企业官网建设流程全解析

1. 从原始数据到有效因子：特征工程的核心逻辑

1.1 为什么特征工程决定了策略的天花板

很多人做量化策略，第一反应是去找一个“神级模型”，觉得只要模型够强，数据随便喂进去就能赚钱。我刚开始也这么想，后来踩了无数坑才明白：在A股这种高噪声、低信噪比的市场里，特征工程的质量直接决定了策略收益的上限，模型只是逼近这个上限的工具。

举个直观的例子。你手里有某只股票过去60个交易日的收盘价，如果直接把60个价格数字扔给模型，模型看到的是一串高度相关的数值，既学不到趋势，也学不到动量。但如果你把这60个价格转换成“过去20日收益率”“当前价格相对20日均线的偏离度”“成交量加权后的价格重心”，模型立刻就能捕捉到不同维度的市场信息。这就是特征工程的价值——把原始数据翻译成模型能理解的“市场语言”。

A股市场有几个非常特殊的性质，直接影响了特征工程的设计思路。第一，涨跌停制度导致价格在极端日会出现截断，如果直接使用收益率，涨跌停日的信号会被扭曲。第二，T+1交易制度意味着你当天买入的股票当天不能卖出，特征设计时必须考虑持仓周期的约束。第三，散户占比高导致市场情绪波动剧烈，换手率、振幅这类情绪指标往往比基本面指标更有效。这些特性决定了我们不能照搬海外市场的特征体系，必须做本土化改造。

1.2 特征分类框架：从五个维度构建因子池

在实际操作中，我习惯把特征分成五大类，每类下面再细分具体因子。这个框架的好处是逻辑清晰，不容易遗漏重要维度，也方便后续做因子间的相关性分析。

第一类是价格动量类特征。这是最基础也最有效的一类。具体包括：过去N日的累计收益率（N取5、10、20、60）、过去N日的最高价与当前价的距离、过去N日最低价与当前价的距离、价格突破N日高点的标志等。动量因子的核心逻辑是“强者恒强”，但A股动量效应比海外弱很多，所以通常需要配合反转因子一起使用。我一般会同时计算短期（5日）和中期（20日）动量，让模型自己去学习不同周期的权重。

第二类是波动率类特征。包括过去N日收益率的标准差、过去N日的真实波幅均值、当日振幅与过去N日平均振幅的比值等。波动率因子在A股特别重要，因为高波动往往意味着高风险，但同时也可能意味着高收益机会。关键是要区分“好的波动”和“坏的波动”——上涨过程中的波动和下跌过程中的波动，对未来的预测意义完全不同。

第三类是成交量与流动性类特征。包括换手率、量比、成交额的对数、过去N日成交量标准差等。成交量是价格的“燃料”，没有成交量配合的价格变动往往不可持续。我特别关注“量价背离”信号，比如价格创新高但成交量萎缩，这通常是一个警示信号。

第四类是基本面类特征。包括市盈率、市净率、净资产收益率、营收增速、净利润增速等。这类因子的更新频率低（通常按季度），但稳定性好。在A股，小市值因子和低估值因子长期有效，但近几年随着市场风格变化，单纯依赖市值因子的策略回撤明显加大，需要结合质量因子一起使用。

第五类是市场情绪类特征。包括涨停家数、跌停家数、上涨家数占比、北向资金净流入等。这类因子属于“市场整体环境”变量，对个股的预测能力有限，但对仓位管理非常有价值。比如当市场情绪指标处于极端低位时，整体仓位可以适当提高。

1.3 因子预处理：缺失值、极值与标准化的处理细节

原始因子算出来之后，绝对不能直接喂给模型。我见过太多人跳过预处理这一步，结果模型表现一塌糊涂，还以为是模型不行。实际上，预处理做得好，简单的线性模型也能跑出不错的效果；预处理做得差，再复杂的深度学习模型也是白搭。

缺失值处理是第一步。A股数据缺失主要有三种情况：一是新股上市初期历史数据不足；二是停牌期间没有交易数据；三是财务数据尚未披露。对于前两种情况，我通常采用“前向填充+可用窗口标记”的方式——用最近一个有效值填充，同时增加一个“数据可用天数”的辅助特征，让模型知道这个填充值有多可靠。对于财务数据缺失，我倾向于直接剔除该样本，因为财务数据的缺失往往意味着公司存在某些问题，强行填充反而会引入偏差。

极值处理是第二步。A股经常出现连续涨停的妖股，这些股票的动量因子值会异常大，如果不处理，会严重干扰模型的参数估计。我的做法是采用中位数绝对偏差（MAD）法进行截断，而不是简单的3σ法。因为3σ法假设数据服从正态分布，而A股收益率明显是尖峰厚尾的，用MAD法更稳健。具体操作是：计算因子的中位数和MAD值，将超过中位数±5倍MAD的值截断到边界上。

标准化是第三步。不同因子的量纲差异巨大，比如市盈率可能是几十，而换手率可能是零点几。如果不做标准化，量纲大的因子会主导模型。我通常采用截面标准化，即在每个时间截面上对所有股票的同一因子做Z-Score标准化。这样做的好处是消除了市场整体涨跌的影响，让因子值反映的是“相对强弱”而非“绝对水平”。

注意：标准化必须在每个时间截面上独立进行，不能跨时间做全局标准化。否则会引入未来信息，导致回测结果虚高。

1.4 因子有效性检验：IC、IR与分层回测

因子算出来、预处理做完，接下来必须检验它到底有没有预测能力。我常用的三个指标是IC、IR和分层回测。

IC（信息系数）是因子值与未来收益率的相关系数。通常计算Spearman秩相关系数，因为它对极值不敏感。IC的绝对值大于0.03就算有效，大于0.05就算相当不错了。但要注意，单期IC高不代表因子好，需要看IC的均值是否稳定为正或为负。

IR（信息比率）是IC均值除以IC标准差，衡量的是因子预测能力的稳定性。IR大于0.5的因子就值得纳入因子池。我一般会计算过去12个月的滚动IR，观察因子是否出现失效迹象。

分层回测是最直观的检验方法。把股票按因子值从高到低分成5组或10组，分别计算每组的累计收益。如果因子有效，应该能看到明显的单调性——要么高因子组持续跑赢低因子组，要么反过来。如果各组收益杂乱无章，说明这个因子没有区分能力。

下面这张表是我在实际操作中总结的因子检验标准，供参考：

2. 大模型在量化决策中的落地方式

2.1 大模型能做什么、不能做什么

先把预期管理好。大模型在量化策略里的角色，不是直接预测涨跌，而是做信息提取、模式识别和决策辅助。我见过不少人指望用大模型直接输出“明天某只股票涨还是跌”，这种用法基本都会失败，因为大模型的训练数据是文本，不是时间序列，它对数值的敏感度远不如传统时序模型。

那大模型到底能干什么？根据我的实践经验，主要有三个方向。第一是处理非结构化数据，比如从财报文本、行业新闻、研究报告里提取关键信息，转化成结构化因子。第二是做多模态融合，把文本情绪、数值因子、图表模式结合起来做综合判断。第三是做策略逻辑的生成与优化，比如让大模型根据历史回测结果，自动生成新的因子组合思路。

2.2 用大模型做财报文本因子提取

财报文本里藏着大量有价值的信息，但传统方法很难高效提取。我现在的做法是：把财报中的“管理层讨论与分析”部分截取出来，用大模型做三件事。

第一，提取关键经营指标的变化方向。比如“公司营收增长主要来自华东地区门店扩张”，大模型可以提取出“营收增长-华东地区-门店扩张”这样的结构化三元组。这些信息可以转化成因子，比如“扩张力度得分”。

第二，做情感分析。管理层对未来的措辞是积极还是消极，往往比财务数字本身更有预测力。我让大模型对每段文本打一个-1到+1的情感分，然后计算整篇财报的情感均值。实测下来，这个情感因子和未来一个季度的股价表现有显著的正相关。

第三，识别风险提示。财报里的风险提示部分往往被投资者忽略，但大模型可以快速提取出风险类型和严重程度。比如“原材料价格波动风险”和“政策监管风险”，对股价的影响路径完全不同。

具体操作上，我会用提示词模板来约束大模型的输出格式，确保每次提取的结果结构一致。比如：

prompt_template = """ 请从以下财报文本中提取信息，按JSON格式输出： {{ "growth_direction": "增长/持平/下滑", "growth_source": "主要增长来源，20字以内", "sentiment_score": -1到1之间的浮点数, "risk_types": ["风险类型1", "风险类型2"], "risk_severity": 1到5的整数 }} 财报文本： {text} """

提示：大模型提取的结果一定要做人工抽检，至少随机检查5%的样本。我刚开始太信任模型输出，结果发现有些财报的表格数据被误读，导致因子值完全错误。

2.3 大模型辅助因子组合优化

因子池建好之后，下一个问题是怎么组合。传统方法是等权加权或者IC加权，但这种方法忽略了因子之间的非线性关系。我现在的做法是：用大模型生成因子组合的候选方案，再用历史数据做快速回测筛选。

具体流程是这样的。第一步，把因子池里每个因子的IC均值、IR、换手率、与其他因子的相关性整理成一张表。第二步，把这张表喂给大模型，让它生成10到20个因子组合方案，每个方案包含因子名称和权重。第三步，对每个方案做快速回测，计算夏普比率、最大回撤、年化收益。第四步，选出表现最好的3到5个方案，做更细致的参数调优。

这个方法的优势在于，大模型可以基于它对金融逻辑的理解，提出一些人类容易忽略的组合方式。比如它可能会建议“把低波动因子和高质量因子组合在一起，因为这两个因子在不同市场环境下有互补性”。这种思路如果靠人工穷举，效率会低很多。

但要注意，大模型的建议必须经过严格回测验证，不能直接采用。我遇到过好几次，大模型给出的组合逻辑听起来很有道理，但回测结果一塌糊涂。原因可能是它过度拟合了训练数据中的某些模式，而这些模式在当前市场已经失效。

2.4 大模型决策的实时性与成本控制

大模型推理是有延迟和成本的，这在量化交易中是一个硬约束。如果你的策略需要盘中实时决策，调用大模型API的延迟可能达到几百毫秒甚至几秒，这在快速变化的市场里是不可接受的。

我的解决方案是分层决策架构。第一层是传统量化模型，负责高频、实时的信号生成，延迟在毫秒级。第二层是大模型，负责低频、盘后的决策辅助，比如每天晚上更新因子权重、生成第二天的交易计划。第三层是人工审核，对大模型给出的重大调整建议做最终确认。

这样设计的好处是，既利用了大模型的信息处理能力，又避免了它在实时性上的短板。成本方面，我通常只对持仓股票和候选股票调用大模型，而不是全市场5000多只股票都跑一遍。这样每天的API调用量可以控制在几百次以内，成本完全可接受。

3. 完整实操流程：从数据到策略上线

3.1 数据准备与因子计算流水线

整个流程的第一步是搭建数据流水线。我用的数据源包括日频行情数据、财务数据、以及通过大模型处理的文本数据。行情数据每天收盘后更新，财务数据按季度更新，文本数据在财报发布后48小时内处理完毕。

因子计算我写成了一个独立的Python模块，核心逻辑是：读取原始数据→计算基础因子→做预处理→输出标准化因子矩阵。这个模块每天定时运行，输出结果存入数据库。下面是一个简化的代码框架：

import pandas as pd import numpy as np from scipy.stats import rankdata def calculate_momentum(price_df, windows=[5, 10, 20, 60]): """计算动量因子""" factors = {} for w in windows: factors[f'mom_{w}d'] = price_df['close'].pct_change(w) return pd.DataFrame(factors) def calculate_volatility(return_df, windows=[5, 20, 60]): """计算波动率因子""" factors = {} for w in windows: factors[f'vol_{w}d'] = return_df.rolling(w).std() return pd.DataFrame(factors) def preprocess_factors(factor_df): """因子预处理：缺失值填充、极值截断、截面标准化""" # 前向填充 factor_df = factor_df.fillna(method='ffill') # MAD法截断极值 for col in factor_df.columns: median = factor_df[col].median() mad = (factor_df[col] - median).abs().median() upper = median + 5 * mad lower = median - 5 * mad factor_df[col] = factor_df[col].clip(lower, upper) # 截面Z-Score标准化 factor_df = factor_df.apply(lambda x: (x - x.mean()) / x.std()) return factor_df

这个框架看起来简单，但有几个细节非常关键。第一，滚动窗口的计算必须严格避免未来函数。比如计算20日动量时，只能用当前日期及之前的数据，不能用之后的数据。我通常会在代码里加一个时间戳检查，确保每个因子的计算截止日期不超过当前日期。第二，停牌股票的处理。停牌期间没有价格数据，前向填充会导致因子值“冻结”，复牌后可能出现剧烈变化。我的做法是给停牌股票打一个标记，在模型训练时降低这些样本的权重。

3.2 模型训练与验证集划分

特征工程做完之后，就是模型训练。我目前主要用两种模型：LightGBM做主力预测模型，大模型做辅助决策。LightGBM的优势是训练快、可解释性好、对缺失值不敏感，非常适合量化场景。

训练集、验证集、测试集的划分非常讲究。绝对不能随机划分，因为金融时间序列存在自相关性，随机划分会导致数据泄露。我的做法是：用前70%的时间段做训练，中间15%做验证，最后15%做测试。而且训练集和验证集之间要留一个“隔离期”，通常取20个交易日，避免边界处的信息泄露。

模型参数方面，我通常设置：学习率0.05，树的数量500，最大深度6，叶子节点最少样本数50。这些参数不是拍脑袋定的，而是通过网格搜索结合早停法确定的。早停法特别重要，因为金融数据噪声大，模型很容易过拟合。我一般设置早停轮数为50，即如果验证集损失连续50轮不下降，就停止训练。

3.3 回测框架与绩效评估

回测是检验策略好坏的唯一标准。我用的回测框架是自己写的，核心逻辑是：每个调仓日，根据模型预测分数排序，买入前N只股票，卖出不在前N的股票。调仓频率通常是一周一次或两周一次，太频繁会被交易成本吃掉收益，太慢又跟不上市场变化。

回测中必须考虑的几个现实约束：交易成本（佣金万分之二点五，印花税千分之一，滑点千分之二）、涨跌停无法成交（涨停买不进，跌停卖不出）、停牌无法交易。这些约束如果不加进去，回测收益会虚高很多。我见过一个策略，不考虑交易成本时年化收益30%，加上成本后直接降到8%，这就是现实。

绩效评估我主要看四个指标：年化收益率、夏普比率、最大回撤、Calmar比率（年化收益/最大回撤）。夏普比率大于1算合格，大于1.5算优秀。最大回撤控制在20%以内比较理想。Calmar比率大于0.5说明收益和风险的平衡做得不错。

下面这张表是我最近一个策略的回测结果，供参考：

3.4 实盘上线与监控

回测通过之后，不要急着上实盘。我的做法是先跑一个月模拟盘，用实时数据但不下真实订单，观察策略在真实市场环境下的表现。模拟盘和回测的差异主要来自三个方面：数据延迟、成交价格偏差、以及市场冲击成本。如果模拟盘表现和回测差距在20%以内，就可以考虑小资金实盘。

实盘上线后，监控是重中之重。我每天会检查几个关键指标：策略当日收益与基准的偏离、持仓股票的集中度、因子暴露是否发生漂移。如果发现策略连续5个交易日跑输基准，或者单日回撤超过3%，就会触发预警，需要人工介入检查。

实操心得：实盘初期一定要用小资金，我一般用总资金的10%跑一个月，确认稳定后再逐步加仓。千万不要一上来就满仓，市场总会用各种意想不到的方式教育你。

4. 常见问题与排查技巧实录

4.1 因子失效的识别与处理

因子失效是量化策略最常见的问题。表现是：原本有效的因子，突然IC均值大幅下降，甚至变成负值。我遇到过好几次，一开始以为是市场风格切换，后来发现其实是因子计算逻辑出了问题。

排查因子失效，我通常按以下顺序检查。第一步，检查数据源。数据源是否发生了变更？比如某天开始，行情数据从复权价变成了不复权价，这会导致动量因子完全失效。第二步，检查计算逻辑。是否有代码改动引入了bug？我习惯用版本控制管理因子计算代码，每次改动都记录在案，方便回溯。第三步，检查市场环境。如果数据和代码都没问题，那可能是市场风格确实变了。这时候需要判断是暂时性失效还是永久性失效。暂时性失效可以等待恢复，永久性失效则需要剔除该因子。

4.2 大模型输出不稳定的应对策略

大模型的输出有时候会“飘”，同样的输入，两次调用可能给出不同的结果。这在量化决策中是个大问题。我的应对策略是多次采样+投票机制。对同一个输入，调用大模型5次，取出现频率最高的结果作为最终输出。如果5次结果差异太大，说明这个样本本身模糊性高，直接丢弃不用。

另外，温度参数设置也很关键。做信息提取时，我把温度设为0，让输出尽可能确定。做创意生成时，温度设为0.7，让输出更多样。这个参数一定要根据任务类型调整，不能一套参数用到底。

4.3 回测与实盘差异过大的排查清单

回测和实盘差异大，是每个量化交易者都会遇到的问题。我整理了一份排查清单，按优先级排序：

4.4 策略容量与资金规模匹配

策略容量是指一个策略能容纳的最大资金量。很多策略在小资金时表现很好，资金一大就失效，因为交易冲击成本会吃掉收益。我通常用以下方法估算策略容量：计算持仓股票的平均日均成交额，策略容量大约是这个值的5%到10%。比如持仓股票平均日成交额是2亿，那策略容量大约在1000万到2000万之间。

如果资金规模超过了策略容量，有几个解决办法。第一，降低调仓频率，减少交易冲击。第二，增加持仓股票数量，分散交易。第三，把大单拆成小单，用算法交易分批执行。第四，开发多个低相关性的策略，把资金分散到不同策略上。

5. 一些踩坑之后的真心话

做量化策略这几年，最大的体会是：模型和因子都是工具，真正决定成败的是对市场的理解和风险控制。我见过太多人沉迷于调参和堆因子，却忽略了最基本的逻辑——这个因子为什么有效？它在什么市场环境下会失效？如果市场环境变了，我该怎么办？

大模型确实给量化策略带来了新的可能性，尤其是在处理非结构化数据方面。但它不是万能的，不能替代对市场的深入思考。我的建议是：把大模型当成一个高效的助手，而不是一个全能的预言家。它帮你处理信息、生成思路，但最终的决策逻辑和风险控制，必须掌握在自己手里。

还有一个很实际的建议：不要追求完美的策略，追求可解释、可迭代的策略。一个夏普比率1.2但逻辑清晰的策略，远比一个夏普比率2.0但完全看不懂的黑箱策略更有生命力。因为前者你可以持续优化，后者一旦失效你连问题出在哪都不知道。

最后分享一个小技巧：我习惯每周写一份策略周报，记录本周的收益、回撤、因子表现、以及市场环境的变化。这份周报不对外发布，纯粹是给自己看的。坚持了两年多，回头翻看的时候，能清晰地看到自己的认知迭代过程，也能发现很多当时忽略的规律。这个习惯，比任何单一的技术手段都更有价值。