企业官网建设流程全解析

写量化策略的人，最怕的不是亏钱，是不知道钱为什么亏。上篇把框架搭起来之后，真正决定这套系统能不能从“纸面模型”变成“真金白银”的，就是特征工程和大模型决策落地这两件事。我见过不少朋友跑通示例代码就觉得完事了，结果一上实盘，不是信号时灵时不灵，就是大模型输出根本没法对接下单，最后只能手动看盘，还是回到了老路。

这篇作为下篇，我把特征工程和大模型决策落地这段拆开讲。重点是我自己踩过的坑、反复验证过的做法，以及为什么有些操作看起来多余，实际却决定了策略能否稳定跑下去。适合已经搭好基础框架、准备把策略真正跑起来的朋友，也适合对AI量化感兴趣但还没理清“特征”和“模型”关系的新手。

1. 从数据到特征：A股量化策略的第一道分水岭

1.1 特征工程要解决的核心问题

很多新手拿到A股行情数据之后，第一个动作就是把“开盘价、收盘价、成交量”直接扔给模型。这种做法不是说完全没用，而是浪费了数据里最关键的信息，而且会让模型的泛化能力极差。特征工程的核心目标，是把原始行情数据转换成“能稳定反映市场状态、可跨周期复用、且具备经济含义”的变量。

A股市场有几个特殊性，直接决定了特征工程要比其他市场做得更讲究。

涨跌停和T+1制度意味着日内的动量效应会被截断，次日开盘的跳空行为特别重要。横截面特征比单一股票的时序特征更稳定，因为A股有几千只股票，同一天里哪些股票相对强势、哪些相对弱势，这个相对关系比绝对值更能反映市场偏好。行业轮动和风格切换频繁，行业属性和市值属性必须作为特征参与建模，否则模型很容易学出“不真实的规律”。

所以特征工程在这里要解决的真正问题，不是“选哪些指标”，而是“这些指标能否在实盘环境里被稳定、无偏地计算出来”。比如用收盘价计算收益时，如果不考虑除权除息，就会算出假的下跌信号。用成交量判断资金活跃度时，如果不剔除停牌日，就会把无交易状态当成极度低迷。这些都是数据层面的坑，却影响整个策略的根基。

1.2 三类最实用的特征体系拆解

在实际项目中，我把A股量化特征分成三套体系，每一套都有各自的作用，组合起来用效果比单独用高得多。

第一套是“量价特征”，主要刻画个股自身的交易状态。常见的有：

• 过去5日、20日收益率和波动率
• 换手率及其短期变化率
• 成交额相对20日均值的倍率（放量缩量）
• 收盘价偏离20日均线的幅度（乖离率）
• 日内振幅与当日涨跌幅的比值

量价特征的最大优点是频率高、更新快，适合日频甚至分钟级策略的信号构建。但单独使用时噪声很大，容易在震荡行情中反复给出假信号。

第二套是“基本面特征”，主要是从公开财务数据和估值数据中提取的信息。市值、市盈率、市净率、ROE、营收同比增速，这些都是慢变量，更新频率低，但信息质量高。量价特征负责捕捉“什么时候买”，基本面特征负责解决“买什么”，两者结合才有完整逻辑。

第三套是“市场环境特征”，目的是让模型感知“当前整个市场处于什么状态”。市场整体的收益率、上涨家数占比、行业轮动速度、市场波动率，都属于这一类。这些特征不是针对单只股票，而是用于描述背景。大模型决策落地这一步尤其依赖这层特征，因为大模型如果不知道“现在是普涨、普跌还是震荡”，它给出的判断就失去了依据。

我自己的习惯是，先把这三套特征都准备好，再做特征预处理。不要一上来就极端地只留几个因子，因为预处理之后特征的重要性排序往往会发生变化。

2. 特征预处理：比想象中更关键的三个环节

2.1 去极值与标准化：别让极端值绑架你的模型

A股数据里充斥着极端值。市值里有几百亿的巨头，也有十几个亿的小盘股。收益分布长尾很重，一个连续跌停的票，其波动率会瞬间拉得极高。如果这些原始特征直接进入模型，少数样本会主导整个学习过程，模型会退化成一个“只对极端行情敏感的守门员”。

去极值我推荐用分位数去极值或者MAD法，个人更常用分位数去极值。比如把所有样本在截面上的某一特征值按从小到大排序，把超过5%分位和95%分位的数值，统一截断到对应分位数的位置。这种方式比直接删掉极值样本更合适，因为你想保留“这个股票是极端异常”这个信息，只是不让它的具体数值过分影响模型。

标准化必须针对每个截面单独做，不能拿历史全局的均值和方差去标准化当前截面。原因是A股市场的绝对数值水平会随行情变化，全局标准化会让同一个数字在不同时期代表完全不同的相对含义。截面标准化更干净，它计算的是“在当前这个时间点，所有股票中这一特征的相对位置”。

这里有个容易忽略的细节：涨停和跌停的股票，在截面标准化之前需要单独处理。因为涨跌停封板状态下，价格被限制住了，量能也异常，直接放进截面计算会污染整个分布。我通常的做法是，先把涨跌停状态的股票单独标记，不参与特征标准化，但保留一个“是否封板”的0/1变量喂给模型。

2.2 中性化处理：剥离行业与风格暴露

中性化这个词听起来很学术，其实做的事情很简单：把被行业和市值等风格因素解释掉的那部分信息去掉，只保留个股自身独特的部分。

举一个直观的例子：如果白酒行业整体上涨，那么行业里某只个股股价上涨，可能并不是因为它自己有特别好的逻辑，只是因为行业贝塔在起作用。如果你的模型把“行业普涨”也当成这只股票的Alpha特征，那下次行业轮动时，模型就会在完全不相关的股票上给出错误信号。

中性化的实现方式有很多，最常用的是线性回归法：把待中性化的特征作为因变量，行业哑变量和取对数的市值作为自变量，做一次截面回归，然后用残差作为新的特征值。本质上就是“用行业和市值能解释的部分都已经解释完了，剩下的残差才是这一特征独有的信息”。

做完中性化之后，一般要再补一次标准化，因为残差的尺度也会漂移。另外，中性化处理会让特征本身变得更加“干净”，但同时也会削弱信号敏感度。如果策略本身就是做行业轮动，那就不能用行业中性化后的特征去做选股，这时候要把行业暴露保留下来。特征怎么预处理，最终要取决于策略逻辑，而不是机械套一套流程。

2.3 特征有效性检验：怎么判断一个特征是“真因子”还是“噪声”

准备了一堆特征之后，不要急着丢进模型。先做有效性检验，这一关能帮你筛掉大量“看起来有用，实际是过拟合”的变量。

检验特征有效性，最常用的指标是IC（信息系数），也就是计算特征值在未来一期收益之间的秩相关系数。IC的绝对值越高，说明特征预测能力越强。IC的稳定性也很重要，我会看过去12个月的IC序列，如果靠少数几个月份的爆发撑起平均值，那这个特征的实际价值要打折扣。

除了IC，还应该做分层回测。把股票按特征值从小到大分成五组或十组，看每组在未来一段时间的平均收益是否单调。如果第一组和第十组收益差距明显且方向稳定，说明这个特征有区分度。如果收益是中间高、两端低，或者各组之间没有规律，那就说明是非线性关系，在传统线性模型里没法直接用，可能要在深度学习模型或者大模型决策里才发挥价值。

特征有效性检验还有一个现实功能：给特征打标签。我把通过检验的高质量特征标记为核心特征，只在每月调仓时使用；波动大但偶尔有效的特征标记为辅助特征，动态组合的时候用；检验不合格的直接淘汰。这时候特征集就不再是一堆“变量”，而是一套有优先级、有逻辑的信息资产。

3. 大模型决策落地：从“能聊天”到“能下单”

3.1 大模型在量化策略里的真实角色定位

很多人对大模型在量化里的期望过高，觉得它能像巴菲特一样直接告诉你买哪只股票。实盘体验下来，大模型的定位应该是一个“决策优化器”，而不是“预测器”。它不适合去预测明天某只股票涨还是跌，因为价格预测本质上是概率问题，大模型的训练目标不是最小化预测误差。它真正擅长的是，在给定一组已经量化好的特征和信号之后，综合这些信息去做“状态判断、风险权衡和行动选择”。

比如，特征工程模块输出一只股票当前的热度、趋势、估值水平、行业位置和波动状态，这些都是结构化数据。大模型可以把这些信息整合起来，判断“当前这种状态下，该股票属于进攻型配置还是防御型配置”，并给出对应的仓位动态调整区间，以及买入后止损位设置的逻辑依据。这种判断不是从零预测未来，而是根据已有信息做“情境化决策”，这就是大模型最核心的价值。

这个定位一旦清楚了，很多问题就迎刃而解。你不需要大模型输出一个天马行空的选股名单，而是要求它在“策略规则允许的范围内”做决策。你不需要它解释复杂的经济形势，只需要它把当前特征状态翻译成操作区间和风控条件。边界设得越清楚，大模型在实盘里的表现越稳定。

3.2 结构化特征如何被大模型“理解”：特征描述化与上下文构建

大模型本身吃的是文本，不是数值表格。特征工程产生的是一堆数字，要让大模型理解这些数字，最直接的办法是把关键特征“描述化”，转成自然语言。

我用的模板大致是这样：AI量化决策系统，请基于以下特征状态对股票X进行综合评价。当前市场环境处于震荡偏弱，近5日市场涨跌家数比约1比2，行业轮动速度中等。股票X当前换手率为5.2%，显著高于近20日均值，说明资金关注度提升。20日收益率8.5%，但已经连续上涨五天，短期乖离率偏大。市盈率处于行业30%分位，估值不高。当前技术信号偏多，但波动率正在快速放大。

这段描述里的每一个信息都来自特征工程模块，但大模型能够综合这些信息的“含义”，结合它对金融常识的理解，做出一段合理的分析。比直接扔一组数字给它，效果要强非常多。

上下文构建要包含三个层次：市场层（当前大盘环境）、个股层（特征事实）、约束层（策略允许的交易规则和仓位限制）。约束层最关键，它告诉大模型“即便你想追高，也要遵守单票不超过10%仓位的纪律”，这相当于在模型输出前就框定了安全边界。

另外，大模型单次输入的上下文长度有限，特征描述不要贪多。我的经验是精选8到12个最关键的信息点就够了，信息太多反而会让大模型抓不住重点，输出变得泛化、废话变多。

3.3 决策输出的校验与结构化解析

大模型输出的文字分析本身不能直接下单，必须先把它的决策转换成一个结构化对象。我建议在提示词里就写死输出格式，要求大模型以JSON格式返回，里面只包含几个指定字段：操作建议（增仓、减仓、持仓不动）、置信度（高、中、低）、建议仓位区间、风险提示。

例如大模型的返回可能是：
{"action": "hold", "confidence": "medium", "position_range": [0.2, 0.3], "risk_note": "波动率偏高，不宜加仓"}

这一步看起来简单，实际操作时有一个大坑：大模型偶尔会返回残缺的JSON，或者在JSON里塞进去多余的解释文本。解析层的容错能力必须写够。我会先把返回内容里的代码块标记去掉，再用JSON解析器尝试解析，失败的情况下用正则把action和confidence字段单独抽出来。这些都失败的话，直接将本条决策标记为无效，保持旧仓位，不做任何操作。记住，“无法决策”本身就是一个有效的安全决策。

3.4 从决策到订单：风控闸门与执行通道

大模型输出决策之后，中间还隔着一道不能省略的“风控闸门”。我自己在系统里写了五条强制校验规则，大模型生成的任何决策，不过完这五条就不允许进入下单通道：

• 当前股票是否处于涨停、跌停或者停牌状态，如果是，直接拒绝。
• 建议仓位是否超出单票最大仓位限制，超出则强制截断到限制值。
• 当前账户是否有足够可用资金，没有则挂起决策。
• 买入操作是否违反T+1交易的可用持仓约束。
• 与上一交易日相比，仓位变动幅度是否超过单日调仓上限，超过则分日执行。

这五条规则不是业务的负担，而是让你敢把大模型放在实盘链路里的底气。大模型的判断能力再强，它也不会知道账户当前真实可用资金是多少，更不会知道某只股票刚好因为停牌无法交易。这些机械操作必须在交易系统层解决。

执行通道方面，我倾向于让决策模块与交易接口解耦：大模型输出的是一个决策文件，由独立的执行模块去读取。这个设计的好处是，即使交易柜台或券商接口临时出问题，决策模块仍然可以继续运行，修复执行模块不需要重新触发一次大模型推理，降低耦合度。

4. 完整落地流程：A股量化策略从框架到上线

4.1 基础框架与关键选型

有了前面这些组件，落地一套完整流程需要大致分为数据层、特征层、决策层和执行层四个模块。数据层负责收集行情、财务和状态数据；特征层负责对数据进行清洗、预处理和特征计算；决策层负责把特征描述转换成大模型输入，并解析输出结果；执行层负责校验风控规则、生成订单和执行。

技术选型上，数据层一般用Python配合关系型数据库存日频数据和元数据；特征层基于Pandas或者处理框架做批量计算；决策层用现成的大模型接口或者本地部署的开源模型。我自己更倾向于本地部署开源模型做决策，因为连续调用会积累成本，而且数据不出本地，隐私面更可控。

如果资金量不大，可以考虑最简单的部署方式：一台能联网的服务器、一个数据库、一个定时任务调度器，就足够把整个流程跑起来。不要一开始就追求微服务架构，等策略稳定盈利、需要扩容时再拆分也不迟。跑通逻辑永远比炫技术重要。

4.2 一个步骤化的实操流水账：典型复盘

我以一个模拟运行项目来做例子，说明整个流程怎么串联起来。

首先，股票池设定为某指数成分股中流动性排名靠前的50只票，因为小票流动性差，执行成本高，不适合做日频轮动。每日收盘后，数据脚本开始更新当日行情和财务数据，对复权价格做校验，确认没有异常的跳空数据之后进入特征计算。

特征计算完成后，模块会把当日特征和最近20个交易日的特征合成一个综合快照，同时生成市场环境摘要。这个摘要就是给大模型的输入。执行调度器接着调用决策模块，向模型发送构建好的提示词，获取JSON输出，经过解析和完整性校验后生成当日建议清单。

再经过风控闸门逐条过滤，最终只留下合规且生效的调仓指令。指令写入订单表之后，执行模块批量发起委托，并每隔一段时间主动查询委托状态。假如某笔委托因为跌停无法成交，就自动撤销并记录原因。整个流程从收盘后到全部完成，通常控制在较短的时间内，核心逻辑清晰，没有任何一个环节依赖盘中人工干预。

这个流程跑了一段时间后，我最大的心得是：这一套系统的日常运维重点，不是模型调优，而是数据质量和状态检查。每天只要数据干净、任务按时跑完、大模型输出能正常解析，这套系统就算正常运行了。

4.3 回测中容易踩的坑：未来函数、幸存者偏差与过拟合

回测不是为了让自己高兴，是为了发现系统在真实环境里可能犯的错误。有三个坑是最典型、也是最容易让回测结果虚高的。

未来函数是最常见的隐形坑。比如用当日全部成分股做排名，却把当天收盘后的股票池信息当成“已知信息”来筛选，导致模型总是选到未来涨得好的股票。我记得最深刻的一次，是调试某模拟策略时发现，一份包含当日涨停信号的特征在回测中产生了错觉般的高收益，实际上这些信号在开盘前根本无法获取。后来统一把所有特征计算逻辑锁定为“只用当前周期已收盘的数据”，排查结果才变得可信。

幸存者偏差来自股票池的构建。如果直接用当前时点仍然上市、仍然在指数里的股票做历史回测，那退市和被剔除的股票就全部天然被排除在外了。解决办法是构建一个包含历史时点所有上市股票的数据集，并在每个时间截面用当时可获取的股票池结构进行回测。这个过程会麻烦很多，但不做，回测结果就会明显偏高。

过拟合则更隐蔽。特征工程里面加工得越多、参数量越大，越容易被回测期的数据“照顾”得很好。降低过拟合的策略，一是做样本外验证，把近一段时间的行情数据留出来专门做验证，训练时完全不看这些数据；二是控制模型复杂度，特征数量宁可少而精；三是做滚动训练，定期用最新数据重新拟合，避免模型在旧市场环境里越走越远。

5. 常见问题与排查技巧实录

5.1 训练与实盘差异大的原因

如果回测曲线很漂亮，实盘却频繁止损，最先怀疑的方向应该是数据不一致。常见情况包括：回测用的是复权价，实盘委托按真实价，波动计算不一致；回测忽略了滑点和手续费，导致每次交易实际成本比预期高很多；回测里的成交假设是“信号出现就能立刻以收盘价成交”，但实际上次日开盘跳空可能让成交价偏离判断。

解决方法是把成交假设尽量“往坏了想”。我回测时默认引入固定的交易成本和滑点，信号出现在收盘后的，就在次日开盘价基础上额外加一档滑点估算成交。虽然这么做会降低回测数字，但实盘体验会接近很多。

5.2 大模型输出不稳定怎么办

大模型即使是同一天同一批输入，连续调用两次也可能给出不同答案。这在决策链路里是个大隐患。我常用的办法是降低温度系数，直接降到一个很低的值，甚至接近确定性输出。温度越低，输出越保守、越固定。不要指望大模型发挥“创造力”，在决策场景里稳定比创新重要。

还可以增加结果投票机制：同一个问题换不同措辞问三次，要求模型只输出决策字段，然后对三次结果取多数。如果三次结果不一致，就以最保守的决策为准。这种方法损失了一点点决策弹性，但大大提高了实盘系统的可预期性。

5.3 特征与数据更新的运维细节

数据更新是直接引发实盘事故的重灾区。节假日之后的交易日，如果数据源前一天的行情文件没同步全，特征计算会出现时间缺口，产生异常特征值。我的应对方法是在每日流程开始前加一道数据完整性检查，明确按“股票池所有样本都包含当日行情”做比对，缺一个就整日流程报警，不再继续后续计算。宁可少做一天决策，也不能用半残废的数据去喂模型。

另外，财报数据的更新时间和行情不在同一个频率上。基本面的特征更新频率要单独维护，尽量避免在新财报还没完全披露时，用旧数据替代新数据。还可以给特征打一个“更新时间戳”，模型决策时能够感知每类特征的新鲜度，这比统一假设“所有特征都是最新的”要靠谱得多。

5.4 问题排查速查表

我在调试过程中整理了一张速查表，遇到异常可以直接对照查，省去反复试错的时间。

这套表不至于覆盖所有问题，但它能帮助我快速定位方向，不用每次都把系统从头到尾重新翻一遍。

我个人在实际操作中的体会是：特征工程和大模型决策落地，本质上是“把不确定性一步步压缩成确定性”的过程。特征工程负责把市场噪声变成有效信号，预处理负责把信号变得干净，大模型负责把干净信号变成可执行的决策，而风控负责让决策在真实环境里安全落地。每个环节都让噪声小一点、确定性多一点，整个系统才可能稳定。

最后再分享一个经验：上线前，尽可能强迫自己连续数周不开“自动执行”开关，系统每天照常输出决策，但只记录不实际下单。把这些虚拟决策和真实市场的次日走势拿来对比，检查系统逻辑在实盘环境里是否成立。这段被忽视的观察期，往往能暴露回测阶段永远发现不了的问题。