书接上回，上篇我们拆解了 AI 量化策略的三层核心骨架，完成了带缓存机制的行情数据模块搭建。本篇我们进入策略的核心环节：特征工程 与大模型决策表构建，手把手带你把原始行情转化为大模型可理解的市场语言，并通过精准的提示词设计，约束大模型输出稳定可执行的策略决策。
一、特征工程：把行情翻译成大模型能懂的语言
特征工程是连接原始行情与 AI 决策的桥梁。我们从最基础的价格数据出发，提取 7 类核心市场特征，覆盖收益、波动率、趋势、动量、趋势基准多个维度，为大模型提供充足的决策依据。
完整特征工程代码
bash
feat = df.copy()
# 1. 日对数收益率 - 所有量化指标的计算基石
feat['ret'] = np.log(feat['close'] / feat['close'].shift(1))
# 2. 年化已实现波动率（20日滚动窗口）
feat['vol'] = feat['ret'].rolling(VOL_WIN).std() * np.sqrt(252)
# 3. 趋势得分：滚动均值 / 滚动标准差，衡量趋势强度与稳定性
rmean = feat['ret'].rolling(RET_WIN).mean()
rstd = feat['ret'].rolling(RET_WIN).std()
feat['trend'] = (rmean / (rstd + 1e-12)).clip(-5, 5)
# 4. 价格Z-score：当前价格相对于自身长期均值的偏离程度
ma = feat['close'].rolling(ZSCORE_WIN).mean()
sd = feat['close'].rolling(ZSCORE_WIN).std()
feat['z'] = ((feat['close'] - ma) / (sd + 1e-12)).clip(-6, 6)
# 5. 63日动量：近3个月累计收益
feat['mom63'] = feat['ret'].rolling(63).sum()
# 6. 短期波动率（5日滚动）
feat['vol5'] = feat['ret'].rolling(5).std() * np.sqrt(252)
# 7. 50日均线：中期趋势基准
feat['ma50'] = feat['close'].rolling(50).mean()
# 去除空值，保证后续计算有效
feat = feat.dropna()特征设计逻辑说明
- 日对数收益率：所有量化指标的计算基础，相比简单算术收益率更符合统计学特性，是波动率、动量、趋势类指标的统一输入。
- 双波动率维度：同时保留 20 日中期波动率与 5 日短期波动率，既可以捕捉波动率的中长期水平，也能识别短期波动率突变。
- 趋势得分：用收益均值除以同期标准差，兼顾趋势方向与波动稳定性，避免单边暴涨暴跌带来的虚假趋势信号。
- 价格 Z-score：衡量当前价格在历史区间中的相对位置，识别价格偏离均值的程度，辅助判断超买超卖状态。
- 63 日动量：对应约 3 个月的交易周期，捕捉 A 股市场常见的中期动量效应。
拓展建议：你可以引入更多技术指标丰富特征库，比如通过
ta-lib库添加 RSI、MACD、布林带等。特征维度越丰富，大模型的决策依据就越充分。
二、构建大模型策略决策表
特征工程完成后，我们需要基于历史状态统计，让大模型输出对应每种市场状态的决策，形成可复用的策略表。
第一步：状态统计计算
首先计算每个市场状态对应的历史收益分布，作为大模型决策的统计依据。这里有一个关键设计：所有统计计算使用一日滞后，也就是用 T-1 日的特征对应 T 日的收益，从根源上避免未来函数偏差，保证策略逻辑在实盘环境中可复现。
第二步：大模型提示词设计
提示词是 AI 量化策略的核心，直接决定了大模型输出的质量与稳定性。我们需要精准框定模型的角色、任务边界与输出格式，避免模型自由发挥偏离策略目标。
以下是经过优化的系统提示词模板：
bash
system_prompt = """
你是一个针对A股{symbol}({symbol_name})的纯多头风险管理策略决策者。
你的任务不是预测明天的涨跌方向。
你的任务是评估每个市场状态是否蕴含较高的下行风险，从而需要调整持仓水平。
对每个市场状态，输出 LONG（保持持仓）或 FLAT（降低持仓）。
- 当风险收益状态明确为正或中性时，使用 size 1.0
- 当状态略为正但存在不确定性时，使用 size 0.5
- FLAT = 预期回报明显为负或下行风险很高，仅在证据明确时谨慎使用
默认偏向：LONG。大多数状态应为 LONG。
绝不输出 SHORT。
仅返回严格的JSON格式，示例如下：
{"policy": [{"state": "状态标识", "action": "LONG|FLAT", "size": 0.5|1.0}]}
"""提示词设计的三条核心原则
1. 显式重构任务边界
先明确告诉模型「不该做什么」，再说明「该做什么」。大模型对任务边界高度敏感，如果不明确禁止涨跌预测，模型很容易滑入方向预测模式，偏离风险管理的核心目标。
2. 设定默认行动偏向
明确要求「默认偏向 LONG，大多数状态应为 LONG」。这一设计抵消了大模型在不确定场景下天然保守的倾向。在具有长期正漂移的 A 股纯多头策略中，长期空仓本身就有很高的机会成本。
3. 严格输出格式约束
要求模型输出严格的 JSON 格式，并给出精确的字段 schema。配合代码中的重试机制，可以有效避免模型输出解释性文字、口语化内容，保证策略表可以被程序自动解析执行。
三、AI 量化策略的核心设计逻辑
很多人对 AI 量化有误解，觉得关键在于模型能不能精准预测涨跌。实际上，AI 量化的核心从来都不是预测，而是约束。
LONG_FULL_EXP、LONG_HALF_EXP、FLAT_EXP三个常量，把大模型的定性判断翻译成可执行的持仓水平，是 AI 决策落地的核心桥梁。- 前复权行情数据，保证所有特征计算不会被除权缺口污染，从数据源端保证信号质量。
- 一日滞后的统计设计，切断未来函数，让历史统计结论可以平移到实盘环境。
- 严格 JSON 输出 + 重试机制，保证策略表可以稳定解析，不会因为模型输出格式波动导致策略中断。
任何一个环节放松要求，AI 带来的都不是效率提升，而是隐性的逻辑风险。
策略表构建完成后，建议先统计信号分布、持仓切换频率与解析失败率，确认模型既没有退化成只会单边看多的 "复读机"，也没有因为过度谨慎而长期低持仓，再进行后续的优化与迭代。
投资有风险，入市需谨慎，本文仅做教学，不做投资建议。