前言接触过 AI 量化的朋友大概率都试过一个经典操作把股票近一年的行情数据喂给大模型问一句 “明天会涨还是会跌”然后照着答案交易。 这恰恰是 AI 量化最容易踩的坑。原因非常直白短期涨跌预测本质上不存在稳定的信息优势 —— 无论是传统统计模型、机器学习还是大语言模型都很难在 “次日涨跌” 这个问题上持续跑赢市场。但大模型就没用了吗当然不是。只是要用对地方方向错了它就是高成本的掷硬币机器方向对了它完全可以成为一名出色的量化风控官。本文要分享的核心思路就是不预测涨跌只评估风险。让大模型读取不同市场状态下的历史表现替你完成 “该满仓还是该降仓” 的仓位决策。一、先把问题问对从 “赌方向” 到 “管风险”很多量化策略失效根源不是模型能力不够而是从一开始就问错了问题。“明天涨还是跌” 是一个典型的方向性预测问题在有效市场环境下几乎没有模型能长期稳定地给出正确答案。但如果我们把问题换一种问法性质就完全变了“基于这只标的过去三年在每种市场状态下的表现当前的市场状态应该满仓参与还是降低仓位控制风险”前者赌的是方向对错后者管的是风险大小。这正是这套策略的核心出发点让大模型读取一张历史状态统计表输出每种市场状态对应的仓位建议仓位范围严格锁死在50%100%之间 —— 不做空、不加杠杆只做经过历史校准的、感知市场状态的动态仓位管理。这就像一名经验丰富的风控官他从来不纠结 “明天会不会涨”他只关心 “万一不涨我最多亏多少”。二、三层架构从行情数据到仓位输出的完整流水线整个策略可以拆解为三层独立、可替换的模块形成一条从数据到决策的标准化流水线每层各司其职第一层数据输入与分桶翻译层这一层的核心是 “把价格语言翻译成人话”。 输入原始的 OHLCV 行情数据加工生成 7 个核心技术信号再进一步归并为约 12 种人类可读的市场状态比如 “平静上升”“超买震荡”“缩量回调” 这类具象化的描述。它的作用是把抽象的价格波动转化为模型和人都能理解的场景标签解决 “市场现在是什么情况” 的问题。第二层统计与决策决策层这一层是策略的大脑核心是 “基于历史定仓位”。 每月更新一次统计维度计算每一种市场状态对应的历史收益、标准差、年化夏普近似值把这张统计结果表交给大模型让它站在风控官的视角为每种状态匹配最优的仓位比例。这一层解决的是 “这个情况该下多少注” 的问题所有决策都基于历史数据而非主观预判。第三层风控硬性护栏安全层这一层是策略的保险丝核心是 “极端情况别玩崩”。 当市场波动率短期飙升、或者策略回撤超过预设阈值时直接触发硬性规则强制将仓位降到 0同时内置重新入场机制当风险释放后逐步恢复仓位避免策略被长期锁死在空仓状态。一句话总结三层逻辑第一层负责看清市场第二层决定仓位轻重第三层守住风险底线。三、两个被低估的细节决定策略的长期稳健性这套框架之所以能穿越不同市场环境有两个很容易被忽略的设计细节是它稳健性的核心1. 阈值是 “动态” 的不是固定的风控的波动率阈值用的是滚动 252 天的波动率中位数而不是一个拍脑袋定死的固定数值。市场永远在变化牛市的波动率中枢和熊市完全不是一个量级死板的固定阈值迟早会失效 —— 要么在低波动时代过度敏感要么在高波动时代形同虚设。滚动中位数的设计能让风控护栏自动跟随行情调整自适应不同的市场阶段。2. 状态是 “人话”不是机器标签所有市场状态的描述都刻意做成了自然语言的形式而不是冰冷的数字标签。只有这样大模型才能调用它学到的金融常识与市场规律真正理解 “在成交量萎缩、超买的上升趋势里历史上通常意味着什么风险”进而给出更符合逻辑、更泛化的仓位决策。 简单来说让模型先看懂人话它才能干对人事。四、构建状态统计表卡死未来函数这条回测红线想让大模型给出靠谱的仓位建议前提是喂给它的历史统计足够严谨。这里有一个量化回测的经典大坑 ——未来函数偏差也是很多策略回测好看、实盘失效的核心原因。规避方案强制加一天滞后这套框架里的标准做法是用「昨日的市场状态」去对应「今日的收益」。 确保在做统计计算的时候永远不会用到未来的行情信息。这是回测的红线写起来很简单但实际开发中非常容易忽略一旦养成错误习惯整套策略的回测结果就毫无参考价值。核心评价指标sharpe_like历史状态统计表的核心指标是sharpe_like年化夏普近似值某个状态历史上风险收益比越优该值为正且越大风险收益比越差该值越小甚至为负。同时整张表按样本量从大到小排序样本量不足的市场状态会直接标记为 “数据太少不值得赌”不参与仓位决策避免小样本带来的统计偶然性。写在最后传统量化总在追求 “预测准”但真实市场里短期涨跌本就不可预测。这套风控思路的本质是放弃对高收益的执念转而追求风险的可控性 —— 让大模型做它擅长的归纳、评估、风控而不是强求它做不擅长的预测。下篇我们会继续拆解这套策略的具体代码实现以及回测中的更多细节处理。量化投资的核心从来不是赚最多的钱而是在可控的风险里赚长期稳定的钱。投资有风险入市需谨慎。