社区

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。

class StrategyTemplate:

def __init__(self,name,params):

self.name=name

self.params=params

def signal(self,df):

pass

动量策略：

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：

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：

import itertools

windows=[10,20,30,50,100]

params=[{"window":w} for w in windows]

批量生成策略：

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：

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：

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。

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：

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：

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：

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）