整合个人量化系统

一套个人量化系统至少可以分成六层：

• 数据层：接收行情、财报、公告、行业和事件数据，输出统一字段、时间和来源；
• 信号层：把价格、成交量和因子变成带时间和依据的候选信号；
• 研究层：根据数据、资料和问题生成报告、候选、情景和缺口；
• 策略层：规定标的、参数、仓位、入场、退出和成本；
• 风控层：检查账户、订单、行情和风险预算，给出通过、限制、拒绝或暂停；
• 执行与复盘层：处理已确认指令、成交、持仓、日志、绩效和归因。

例如研究层可以建议关注一只股票，策略层判断它是否符合规则，风控层判断现在是否允许，最后才由执行层处理订单。自然语言评价不能越过这些检查。

客户端内运行策略、外部 Python 接口、行情权限和交易权限，是不同层面的事情。QMT、MiniQMT、券商审批和政策限制，都要向实际服务方核实，不能把没有正式文件、日期和适用范围的传闻当成当前规则。

核实表至少写清：操作系统和架构、客户端与 Python 版本、能取哪些数据及历史范围、调用频次、账户和交易品种、模拟与实盘权限、程序化交易要求、费用、权限到期和服务中断处理。

能拉到行情，只能证明一次数据调用成功，不能证明下单、撤单、成交查询和账户权限都可用。股票账户和期货账户也不能混为一谈。行情授权不等于交易授权，任何封号、交易保权或审批结论都要留存正式依据。

不要用“买一笔便宜 ETF 就能保住权限”这类没有规则依据的操作建议。真实交易测试必须有明确授权、已核实条件和可回退方案。

数据来源可以替换，但上层策略不应因此全部重写。给数据层定义统一接口，把代码、市场、时间戳、复权、单位和空值转换后，再写入内部表。

数据范围可以包括日 K、财报、月度宏观、日度利率、新闻、研报、财经日历、ETF 和板块数据。最终表名和字段要以字段字典与真实结构为准。行情表至少区分证券代码和交易所、日期时间、开高低收、成交量、成交额、复权口径及来源；财务表区分报告期和公告日期；事件资料保存发布时间、抓取时间和原链接。

市场报价、积分和频次上限会随来源、套餐和时间变化。比较数据源时分别测覆盖、延迟、限额、稳定性、价格和授权用途，别人报的数字也不能直接当成你今天的预算依据。

ETF 有自己的证券标识、价格精度、最小变动单位和数量要求，不能把股票规则直接套上去。双均线、MACD、动量、反转和多因子可以作为研究起点，但 ETF 还要看指数构成、跟踪误差、折溢价、流动性、申赎、跨市场时差和费用。它能分散部分个股风险，却不是“没有突发风险”。

申万 2014 与 2021 分类、东财和同花顺概念体系可能不同。记录分类供应方、版本、有效日期和成员变更。把新版行业成员套到过去回测，和用新版做今天研究，是两件事。行业、概念、区域可以同时存在，但要标明各自定义。日、周、月动量和一阶、二阶变化也要先写公式；图上的加速或减速只是观察，不代表已经确认顶部或底部。

十只股票组成的是自建组合或合成指数，不是可以在交易所直接成交的 ETF。组合净值要根据持仓数量、价格、现金、调仓和成本计算。不能把各股票最高价直接加权，当成组合当天真实最高价，因为它们的最高价可能发生在不同时间；真实执行仍需分别交易成分股，或选择真实存在的基金产品。

量比可以观察活跃度。比如量比大于 5 或 10，可以作为筛选条件，但放量既可能伴随趋势，也可能伴随分歧和转折。你要先定义量比基准、时间窗口和数据频率，不能只凭“大于某值”买入。

简单规则容易解释和复核；复杂多因子任务再考虑 XGBoost 等模型。用 IC、分组表现和样本外结果评估因子，同时检查方向、稳定性、成本和相关性。IC 为负，可能提示反向关系，但不能看见负号就自动反转成有效策略。

成交量本身不能告诉你真实主力的持仓比例或是否埋伏。没有可靠标签，监督学习不能凭空识别真实身份，强化学习也不能自动解决不可观测问题。可以改成观察放量、价格推进、成交集中度或后续收益等可观测代理指标，并明确它们不等于真实主力持仓。

增加概念、机构调研、约 45 个因子、资金流和龙虎榜，只说明模块变多。每一项都要核查来源、更新时间、定义和可测试性。

事件分析可以按四步走：先核实事件，再列出政策、订单、供给和估值的传导路径，接着查企业真实业务与价格是否已经反映，最后写出正反情景和失效条件。

例如把“谈判缓和”和“谈判升级”分别列成假设，不能只讲一个方向。稀土、半导体、通信、新能源、农业、军工或海外核电映射，都要回到企业具体业务，不能把板块概念直接等同于利润。缺少出处的占比、主升或见顶判断和期货变化，不形成当前结论。

碳酸锂的手数、保证金、交易门槛和历史价格，需要按交易所、合约、账户和日期核实，不能照搬未经确认的数字。单条机构观点与价格同日变化，也不能直接证明因果。

把结果保存成观察名单：对象、事件、证据、正反情景、时点、失效条件和下一次核查任务。添加自选不等于买入，板块映射不等于利润受益。

聊天可以成为打开数据、生成计划和查看状态的入口，但计划本身要结构化。至少记录：标的、生成时间、数据截止日、持仓、成本、策略版本、入场与加仓条件、止盈止损、触发价格口径、执行比例、资金上限、失效条件、授权状态和版本。

“已确认”“已写文件”“已启用监听”“已提交订单”“已成交”是五种不同状态。系统说要保存，不等于文件真的写成功；应回读文件或数据库记录，并展示实际状态。

收益 50%、成本附近 8%、高点回撤 15% 等数字，必须先明确触发含义和优先级。成本止损可写成“现价/成本 - 1”；高点回撤可写成“现价/持有期最高价 - 1”。一个价格同时触发多项时只执行一次，避免重复委托。

all-in、上涨不加仓和允许小幅浮亏可以记录为个人偏好，但不能覆盖单股上限等硬风控。若单股上限 25% 与全仓持有冲突，系统应拒绝或要求先调整规则并记录审批。止损价也不保证成交价，跳空、涨跌停、流动性和可卖数量要由执行层处理。

策略库保存代码、规则、参数、版本和测试结果。模型可以生成或修改策略，但进入策略库前要核查接口、数据时间、成本和行为，挂到计划前还要验证版本。系统没有集成的 XGBoost、缠论、强化学习或 K 线形态，应写入开发清单，而不是假装已经具备。

因子库记录公式、频率、依赖字段、缺失处理、样本区间、IC 定义、方向和样本外表现。外部平台的因子库不能自动带来许可、数据使用权或收益保障。

个人文件夹可以沉淀交易计划、行业笔记、研究问题和已验证结论。AI 读取时，要区分历史偏好、当前约束和过时判断。资料越多不一定越好：上下文污染会让旧判断影响新问题，应该按任务选择文件，并记录来源和日期。

每次任务还要记录调用次数、输入输出量、超时重试、总成本和得到的可验证成果，不把某次模型价格或套餐描述当作当前价格。

如果你担心 AI 看见持仓后就把持仓股票排在前面，可以做一个对照实验：同一市场任务运行两次，一次不提供持仓，一次提供持仓，比较证据和排序是否变化。无偏筛选不应为了迎合持仓而改变事实。

有基本面数据，不代表模型真的使用了它。检查候选时可以看盈利连续性、经营现金流、应收、存货、负债、审计和公告。利润与现金流背离值得进一步查明，但不能只凭负经营现金流认定财务造假；国企、央企或大型公司身份也不能替代财务风险分析。

面对具体公司的风险判断，先回到可核实的财务数据和公告，不把不完整的公司名称或财务描述写成事实指控。

Windows 运行交易组件、Mac 通过局域网调用网关、使用 Windows 虚拟机，都是架构选项。要检查操作系统和处理器架构、组件支持、登录状态、网络、时间同步和权限。装上虚拟机不等于组件一定能运行。

行情查询和交易接口应分开。交易接口需要鉴权、请求编号、权限检查、重复请求处理和审计。连接断开后，先查询原订单状态再重试，避免同一意图重复下单。没有真实握手、低成本业务调用和订单生命周期测试前，状态只能写“待验证”。

分钟信号可以服务日级策略，但要写清条件何时完成、是否等日线收盘。上午不能使用当天尚未结束的完整最高价、最低价和收盘价。分钟级突破箱体是待验证信号，不足以确认日线反转。

模拟盘、券商关联、Backtrader 回测、Brinson 归因、walk-forward、研究对话和晨会流程，可以逐步加入系统。但实盘连接没有充分测试时，应保留手动授权，不能把它写成成熟交易平台。

知识链可以这样回顾：趋势、震荡和套利的收益逻辑 → AI 编程与数据 → 指标和回测 → 海龟、ATR、缠论和网格 → 多因子、机器学习与 Transformer → 绩效分析 → RAG 与研究方法 → 事件舆情与预测市场 → 执行接口 → 强化学习 → 风控 → 多角色研究 → 控制台 → 归因与持续验证。

从简单透明的策略开始，不必一次实现全部。ATR、缠论或强化学习的适用性，需要由具体任务和验证结果决定。证券板块案例中曾用约 47 只成分股、排名第十、换手约 1.25% 等当时数据演示“低估值需要催化剂”的分析框架；这些数字不构成今天的买卖结论。宏观叙事、就业、资金去向和产业共识都要有证据。