Ao 的知识花园

AI 量化交易循环 (AI Quant Loop)

Properties1
aliases自动化量化桌面, Minara 12步法

13分钟阅读

AI 量化交易循环 (AI Quant Loop)

AI 量化交易循环是指利用 AI 工具构建一个能够自主研究、决策并执行交易的闭环系统，将传统量化交易员手动操作的五个步骤（数据获取 → 分析 → 策略生成 → 回测 → 执行）自动化，形成无需人工实时干预的”自运转量化桌面”。Minara 是目前对这一理念落地最具体的产品实现，提供了横跨研究、策略、执行三个界面的一体化 AI 量化工作台。

Source: 2026-07-03-x-x-com-0xmovez-status-2072668933690126571-s-46（来源未公开）

Source: 2026-07-04-x-x-com-0xmovez-status-2072668933690126571-s-46（来源未公开）

核心解构：五拍解剖 (Five-Beat Anatomy)

所有量化循环都有相同的五个基本节拍：

  1. 数据输入：市场数据、链上数据、情绪信号、宏观数据
  2. 分析：结构化解读，生成可重复的研究输出
  3. 策略生成：将分析转化为带有明确进出场规则的策略规格
  4. 验证：回测 + 模拟盘确认
  5. 执行：自动化执行 + 风控边界

三大循环

Loop 1：研究循环 (Research Loop)

  • Step 01 问对问题：问能够在计划上每天自动运行的问题（而非一次性观点）。问题必须返回可重复的数据结构，而非随机意见。判断标准：“这个问题如果每天早晨自动跑一遍，还有没有价值？” 有则可调度，无则是一次性观点。
  • Step 02 深潜单一资产：跨六大数据域做全景扫描，而非单线分析。Minara 的六大数据域地图：
    • Markets：实时价格、OHLCV、ETF/宏观、财务分析
    • Onchain：钱包资产、转账记录、大户持仓、代币解锁、鲸鱼预警
    • Signals：鲸鱼动向、新闻、情绪、叙事信号、事件日历
    • Derivatives：资金费率、未平仓合约（OI）、爆仓数据、交易所流量、借币成本
    • Predictions：Polymarket 搜索、头寸、排行榜、活动数据
    • DeFi：流动性池数据、收益发现、DEX 趋势、Pendle 市场
  • Step 03 审计自己的交易：用”批评者”模式而非”赞同者”模式审核历史交易，找到系统性错误（自我验证环节）。生成策略的模型会对策略过于宽容，独立的批判性过审是最廉价的验证器。
  • Step 04 把直觉转化为论文：将研究结论提炼为带有明确进出场点位和风险参数的书面论文（Thesis），必须可量化、可执行，不允许模糊表述。只有可量化的论文才能自动化。

Loop 2：策略循环 (Strategy Loop)

  • Step 05 用自然语言提示策略：将论文用普通语言输入策略工具（Strategy Studio），生成结构化策略规格（进出场、规模、资产池）。策略有两种基本结构类型：

    • 时间序列（Time-Series）：单资产随时间演变——“这枚代币何时触发信号？“（动量、均值回归、突破）
    • 横截面（Cross-Sectional）：多资产同一时刻比较——“今日哪些代币排名靠前？“（相对强弱、轮动、配对）
    • Studio 还支持从视频、Pine Script 代码或结构化表单输入，不局限于自然语言。

  • Step 06 从模板出发：四大模板族：动量（自适应止损+波动性仓位管理）、均值回归（极端偏离+成交量确认）、套利（跨场所价差+资金费率捕捉）、配对交易（协整资产多空对冲）。

  • Step 07 附带风险的回测与因子过滤：回测需建模手续费、资金费率、借币成本和滑点；关注回撤、波动率锥、仓位集中度，而不仅是总收益。核心指标是单位风险的回报（Sharpe-equivalent），而非绝对收益。同时在因子量化闭环中执行如下数学过滤：

    • 信息系数与一致性 (IC & ICIR)：因子优化的核心得分指标为信息系数 (Information Coefficient, IC)：。为排除单次 IC 的噪声影响，循环优化的真正指标应是其时间序列上的一致性，即 ICIR：。量化循环旨在筛选出具有稳定 IC 表现的因子。
    • 半衰期衰减校验 (Half-life Decay Check)：评估因子的时效寿命，将其持续性拟合为一阶自回归 AR(1) 过程，计算信号半衰期 （ 为自回归系数）。半衰期达 50 天的因子是较慢但稳健的可交易优势，半衰期低于 2 天的因子极易被交易摩擦和噪声淹没，应自动过滤。
    • 样本外验证关卡 (Out-of-Sample Gate)：在相同历史数据上反复迭代优化只会加速对噪声的过度拟合（Overfitting）。每一个通过内测的因子必须强制接受样本外数据（Out-of-Sample）的检验，确保 ICIR 没有发生显著退化。尝试优化的次数越多，样本外验证的门槛应设得越高，否则量化循环仅是自动化的曲线拟合器。
    • [来源：2026-07-10-x-x-com-horizon_trade_x-status-2067638109416657259-s-46（来源未公开）]

  • Step 08 模拟盘验证（五关晋升门）：回测是承诺，模拟盘是收据。在真实市价数据上用同一引擎（相同手续费/滑点/风控钩子）运行，通过以下五关检验方可晋升上线：

    1. 模拟 P&L 与回测基本吻合（大幅偏离说明回测对成交过于乐观）
    2. 数据泄漏检测通过（无未来数据混入信号）
    3. 样本外依然成立（策略在未调参数据段依然有效）
    4. 最大回撤可承受（最差路径下你不会提前出局）
    5. 跨市场环境均有效（利润不集中于某个幸运月份）

Loop 3：执行循环 (Execution Loop)

  • Step 09 用 Workflow 把监控自动化：用无代码的自然语言描述”什么时候做什么事”，Minara 生成定时触发的自动研究工作流。策略不再依赖人工手动触发——量化桌面开始真正”为你守夜”。预制模板包括：Polymarket 地址监控、Polymarket 赔率监控、Copy Trade 等。
  • Step 10 先告警后行动：安全建仓原则——先让自动化赢得信任，再赋予它权限。 每个 Workflow 先以仅告警（alerts-only）模式运行一周，实时接收 Telegram/邮件通知，观察其判断与自己是否一致。确认一致后，再授权其自动执行。
  • Step 11 Autopilot 执行（Hyperliquid + 四项不可撤销风控）：验证通过的策略一键上线到 Autopilot，在 Hyperliquid 上以确定性规则执行，无裁量交易、无隐性启发。四项强制风控（不可绕过）：
    • 强制 TP/SL：每个仓位开仓时必须绑定止盈和止损，Autopilot 激活期间不可静默移除
    • 尾随止损：随仓位移动锁定利润；技术面急转时可直接市价平仓而非等止损触发
    • 账户总回撤限制：设定硬底板，账户净值触达时全部平仓——仓位止损保护单笔交易，这条保护整个账户
    • 交易范围授权：Autopilot 只触碰你预先授权的资产，以你允许的杠杆倍数运行；范围外资产留在你手中
    • 内置官方策略模板：Sharpe Guard（15分钟趋势跟踪）、Supertrend Monitor（多时间框架）、Classic Futures Grid（区间震荡）
  • Step 12 闭环复利：研究循环的输出成为策略循环的输入，策略循环的输出成为执行循环的输入。Workflow 跑出的晨间研究（Step 9）直接喂给 Chat 精炼论文（Steps 1-4），论文进入 Studio 生成策略（Steps 5-8），策略上线 Autopilot（Steps 9-11）——三循环串联后形成自增强的复利效应，12 步骤合为一个系统。

AI Trading 三大 Skill（可装入 Claude Code / Cursor）

量化研究人员常用的三个 AI Trading Skill，均已开源，可直接装进 Claude Code、Cursor 或 Codex：

Skill 1：Market Daily Review（收盘复盘助理）

  • 使用方式：收盘后说一句”复盘一下今天的市场，重点看龙虎榜和北向”
  • 覆盖7个板块：指数估值、市场宽度、行业热点、龙虎榜、大宗交易、两融、北向资金
  • 特色：延迟披露的数据会标明日期和口径，所有数据可溯源，一键安装即用
  • 定位：私人收盘助理，自动整理替代手工查看

Skill 2：Position Tracker（个股体检）

  • 使用方式：说”给000001做一份个股体检，重点看质押和解禁”
  • 调用 25+ 数据接口：覆盖公司画像、财务、资本运作、股东行为、资金面
  • 输出格式：9张全维度竞报告，质押率+解禁临近+减持计划+业绩下修等组合风险用红黄绿三档标出
  • 定位：只提示需要关注的风险，不替你下买卖结论

Skill 3：Backtest Generator（期货分析工具）

  • 使用方式：说”分析一下螺纹钢主力的席位博弈”
  • 调用 35个 deepview 接口：分析席位持仓、建仓过程、多空比、基差期限结构、仓单库存
  • 安全机制：调用前核对参数和交易日；输出时把客观事实与分析推断分开，减少数据错位产生的尾信号

核心价值：以前需要自己找数据、查接口、拼报告——现在把问题说清楚，剩下的交给 AI。这体现了 dashboard-philosophy 的核心：用 Agent 动态拉取数据，而非维护静态看板。

Source: 2026-07-06-xiaohongshu-xhslink-com-o-9qrFip0Ft4p（来源未公开）

与现有框架的关联

  • 这是 loop-engineering 在量化交易领域的具体实践：研究 → 策略 → 执行的三层嵌套循环
  • 类似于 agentic-systems 中 Orchestrator + Sub-agent 的分层架构——Workflow 是 Orchestrator，各数据域分析是 Sub-agent
  • 与 ai-hedge-fund 中描述的 AI 量化基金模式高度吻合，只是聚焦在工具层面的落地路径
  • 核心风险管理哲学（回撤优先于收益）与 quantitative-trading 的系统性交易原则一致

关系图谱

反向链接