AI量化交易从因子挖掘到高频策略的智能化量化交易的竞争本质上是信息处理效率的竞争。当基本面因子、价量因子被挖掘得越来越充分人工构造因子的边际收益持续下降机器学习成了新的突破口从海量数据里自动发现非线性规律用模型替代人的经验直觉。但这条路坑也极多——金融数据的信噪比低得惊人过拟合的回测曲线比股市里的韭菜还多。本文梳理 AI 在量化链路各环节的真实用法和工程陷阱。因子挖掘从手工构造到自动搜索传统多因子体系靠研究员手工构造因子再用 IC 检验筛选。AI 介入后有两条主流路线符号回归与遗传规划把因子表达为算子树如rank(delta(close,5)) / std(volume,20)用遗传算法在表达式空间里进化搜索。开源项目 AlphaGen 用强化学习替代遗传算法做算子组合效率更高挖出的量价因子在 A 股数据上能达到不错的 IC 水平。端到端深度学习干脆放弃显式因子让模型直接从原始行情序列学习表征。LSTM、GRU 处理时序Transformer 捕捉长程依赖近年还有用 Mamba 这类状态空间模型做行情建模的尝试。缺点是解释性差风控合规难交代。实战建议两条路线可以并行——符号方法产出可解释因子入库深度模型作为黑盒 Alpha 单独跑小仓位两者相关性低组合起来更稳。收益预测模型的工程现实学术界爱卷模型结构工业界真正拉开差距的往往是数据处理和训练范式。几个关键点标签设计直接预测未来 N 日收益噪声太大常用分位数标签把收益转成截面排名、三分类涨/平/跌或风险调整后收益。样本权重近期样本权重调高应对市场风格漂移极端行情样本可以单独加权或剔除。截面归一化A 股几千只股票量纲差异巨大特征必须在每个交易日做截面 rank 或 z-score否则模型学到的是股票身份而不是规律。集成与平滑单模型预测噪声大用多个不同种子、不同窗口的模型集成再对预测分数做时序平滑换手率和回撤都会改善。代码实战LightGBM 截面因子模型树模型LightGBM/XGBoost至今仍是量化收益预测的主力——训练快、对特征尺度不敏感、输出特征重要性便于归因。一个最小示例import lightgbm as lgb import pandas as pd # factor_df: index(date, stock)列为因子值 # label: 未来5日收益的截面分位数0~1 def train_alpha(factor_df: pd.DataFrame, label: pd.Series, train_end: str, valid_end: str): feats factor_df.columns.tolist() train_mask label.index.get_level_values(0) train_end valid_mask (label.index.get_level_values(0) train_end) \ (label.index.get_level_values(0) valid_end) params { objective: regression, learning_rate: 0.03, num_leaves: 63, feature_fraction: 0.7, bagging_fraction: 0.8, bagging_freq: 5, lambda_l2: 10.0, verbose: -1, } dtrain lgb.Dataset(factor_df[train_mask], label[train_mask]) dvalid lgb.Dataset(factor_df[valid_mask], label[valid_mask], referencedtrain) model lgb.train(params, dtrain, num_boost_round2000, valid_sets[dvalid], callbacks[lgb.early_stopping(100)]) return model # 每日推理model.predict(当日因子) 得到分数取 Top N 构建组合注意这里的时间切分必须严格按日期绝不能随机打乱——随机切分会让未来信息泄漏进训练集回测好看到离谱实盘直接崩盘。高频与执行环节的强化学习在中低频选股之外AI 在高频领域另有打法。做市策略里强化学习PPO、DQN用来学习在什么价位挂单、挂多少、何时撤单目标是最大化价差收入同时控制库存风险。执行环节的智能算法单用 RL 优化 TWAP/VWAP 的拆单节奏已经在不少券商实盘运行。高频场景对延迟极度敏感模型推理通常要编译到 FPGA 或用 C 重写Python 只负责离线训练。传统量化 vs AI量化对比| 维度 | 传统量化 | AI量化 | |------|---------|--------| | 因子来源 | 人工构造经济学含义明确 | 自动搜索/端到端学习 | | 规律假设 | 线性或简单非线性 | 复杂非线性、交互效应 | | 解释性 | 强便于归因和合规 | 弱黑盒风险高 | | 主要风险 | 因子拥挤、失效 | 过拟合、分布漂移 | | 基础设施 | 因子库回测框架 | 加特征平台、GPU 训练、模型管理 |