Justin Chen

量化策略开发：从研究到实盘的完整框架

Justin Chen

December 10, 2025 · 2 min read

这篇文章记录了我过去两年在量化策略开发上的探索与实践。不同于单策略的零散尝试，我构建了一个完整的框架——从因子研究到实盘部署，再到AI自动化。我想分享的不仅是技术细节，更是一种系统化的思考方式。

为什么需要完整的量化框架？

传统量化开发往往陷入这样的循环：有一个想法 → 写代码回测 → 调整参数 → 实盘 → 失效 → 重新开始。每个策略都是孤岛，经验难以沉淀，效率低下。

我意识到问题的核心在于缺乏系统化的框架。单策略思维就像手工作坊，而框架思维是建立工厂。于是我开始构建ATB（Automated Trading Backtester）——一个完整的量化研究基础设施。

六因子模型：策略的模块化分解

我将交易策略拆解为六个独立的决策因子：

Entry（入场）   → 何时开仓？
Exit（出场）    → 何时平仓？
Risk（风险）    → 承担多少风险？
Sizing（头寸）  → 开多少仓位？
SLTP（止损止盈）→ 如何保护利润/控制亏损？
Timing（时机）  → 何时执行交易？

这种分解带来了几个关键优势：

  1. 可复用性：每个因子可以独立开发、测试、优化
  2. 可组合性：像乐高一样组合不同的因子创建新策略
  3. 可解释性：策略表现可以追溯到具体因子的贡献
  4. 可维护性：修改一个因子不影响其他部分

概念示意图

┌─────────────────────────────────────────┐
│           交易策略                       │
├─────────────────────────────────────────┤
│  Entry   Exit   Risk   Sizing   SLTP   │
│  (入场)  (出场) (风险) (头寸)  (止损止盈)│
└─────────────────────────────────────────┘
         │         │         │
         ▼         ▼         ▼
   因子库A   因子库B   因子库C

示例：双均线策略的六因子分解

让我们用经典的双均线策略（金叉买，死叉卖）来具体说明六因子模型：

strategy:
  name: "dual_moving_average"
  description: "经典双均线策略 - 快速均线上穿慢速均线时买入，下穿时卖出"
  
  factors:
    # 1. Entry (入场) - 金叉信号
    entry:
      type: "crossover"
      fast_ma: 20    # 快速均线周期
      slow_ma: 50    # 慢速均线周期
      signal: "golden_cross"  # 金叉时入场
    
    # 2. Exit (出场) - 死叉信号  
    exit:
      type: "crossover"
      fast_ma: 20
      slow_ma: 50
      signal: "death_cross"   # 死叉时出场
    
    # 3. Risk (风险) - 固定百分比风险
    risk:
      type: "fixed_fractional"
      risk_per_trade: 0.02    # 每笔交易风险2%
    
    # 4. Sizing (头寸) - 基于ATR的头寸大小
    sizing:
      type: "atr_based"
      atr_period: 14          # ATR计算周期
      risk_multiplier: 1.5    # 风险乘数
    
    # 5. SLTP (止损止盈) - ATR动态止损
    sltp:
      type: "trailing_atr"
      stop_atr_multiplier: 2.0   # 2倍ATR止损
      trail_atr_multiplier: 1.5  # 1.5倍ATR跟踪
    
    # 6. Timing (时机) - 只在交易时段执行
    timing:
      type: "market_hours"
      session: "regular"      # 常规交易时段

这个示例展示了：

  1. 模块化：每个决策独立配置
  2. 可替换性：想把”固定百分比风险”换成”凯利公式”？只需修改risk部分
  3. 可解释性：策略表现可以追溯到每个因子的贡献
  4. 可测试性：可以单独测试每个因子的效果

传统写法中，这些逻辑都混在一起。六因子模型让策略变得透明、可维护、可进化。

数据中台：策略研究的基石

没有高质量的数据，再好的策略也只是空中楼阁。我构建的数据中台包含：

1. 多源数据整合

2. 数据管理与预处理

# 简化的数据管道概念
raw_data → clean → validate → store → serve

3. Gap Filling 机制

市场数据常有缺失，自动检测并填充数据缺口是保证回测准确性的关键。

回测框架：从模拟到验证

回测不只是跑个结果，而是系统的验证过程。我的框架包含：

1. 基础评估指标

2. 高级评估方法

3. 因子研究系统

独立评估每个因子的预测能力：

实盘部署：研究的落地

研究再好，不能实盘等于零。我追求的是研究代码与实盘代码的统一。

架构设计

ATB-Strategy-Tester/          # 核心引擎（研究）
    ├── atb_strategy_factory/ # 回测引擎
    └── config.yaml           # 配置文件

ATB-Simons/                   # 实盘部署
    ├── nautilus-trader/      # 统一执行引擎
    └── ibkr/                 # 券商接口

关键决策

  1. 统一代码库：回测和实盘使用相同的策略逻辑
  2. 模块化风控：独立的风控模块，可插拔到任何策略
  3. 自动化监控：实时监控策略表现和系统健康

YAML 配置驱动

策略配置完全通过YAML文件，无需修改代码：

strategy:
  name: "example_strategy"
  factors:
    entry: "trend_breakout"
    exit: "trailing_stop"
    risk: "fixed_fractional"
    sizing: "kelly_optimized"
    sltp: "atr_based"
    timing: "market_hours"
  
  parameters:
    lookback_period: 20
    atr_multiplier: 2.0
    max_position_size: 0.1

AI 自动化：研究的加速器

最近一年，我开始将AI引入量化研究流程，实现了研究速度的数量级提升。但更重要的是，完整的框架让AI能够系统化地执行整个研究流程。

1. 框架即指令集：AI的可执行蓝图

有了清晰的六因子模型、数据管道、回测框架，AI不再需要猜测”该做什么”。框架本身成为了可执行的指令集：

AI读取框架规范 → 理解每个环节的标准 → 按流程执行 → 产出标准化结果

这就像给AI一张详细的地图，而不是模糊的方向。AI可以：

2. 多Agent协作研究

我构建了一个AI agent团队，每个agent负责研究流程的不同环节：

关键洞察：每个agent都遵循相同的框架规范，确保产出的一致性。

3. 持续优化的反馈循环

人类设定目标 → AI按框架探索 → 产出结果 → 人类评估 → 反馈优化框架 → AI更高效探索

这个循环不断优化：

  1. 框架本身：根据AI的探索经验改进框架设计
  2. AI的探索策略：学习什么类型的探索更可能成功
  3. 人类-AI协作效率：找到最优的分工边界

4. 从”辅助工具”到”自主研究员”

传统AI在量化中是辅助工具（帮你写代码、分析数据）。但在完整框架下，AI可以成为自主研究员：

自主研究循环：
1. 扫描市场，识别潜在机会
2. 按框架设计候选策略
3. 回测验证，评估风险收益
4. 优化参数，生成实盘配置
5. 监控表现，自适应调整

框架的价值：让这个循环可重复、可扩展、可验证。

5. 异常检测与自适应

框架的作用：为这些自适应机制提供标准化的接口和评估标准。

结语：量化开发的未来

回顾这段旅程，我最大的收获不是某个具体策略的收益，而是构建系统的能力。量化开发正在从”手工作坊”走向”智能工厂”，而框架思维是这个转变的核心。

个人开发者的机会

机构有资源优势，但个人开发者有敏捷优势。一个精心设计的框架可以让单人团队达到小机构的研发效率。关键在于：

  1. 自动化一切可以自动化的
  2. 系统化一切可以系统化的
  3. 专注于创造性的部分，让机器处理重复的部分

框架 vs 单策略思维

单策略思维关注”这个策略能不能赚钱”，框架思维关注”如何持续产生能赚钱的策略”。前者是打猎，后者是农耕。

最后的思考

量化交易不仅是数学和编程，更是对市场本质的理解。我的框架在不断演化，但核心原则不变：模块化、自动化、系统化。

未来，我计划进一步深化AI在量化研究中的应用，探索多时间框架、多资产类别的统一框架。这条路还很长，但每一步都值得。

本文分享的是框架层面的思考与实践，不包含具体的交易信号、持仓信息或收益数据。量化交易有风险，请谨慎对待。

← Back to Blog