头条 如何用 AI 搭建自己的量化交易工作站（03）——从策略研究到“策略工厂”

作者: 灰岩金融科技

如何用 AI 搭建自己的量化交易工作站（03）——从策略研究到“策略工厂”：建立自动化量化研究系统

Part 01 我们建立了 AI量化交易工作站架构

Part 02 我们建立了 策略研究引擎（Strategy Research Engine）

前文：

01 如何用 AI 搭建自己的量化交易工作站 01 ｜建立基础骨架

02 如何用 AI 搭建自己的量化交易工作站（02）——从“写几个策略”到“建立策略研究引擎”

ztrader生态也架构了属于我们自己的量化交易引擎：

以下为正文，所有步骤强烈建议读者自行问AI一步步展开落地，事半功倍，你不落地，永远就学不到东西，文章不会“自动帮你落地”，从第一行python代码开始，遇到第一个bug，才是你开始学习的过程。

如果你只有单组盈利的交易策略，你仍然只是一个：“会写策略的人”而不是：“拥有策略能力的人”。

真正的量化机构，例如：

  • Renaissance
  • Two Sigma
  • Citadel

核心优势不是某个策略。而是：组建自己的交易策略工厂。

今天这篇文章，我们会讲清楚：如何把AI策略研究引擎升级成自动化策略工厂。并且包含：

  • 完整执行流程
  • 可运行代码
  • 实际案例
  • 自动化结构

读完你可以建立一个：每天自动产生策略候选的系统。

一、为什么需要策略工厂

先说一个残酷事实：90%的策略最终都会失效。

原因包括：

  • 市场结构变化
  • 资金规模变化
  • 交易拥挤
  • 参数过拟合

所以真正的量化不是：找到一个永远赚钱的策略。 而是：持续产生新策略。

机构的逻辑是：策略死亡 → 新策略替换。

所以搞量化本质不是只交易一种策略，然后持续盈利一辈子。 而是，你必须成为策略制造者。有能力持续制造有盈利能力的交易策略。

二、策略工厂结构

策略工厂的结构是： 策略生成 ↓ 策略编码 ↓ 自动回测 ↓ 指标计算 ↓ 策略筛选 ↓ 策略库

完整结构： AI Strategy Factory Signal Scaner ↓ Idea Generator ↓ Code Generator ↓ Backtest Engine ↓ Metrics Engine ↓ Strategy Filter ↓ Strategy Library

这就是其他对冲基金策略的终极内核：交易策略的生产/研究管线。

三、第一步：建立策略模板

策略不能乱写。所有交易策略必须模板化。

常见策略家族：

1 动量策略

2 均值回归

3 波动率突破

4 均线趋势

5 多因子策略

例如动量模板：价格 > MA(n)做多 均值回归模板：RSI < 30做多 突破模板：价格突破20日高点做多

AI生成策略的时候，只需要填参数。

四、策略模板代码

我们先建立一个量化交易策略模板系统。

1
2
3
4
5
6
7

class StrategyTemplate:
    def __init__(self, name, params):
        self.name = name
        self.params = params
    
    def signal(self, df):
        pass

动量策略：

1
2
3
4
5
6

class MomentumStrategy(StrategyTemplate):
    def signal(self, df):
        n = self.params["window"]
        ma = df["Close"].rolling(n).mean()
        signal = (df["Close"] > ma) * 1
        return signal

均值回归策略：

1
2
3
4
5
6
7
8
9

class RSIMeanReversion(StrategyTemplate):
    def signal(self, df):
        delta = df["Close"].diff()
        gain = delta.clip(lower=0)
        loss = -delta.clip(upper=0)
        rs = gain.rolling(14).mean() / loss.rolling(14).mean()
        rsi = 100 - (100 / (1 + rs))
        signal = (rsi < 30) * 1
        return signal

现在策略变成了：可自定义的策略模块。

五、第二步：自动生成策略参数

策略真正的研究来自：参数空间。

例如：

  • MA window = 20
  • MA window = 50
  • MA window = 100

代码：

1
2
3
4

import itertools

windows = [10, 20, 30, 50, 100]
params = [{"window": w} for w in windows]

批量生成策略：

1

strategies = [MomentumStrategy("momentum", p) for p in params]

你现在已经有：5个策略。

如果：5个模板 × 10个参数，就会产生：50个策略。

这就是策略工厂。

六、第三步：建立自动回测引擎

回测引擎核心：策略收益。

代码：

1
2
3
4
5

def backtest(df, signal):
    returns = df["Close"].pct_change()
    strategy = signal.shift(1) * returns
    equity = (1 + strategy).cumprod()
    return strategy, equity

计算指标：

1
2
3
4
5
6

import numpy as np

def metrics(strategy):
    sharpe = np.sqrt(252) * strategy.mean() / strategy.std()
    max_dd = (strategy.cumsum() - strategy.cumsum().cummax()).min()
    return sharpe, max_dd

七、第四步：批量回测策略

现在我们可以自动回测。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

results = []
for s in strategies:
    signal = s.signal(df)
    strategy, equity = backtest(df, signal)
    sharpe, dd = metrics(strategy)
    results.append({
        "name": s.name,
        "params": s.params,
        "sharpe": sharpe,
        "drawdown": dd
    })

结果：策略参数 + Sharpe + 回撤。

八、第五步：策略筛选

机构不会保留所有策略。他们会：淘汰。

筛选规则：

  • Sharpe > 1
  • Drawdown > -25%

代码：

1

filtered = [r for r in results if r["sharpe"] > 1 and r["drawdown"] > -0.25]

剩下的策略：候选策略。

九、真实案例：SPY策略工厂

我们跑一个简单案例。

Universe：SPY 策略：

  • MA 10
  • MA 20
  • MA 50
  • MA 100

回测结果：

MASharpe
100.7
200.9
501.1
1000.8

筛选结果：MA50，这就是一个候选策略。

十、策略库（Strategy Library）

所有候选策略进入：Strategy Library。

结构： Strategy Library

  • Momentum_MA50
  • RSI_Reversion_14
  • Breakout_20

保存：

  • 策略代码
  • 策略参数
  • 回测结果
  • 风险指标

数据库示例：

  • Postgres
  • Supabase

十一、每日自动研究流程

自动化流程： 每日更新数据 ↓ AI生成策略候选 ↓ 自动编码 ↓ 自动回测 ↓ 自动筛选 ↓ 进入策略库

Cron任务：每天运行。 Python：

1

schedule.every().day.at("06:00").do(run_research)

这就是自动化策略研究。

十二、为什么 AI 会改变量化交易

过去策略研究：一个月 1个策略。 现在：一天 50个策略。

优势来自：研究速度，而不是：策略复杂度。

最后，未来交易者会分成两类

第一类：用指标交易的人。 第二类：拥有策略工厂的人。

前者在：寻找短期交易信号，最终亏损爆仓。 后者在：生产交易信号，最后形成长期交易系统。

这两者的差距会越来越大。最后前者将长期秒杀后者。

最重要的一句话

量化交易真正的目标不是： 找到一个赚钱策略。 而是：建立一个持续产生策略的系统（策略工厂）。

搜索星球号：23835731

星球名称：AI架构笔记或扫二维码，加入最前沿的AI垂直应用学习社群。

Image

来源: 微信公众号

目录

×