如何开通基于 AI 打造的 A 股量化策略（上）：三层策略骨架与代码落地

前言

在大模型技术全面渗透的当下，将 AI 能力融入 A 股量化交易已经成为提升策略效率的核心方向。无需复杂的金融工程背景，借助大模型的语义理解与决策能力，普通人也能搭建出可落地的量化交易体系。

本文分上下两篇，带你从零实现一套AI 驱动的 A 股量化策略。上篇重点拆解策略的三层核心架构、参数配置体系，以及带缓存机制的行情数据模块；下篇将进入特征工程、大模型决策接口与风控模块的完整代码实现。

---

一、策略的三层核心骨架

整套策略遵循「市场识别 → 仓位决策 → 风控纠错」的经典量化框架，拆分为三个职责清晰、可独立优化的层级：

Layer 1：特征工程与市场状态分频

这是策略的感知层，负责把原始行情数据翻译成大模型能理解的结构化 "市场语言"。

• 输入：原始 OHLCV 日线行情（开盘、最高、最低、收盘、成交量）
• 处理：提取 7 类核心市场信号，最终划分出 12 种典型市场状态
• 价值：将非结构化的价格序列，转化为大模型可识别的标准化状态输入

Layer 2：月度策略与仓位决策

这是策略的决策大脑，由大模型担任核心决策引擎。

• 输入：Layer1 输出的市场状态分类 + 历史状态收益统计
• 处理：大模型评估每种市场状态的风险收益比，输出对应仓位等级
• 输出：对应当前市场状态的基础仓位建议

Layer 3：硬性风控护栏

这是策略的安全底线，在 AI 决策的基础上叠加规则化风控，应对极端黑天鹅行情。

• 输入：LLM 输出的基础仓位 + 实时波动率 / 策略回撤数据
• 处理：叠加波动率止损、回撤止损、冷静期、强制重新入场等规则
• 输出：最终可实盘执行的实际仓位

三层架构既保留了大模型决策的灵活性，又通过规则化风控锁住了极端下行风险，是 AI 量化策略落地的成熟范式。

---

二、核心参数配置详解

策略所有核心参数集中管理，方便后续调优、回测与实盘切换。以下按模块逐一说明：

1. 基础配置与策略模式

# ==================== 策略模式 ====================
POLICY_MODE = 'llm'  # 可选：'rule'=确定性规则基准；'llm'=大模型驱动策略

# ==================== 基础数据配置 ====================
SYMBOL = '******'          # 标的股票代码
SYMBOL_NAME = 'xxxx'       # 标的股票名称
START_DATE = '2016-01-01'  # 历史回测起始日期
END_DATE = '2026-07-20'    # 回测/数据截止日期
OOS_START = '2024-01-01'   # 样本外测试起始时间

# 本地化行情缓存配置
DATA_CACHE_FILE = 'data_cache_xxxxx.csv'  # 本地行情CSV缓存文件路径
REQUEST_DELAY = 3.0                        # akshare接口请求间隔（秒），避免限流

2. 训练与特征工程参数

# ==================== 滚动训练配置 ====================
TRAIN_YEARS = 3               # 滚动训练窗口长度（年）
OPT_FREQ_MONTHS = 1           # 风控护栏参数优化频率（每月一次）

# ==================== 特征工程窗口参数 ====================
VOL_WIN = 20                  # 波动率计算滚动窗口
RET_WIN = 20                  # 趋势得分计算滚动窗口
ZSCORE_WIN = 252              # Z-score标准化滚动窗口（约1年交易日）
Z_EDGE = 1.0                  # Z-score状态分桶阈值

3. 交易成本配置

# ==================== A股交易成本 ====================
COST_BPS = 5.0                # 单向综合佣金+印花税成本（万2.5双向+千0.5卖出）
SLIPPAGE_BPS = 2.0            # 滑点估算
TC_BPS = COST_BPS + SLIPPAGE_BPS  # 总单向交易成本 = 7bps

4. 波动率目标与仓位映射

这部分是 AI 决策落地为实际仓位的核心桥梁。

# ==================== 波动率目标控制 ====================
USE_VOL_TARGET = True         # 是否开启波动率目标控制
TARGET_VOL = 0.30             # 组合年化波动率目标（适配A股高波动特性）
MAX_LEVERAGE = 1.0            # 最大杠杆限制，默认无杠杆

# ==================== LLM持仓映射规则 ====================
LONG_FULL_EXP = 1.0    # LLM判断强烈看多 → 持有100%仓位
LONG_HALF_EXP = 0.8    # LLM判断温和看多 → 持有80%仓位
FLAT_EXP = 0.5         # LLM判断中性/谨慎 → 持有50%仓位

设计细节 ：FLAT_EXP 设为 0.5 而非 0.0 是刻意设计。当大模型表达谨慎态度时，策略是降低仓位 而非全部清仓，保证模型不确定时仍能参与市场长期正期望漂移，避免踏空风险。

5. 风控护栏参数

# ==================== Guardrail风控护栏 ====================
VOL_STOP = 0.50               # 波动率止损阈值（年化）
DD_LIMIT = 0.15               # 最大回撤止损阈值
COOLDOWN_DAYS = 5             # 止损后冷静期天数
MAX_FLAT_DAYS = 10            # 最长空仓天数，到期强制重新入场
REENTRY_SIZE = 1.0            # 重新入场时的初始仓位大小

---

三、行情数据获取模块（带本地缓存）

数据是一切量化策略的基础。这里基于 akshare 实现 A 股日线前复权数据获取，并加入本地 CSV 缓存机制，既避免重复请求触发接口限流，又能大幅提升回测速度。

模块设计思路

1. 缓存优先：优先读取本地 CSV，数据覆盖目标区间则零网络请求
2. 自动补全：本地缓存不足时，自动在线拉取并更新本地缓存
3. 异常降级：接口请求失败时，自动回退到已有本地缓存
4. 限流保护：每次请求前内置等待时间，规避反爬限制

完整代码实现

import akshare as ak
import pandas as pd
import numpy as np
import os
import time

# 请求间隔(秒)，防止触发反爬限流
REQUEST_DELAY = 3.0
# 本地行情缓存文件
DATA_CACHE_FILE = 'data_cache_******.csv'


def download_data_akshare(symbol, start_date, end_date, cache_file=DATA_CACHE_FILE):
    """
    使用akshare获取A股日线前复权数据，带本地CSV缓存机制
    
    缓存策略:
    1. 先检查本地CSV是否存在
    2. 若存在且数据日期覆盖所需范围 → 直接读取本地文件
    3. 若不存在或范围不足 → akshare在线获取 → 写入本地CSV
    4. 请求前休眠REQUEST_DELAY秒，防止触发反爬机制
    """

    # ------------------- 1. 检查本地缓存 -------------------
    if os.path.exists(cache_file):
        print(f"[缓存命中] 检测到本地数据文件: {cache_file}")
        df_cached = pd.read_csv(cache_file, index_col=0, parse_dates=True)
        df_cached = df_cached.sort_index()
        cache_start = df_cached.index[0].strftime('%Y-%m-%d')
        cache_end = df_cached.index[-1].strftime('%Y-%m-%d')
        print(f"本地数据范围: {cache_start} ~ {cache_end}, 共{len(df_cached)}条")

        # 校验缓存是否覆盖目标日期范围
        if df_cached.index[0] <= pd.to_datetime(start_date) and \
           df_cached.index[-1] >= pd.to_datetime(end_date):
            print("缓存数据覆盖所需范围，直接使用本地文件，无需联网请求。")
            return df_cached
        else:
            print("缓存数据不覆盖所需范围，将重新获取全量数据...")

    # ------------------- 2. akshare在线获取 -------------------
    print(f"[在线获取] 使用akshare获取 {symbol} 前复权日线数据.")
    print(f"请求间隔 {REQUEST_DELAY}s，请耐心等待..")
    try:
        start_fmt = start_date.replace('-', '')
        end_fmt = end_date.replace('-', '')
        time.sleep(REQUEST_DELAY)  # 请求前等待，避免触发限流
        df = ak.stock_zh_a_hist(
            symbol=symbol,
            period="daily",
            start_date=start_fmt,
            end_date=end_fmt,
            adjust="qfq"  # 前复权处理
        )
    except Exception as e:
        print(f"akshare接口获取失败: {e}")
        # 在线获取失败时，回退到本地已有缓存
        if os.path.exists(cache_file):
            print(f"→ 回退使用本地缓存文件: {cache_file}")
            return pd.read_csv(cache_file, index_col=0, parse_dates=True).sort_index()
        return None

    # 空数据校验
    if df is None or len(df) == 0:
        print("未获取到任何行情数据，请检查股票代码或日期范围是否正确。")
        return None

    # ------------------- 3. 数据清洗与格式化 -------------------
    # akshare默认返回中文列名，统一改为英文便于后续代码处理
    df = df.rename(columns={
        '日期': 'date', '开盘': 'open', '收盘': 'close',
        '最高': 'high', '最低': 'low', '成交量': 'volume'
    })
    df['date'] = pd.to_datetime(df['date'])
    df = df.set_index('date').sort_index()
    # 只保留核心行情字段
    df = df[['open', 'high', 'low', 'close', 'volume']]

    # ------------------- 4. 写入本地CSV缓存 -------------------
    df.to_csv(cache_file)
    print(f"[缓存写入] 数据已保存至本地: {cache_file}")
    print(f"共{len(df)}个交易日，数据范围：{df.index[0].date()} ~ {df.index[-1].date()}")

    return df

重要提醒 ：adjust="qfq"（前复权）是不可修改的核心配置。如果不进行复权处理，送转股、除权日会出现虚假的价格跳空，直接导致所有下游指标、回测结果失效。

---

投资有风险，入市需谨慎。本文仅做教学，不做任何投资建议。