河不是单一模型或单一信号，而是从想法到实盘资金的完整闭环。研究、风险、执行和反馈必须在同一条管线里运行，系统每天从大量特征中学习，并不断通过真实交易校准。
从零构建的原因很直接：现有许多开源量化平台不尊重延迟层级。它们常常从研究到执行全部使用 Python，这对研究很方便，但当系统需要在每一笔订单上执行亚微秒级风险检查，同时还要做机器学习推理和多市场组合管理时，这种架构会失效。
另一个原因是风险。当真实资金在场时，风险管理不能作为中间件“尽力而为”地附加在策略后面。风险引擎必须拥有否决权，并且在物理架构上不能被错误策略或失控 LLM Agent 绕过。
多语言架构：Rust、Go 与 Python
Dnalyaw Trading System Architecture。
Dnalyaw 使用三种语言，每种语言对应不同延迟层级。这不是为了炫技，而是让工具匹配约束。
Rust 承担热路径，目标延迟在 1ms 以内。风险引擎和执行核心运行在 Rust 中，每一笔订单都要经过交易前风险检查。基础校验可以达到个位数纳秒级，即使存在数百个持仓，也能保持亚微秒级。Rust 的价值在于没有垃圾回收暂停，热路径可以做到零分配，延迟更可预测。
风险引擎还实现了 kill switch。极端情况下，它可以在微秒级关闭所有仓位，并进入只减仓模式。它拥有直连券商的紧急通道，即使 Go 编排层完全不可用，也能执行紧急平仓。
Go 承担温路径，目标延迟在 10ms 以内。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 和 channel 很适合处理市场数据接收、策略分发、目标组合收集、风险路由和订单生命周期管理。OMS 能以较低延迟处理订单提交，并管理新建、已提交、已确认、部分成交、已成交等完整状态机，同时保证幂等性和与券商状态自动对账。
Python 承担冷路径。研究、回测、机器学习训练、强化学习和 LLM 集成放在 Python 中。这里更看重开发效率和生态，而不是极限执行速度。Python 策略不会直接生成订单，而是输出目标组合权重，再通过 gRPC 进入 Go 执行层。这条边界非常关键：Python 策略可能产生错误目标，但它不能绕过风险限制，也不能直接向券商发送格式错误的订单。
风险管理：进攻之前先防守
Dnalyaw 最重要的设计之一，是风险引擎拥有绝对否决权，并且用 Rust 写成，从语言和架构层面减少一整类错误。
每笔订单会得到四种风险决策之一。
APPROVE 表示订单可以按请求继续执行。
REJECT 表示订单被完全阻止，可能是因为超出限额、市场关闭或集中度过高。
REDUCE 表示订单方向可以接受，但规模过大，因此按风险边界缩小。例如策略想买 100 股，但风险限制只允许 60 股。
FLATTEN 表示进入紧急模式，关闭所有仓位，并转入只减仓状态。
REDUCE 是很重要的设计。很多风控系统只有通过或拒绝两种结果，但真实交易里，策略可能方向正确，只是仓位过大。缩小订单可以保留 alpha 信号，同时强制执行风险边界。
有些风险限制被故意写成 Rust 中的不可变常量，而不是配置项。例如单一标的名义敞口上限、行业敞口上限、日内回撤熔断、单笔交易风险上限等。这样做是为了避免人在压力下临时改配置。凌晨两点仓位剧烈亏损时，系统应该拒绝“这次破例”的冲动。
仓位管理同时使用 Half-Kelly 和 Van Tharp R-Multiple。Kelly 用来估计长期复利下的理论仓位上限，但完整 Kelly 对估计误差和肥尾风险过于敏感，因此采用 Half-Kelly。Van Tharp 框架则从防守角度出发，确保单笔亏损不超过资本的一定比例。最终仓位取所有约束中最保守的值。进攻定义机会，防守定义生存。
多市场执行
Dnalyaw 的执行基础设施覆盖两个区域：美国市场靠近 NYSE 和 NASDAQ 撮合引擎，香港市场靠近 HKEX。港股执行还拆成两条独立 venue path，以便在同一区域持续比较成交质量。这相当于用较低成本做执行质量 A/B 测试。
所有外部集成都通过抽象接口进入系统。数据源要实现连接、订阅和流式传输；券商要实现提交订单、取消订单和修改订单。内部再把不同来源规范化为统一数据模型。例如不同市场的符号、行情、订单和成交都被转换为系统内部标准格式。
这种设计是为了隔离现实世界的混乱。一个数据源可能使用二进制行情，另一个可能使用 TCP streaming，第三个可能使用 REST，第四个可能使用 protobuf。下游策略不应该关心这些差异，它们只应该看到统一的 Quote 结构。
市场数据进入策略层前还要经过质量门禁。系统会检查异常买卖价差、过期时间戳和统计异常价格跳变。一个坏 tick 如果进入策略层，就可能触发一系列错误订单；质量门禁是成本很低但价值很高的保险。
从回测到实盘：校准管线
大多数量化项目失败在从回测到实盘的转换。回测显示 Sharpe 2.0，实盘可能只剩 0.3，原因通常是成交假设不真实。
Dnalyaw 使用两层回测。
第一层是快速 Python 向量化回测，用于快速迭代策略。它能在几秒内用历史数据测试信号逻辑。
第二层是集成 Go OMS 的回测，用模拟交易所跑真实订单状态机。这一层能捕捉生产环境才会出现的问题，如部分成交、订单拒绝、结算时间和订单状态恢复。
真实成交模型需要考虑买卖价差滑点、基于成交量的市场冲击、限价单成交概率和执行延迟。市场冲击可以使用 Almgren-Chriss 平方根模型；执行延迟则需要用真实测量数据校准，而不是随意假设。
策略获得资金分配前，会先在实时市场数据上并行运行，但不真正下单。系统持续比较模型 P&L 与如果真实执行会得到的结果，观察每日 P&L、Sharpe、成交率和平均滑点四个维度。如果偏离明显，就需要重新审查。
资金部署也分阶段推进：验证、校准、有限分配、完整分配。策略不是因为回测曲线好看就晋级，而是因为实时执行结果在容忍范围内匹配模型预期。
AI 层：LLM 只是几百个输入之一
一个严肃的 AI 交易系统必须反对一种常见叙事：把 OHLCV 数据丢给 GPT，让它输出买卖信号。这样的做法高度拥挤、容易复制，alpha 很接近零。任何只存在于公开 API 上的大模型能力，都很难构成持久护城河。
LLM 更适合做特征源，而不是 alpha 本身。它可以把非结构化信息转换成数值特征：10-K 文件变成诉讼风险评分，财报电话会变成语调变化向量，内部人披露变成情绪数值，管理层变动变成类别特征。这些特征再进入与价格、波动率、基本面、技术指标并列的特征库。
系统边界非常严格：LLM 和 Agent 可以产出特征，但不能生成订单，不能决定仓位，不能修改风险参数，不能覆盖止损，也不能触碰执行路径。这不是管理政策，而是架构边界。语言模型输出只是大特征矩阵里的几列，真正决定组合持仓的是确定性的量化管线。
强化学习负责交易动作
信号生成来自研究层，包括 alpha 因子、技术指标和 LLM 情绪特征。强化学习 Agent 的职责不同：它把这些信号作为状态的一部分，决定应该如何行动。
系统把交易问题建模为马尔可夫决策过程。状态包括市场 regime、VIX、趋势指标、组合杠杆、回撤、Sharpe、单个标的价格与波动率、RSI、LLM 情绪分数、配对交易中的价差 z-score 和协整关系。动作是目标组合权重，而不是单笔订单。奖励函数则平衡收益、风险纪律和约束惩罚。
RL Agent 输出 TargetPortfolio，执行层负责从当前持仓走向目标持仓，处理订单路由、部分成交和结算。这样可以把“应该持有什么”与“如何执行订单”分开，避免模型直接控制交易细节。
策略上可以探索 PPO 和 SAC。PPO 在非平稳市场中相对稳定，SAC 在数据昂贵时更具样本效率。为了适应市场 regime 变化，系统会定期滚动重训。
TensorLogic：RL 背后的推理引擎
纯神经强化学习擅长从数据中学习模式，但很难表达硬性逻辑约束，也不容易解释推理过程。纯规则系统可解释，但适应性弱。TensorLogic 的思路是把符号推理和神经学习统一到张量方程中。
在量化交易中，这种双模式很有用。布尔模式可以表达严格交易约束，例如市场 regime 规则、仓位限制和风险边界。当系统判断某个组合违反美元中性约束时，它不是概率上觉得不合适，而是可以形式化地判定违反。
连续模式则用于学习关系。不同标的、行业和宏观变量之间的关系可以变成可学习嵌入矩阵，让模型发现潜在结构，例如行业轮动如何传播，或者 VIX regime 如何影响相关资产。
训练阶段可以使用连续模式，通过梯度下降学习组合权重策略；实盘推理阶段，关键约束可以切换到布尔模式，保证学到的策略不能违反风险限制。这比单纯把 OHLCV 丢给神经网络更结构化，也更可解释。
Agent 辅助因子挖掘
更实验性的方向是让 Agent 生成因子假设。例如提出“研发支出相对收入持续增加的公司，未来六个月是否有超额收益”这样的假设。随后，回测验证器用历史数据测试，衰减检查器再用相似性分析判断该因子是否过于接近已知拥挤因子。
这里的 Agent 不是交易信号，而是假设生成器。每个候选因子仍然必须经过回测、校准和分阶段资金分配。这样可以正面处理 alpha 衰减问题：如果所有人都同时发现同一个因子，它很快就会失效，因此系统必须检查新因子的独特性和持久性。
可观测性必须内建
Dnalyaw 的每个组件都在实现时内建可观测性，而不是上线后补。可观测性包括三根支柱。
第一是结构化日志。每笔订单都有 correlation ID，可以从信号生成追踪到风险检查、OMS、venue 提交和成交回报。
第二是指标系统。通过 OpenTelemetry 和 Prometheus 记录延迟直方图、订单状态、venue、symbol、敞口、P&L 等指标。
第三是审计轨迹。不可变 PostgreSQL 表记录每一次状态变化，包含时间戳、actor 和完整 payload。每个风险决策还包含当时所有指标快照。
实时运维采用 Go 的 bubbletea 构建终端 UI，展示仓位、实时报价、订单簿、风险面板、告警和 watchlist。很多专业交易环境偏好终端工具和 Grafana，因为它们快速、稳定，而且不会因为 WebSocket 波动就变得不可用。
工程经验
第一，先建执行，再做策略。没有可靠执行，就无法真实测试策略。很多项目先做模型，再补执行，这是错误顺序。
第二，回测总会撒谎。并不是回测没有意义，而是滑点、借券成本、市场冲击、容量和延迟会不断侵蚀结果。影子交易是缩小差距的重要方法。
第三，对 alpha 预期要诚实。在成熟美国市场中，统计套利配对交易扣除成本后的现实收益上限并不夸张。Sharpe 超过 1 已经不错，超过 2 就要认真检查假设，回测显示极高年化通常意味着哪里出了问题。
第四，优势不只是模型，而是执行。好的成交和差的成交会在上千上万笔交易中持续复利。交易成本优化可能比继续挖一个新因子更重要。
第五，风险工程比 alpha 更重要。普通策略配合坚固风险管理，可以活到下一天；天才策略如果缺乏风险管理，最终也会爆掉。
下一步方向
Dnalyaw 已覆盖美国股票和香港股票，并在亚洲市场使用双 venue 路径做成交质量基准。后续投入方向包括扩展特征库、强化学习训练管线、中国 A 股扩展、Decision Transformer 研究，以及把交易成本分析作为一等研究活动。
真正的测试不是回测，而是研究、风险、执行和 TCA 这条完整链路能否在成千上万笔真实交易中日复一日地复利。
总结
AI 量化不是“大模型直接喊单”，而是把 AI 放进完整交易系统。市场数据之所以适合 AI，是因为它能提供结构化状态、清晰反馈和可验证历史；量化基金之所以难以复制，是因为真正壁垒在信息、资本、工程、执行和风险纪律。一个可实盘运行的 AI 量化系统必须拥有语言分层、风险否决权、真实成交建模、影子交易校准、LLM 特征边界、强化学习组合决策和全链路可观测性。
模型能带来优势，但系统决定优势能否落地。单个因子会衰减，单个模型会过时，漂亮回测会失真；只有研究、风险、执行和反馈被放进同一闭环，AI 才可能从概念变成可持续的交易能力。
参考来源
- AI Quantitative Trading: From Models to Quant Funds
- Dnalyaw: Engineering an AI Quant Trading System from Scratch
最后整理于 2026-06-07