个人 A 股量化系统机构级 60 分 Baseline 技术选型设计：从聚宽研究到 QMT 实盘（2026-07-22）

本文把LEAN 60 行骨架继续向前推进：不再只解释模块，而是为一个个人、A 股、日频、先聚宽回测与模拟、后迁移 QMT 实盘、预计持续演进 3—5 年的系统，做一套可以验收的 Baseline 技术选型。

需求来自这次完整讨论。资料与交易规则核验日为 2026-07-22。

[!warning] 使用边界 “机构级 60 分”描述的是研究与生产链条的完整度，不是收益率，不表示已获得机构数据、私有 Alpha、席位、低延迟基础设施或风控审批，也不构成投资建议。纸面设计只有在每一项验收证据出现后才真正得分。

一页结论

最合适的答案不是挑一个“最强平台”，而是建立一个小而完整的组合栈：

角色	V1.0 选型	为什么
架构语言	LEAN 式稳定接口	把预测、目标仓位、订单、成交明确分开；以后替换模型或券商时不重写全系统
数据底座	授权的聚宽/JQData 数据适配器 + Parquet + DuckDB	当前 A 股适配最好，同时避免策略永久锁死在平台内部
研究与模型	Qlib 工作流 + LightGBM 主模型 + Ridge 线性挑战者	适合中等规模表格因子；训练、记录和组合实验链成熟；保留简单模型作为过拟合警报
标的池	按当时成分还原的中证 500 + 可交易性过滤	在横截面宽度、流动性和个人执行难度之间取中间值
风险	行业 + 透明风格因子模型，协方差收缩，特异风险	比“只看止损”完整，也比直接购买或复制商业 Barra 更可审计
成本	日期版本化显性费率 + 半价差 + 参与率/波动冲击	成本同时进入回测、优化与成交后校准，不再用一个固定滑点掩盖容量问题
组合	CVXPY 连续受约束优化 + 取整/离散 repair	显式权衡 Alpha、风险、换手与成本；持股数、最低佣金和交易单位不伪装成连续凸约束
执行	QMT/XtTrader 适配器 + Guarded TWAP/POV 状态机	日频不需要追求微秒，但必须正确处理异步回报、部分成交、撤单重报和对账
评估与追踪	Qlib Records + 自有账本 + 本地 MLflow + Git/data manifest	一次结果能追溯到代码、配置、数据、模型、订单和成交
当前平台分工	本地为事实源；聚宽做独立回测/模拟；QMT 做实盘	研究、验证和实盘各用其所长，业务核心不依赖平台专有回调

可以把它浓缩成一句话：

LEAN 定合约，Qlib 做研究，聚宽做第二引擎验证，QMT 做真实订单；本地的版本化数据、组合决策和账本才是系统事实源。

V1.0 的目标设计分约为 66/100。它刚好高于 60，而不是假装达到 90：数据供应仍非双源，成本冲击主要靠代理变量，风险模型尚未经过多年实盘校准，执行也没有交易所级逐笔队列模型。

一、先把“60 分”定义清楚

1. 60 分不是平均分，而是“分数 + 硬门”

系统总分由七个维度加权，但必须同时通过十道硬门。这样不能靠一个漂亮的回测 Sharpe 抵消数据泄漏，也不能靠代码整洁抵消实盘无法对账。

评分维度	权重	60 分层级应有的证据
数据与时点正确性	15%	PIT 数据、成分股历史、退市样本、公司行动、字段可用时间、版本与质量报告
研究与样本外验证	15%	时间顺序切分、标签重叠 purge/embargo、walk-forward、成本后结果、多市场状态
风险与组合构建	15%	预测与仓位分离，相关性/暴露/流动性进入优化，约束可解释且有不可行降级
成本与执行现实性	15%	日期化费率、价差/冲击、成交量约束、部分成交、撤改、异步回报
工程与可复现性	15%	代码/配置/数据/环境/模型版本齐全，同一输入可重放同一决策
运行、对账与监控	15%	决策—订单—成交三账、日终券商对账、告警、断线恢复、kill switch
合规与平台迁移	10%	程序化交易报告已确认；核心逻辑与聚宽/QMT API 解耦；规则按日期版本化

定义为：

总分 = Σ（维度得分 × 权重占比），且 Σ权重占比 = 1

达到 Baseline 60 ⇔ 总分 ≥ 60
                    且 G1…G10 全部通过

十道硬门如下：

Gate	不可妥协的验收条件	失败意味着什么
G1 数据时点	任意一次预测都能回答“当时实际知道什么”；财报按公告可得时间进入	有未来函数，整份回测作废
G2 样本外	禁止随机打乱时间；有隔离的验证、测试和向前滚动评估	只有拟合，没有证据
G3 A 股现实	停复牌、涨跌幅制度、交易单位、T+1 可卖量、费用与公司行动按证券和日期处理	回测订单在现实中不存在
G4 稳定合约	`Forecast → Target → Order → Fill` 是不同对象并落盘	无法定位误差来自哪一层
G5 事前风险	仓位生成前检查集中度、行业/风格暴露、波动、流动性和换手	“止损”无法替代组合风控
G6 订单状态	支持提交、确认、部分成交、全成、撤单中、已撤、拒单与未知状态	实盘仓位会漂移
G7 可复现	每个 run 绑定 Git commit、环境锁、配置 hash、数据快照与随机种子	结果无法复核
G8 对账与停机	每日与券商资产/持仓/订单/成交对账；异常时能阻止新单	小故障可以累积成资金事故
G9 双引擎一致性	同一信号/目标在本地与聚宽的差异有解释；QMT 影子运行通过	迁移风险未知
G10 合规	已向实际券商确认报告、权限、频率和软件信息要求，并完成“先报告、后交易”	不得上线实盘

2. 每一层的 0—90 分语义

层级	含义
0	缺失
20	Notebook/Demo 能跑；大量理想化假设
40	回测可用；尚不能可靠模拟或实盘
60	职责、输入、输出、失败模式和验收测试齐全，并已有连续模拟/影子运行证据；系统级通过后才有资格进入受控小资金 canary
80	多数据源、压力测试、自动恢复、持续监控和实盘校准较成熟
90+	机构私有数据、容量与成交模型、治理、权限、审计和生产基础设施长期验证

因此，本文所说的“机构级”准确含义是：采用机构常见的完整责任链与控制思想，但用个人能维护的复杂度实现其 60 分版本。

3. 本文的固定边界

V1.0 先主动放弃一些问题，否则工程面会无限膨胀：

市场：沪深 A 股，暂不含港股、美股、期权、期货和跨境资产。
账户：个人现金股票账户，长仓，不融资融券。
频率：日频生成 Alpha，默认周度再平衡；日内数据只服务可交易性、成本和执行。
目标：相对中证 500 的成本后超额收益，不把最高绝对收益当唯一目标。
平台：当前在聚宽回测与模拟；本地保存研究事实；未来以实际券商可用的 QMT/XtQuant 接口实盘。
非目标：高频、盘口预测、做市、深度学习端到端下单、分布式微服务、Kubernetes。

如果将来改做分钟高频、期权组合或多券商交易，本设计的接口仍可保留，但执行、风控和数据模型必须升级，不能把本文参数原样平移。

二、目标架构：研究平面与交易平面分开

LEAN 官方的 Algorithm Framework 把 Universe、Alpha、Portfolio Construction、Risk Management 和 Execution 分开。本文保留这套责任边界，但加上现实系统不可缺少的数据、成本、账本、监控与反馈。

个人 A 股量化 Baseline：研究、交易与证据反馈闭环

可编辑源图：个人 A 股量化 Baseline：研究、交易与证据反馈闭环

核心不是目录名，而是九种稳定对象：

对象	最少字段	生产含义
`SecurityMaster`	内部 ID、交易所代码、上市/退市日、板块、交易单位、规则版本	证券身份与规则不能靠字符串猜
`UniverseSnapshot`	`as_of`、成员、纳入/排除原因、数据版本	标的池可重放，杜绝当前成分回填历史
`FeatureSnapshot`	`instrument`、`event_time`、`available_time`、值、版本	区分事件发生与研究者可得时间
`AlphaForecast`	标的、生成时点、持有期、分数/预期超额、置信度、模型版本	只表达预测，不偷偷决定股数
`RiskForecast`	暴露矩阵、因子协方差、特异风险、流动性、场景	描述一起跌、暴露过大和难退出的风险
`CostForecast`	方向、数量、显性费率、价差、冲击、置信区间	成本是数量的函数，不是一条常数
`TargetPortfolio`	决策时点、目标权重/数量、约束状态、优化器状态	想持有什么，与如何成交分离
`ExecutionPlan`	父单、子单节奏、限价边界、参与率、截止时间、退出政策	把目标差额翻译成可控的执行意图
`OrderEvent/Fill`	client ID、broker ID、状态、成交量价费、事件时间	券商回报是事实，必须可幂等重放

稳定边界建议固定成：

alpha.predict(feature_snapshot) -> AlphaForecast
risk.estimate(market_snapshot, positions) -> RiskForecast
cost.estimate(trade_list, market_snapshot) -> CostForecast
portfolio.build(alpha, risk, cost, current_positions) -> TargetPortfolio
pretrade.check(target, broker_snapshot, rules) -> PreTradeDecision
execution.plan(decision, market_snapshot) -> ExecutionPlan
broker.submit(plan) -> stream[OrderEvent]
ledger.reconcile(order_events, broker_snapshot) -> ReconciliationReport

聚宽、Qlib 和 QMT 只能实现这些接口，不能反过来侵入领域对象。平台切换时替换 adapter；Alpha、风险、组合与验收逻辑保持不动。

三、总框架候选：为什么不选一个“大一统平台”

候选	优点	主要缺口	复杂度	生产成熟度	当前适配 / 学习 ROI	结论
聚宽全包	A 股数据、API、回测、模拟接近当前习惯	平台锁定；本地实验、实盘订单语义与券商状态难成为统一事实源	低	中	很高 / 高	保留为验证环境，不作内核
Microsoft Qlib 全包	数据处理、模型训练、记录与 A 股示例完整；论文与源码公开	默认策略与执行不是 QMT 生产 OMS；公开样例数据不应当作生产源	中	研究高、交易低	高 / 很高	选作研究工作流，不包办实盘
QuantConnect LEAN	五层接口、事件、现实模型与订单生命周期成熟	中国本地数据、规则和 QMT 接入成本较高	高	高	中 / 很高	选其架构思想，不把整引擎搬进 V1
vn.py / NautilusTrader 类事件引擎	事件驱动、网关、订单状态适合交易工程学习	日频 A 股横截面研究和当前 QMT 路线仍需大量适配	中高	中高	中 / 中高	80 分阶段参考，不作 V1 主干
小型本地 Python 内核 + 适配器	接口、数据和账本完全受控，最容易跨聚宽/QMT	自己必须承担测试、状态、监控和文档	中	取决于实现	很高 / 很高	V1 主干；只自建薄层，复用成熟库

最终不是“全自研”。自建的仅是对个人系统最有长期价值的部分：领域对象、平台 adapter、约束配置、决策账本和验收测试；矩阵运算、模型、求解器、存储和追踪全部复用成熟项目。

四、数据与证券主数据层

职责：回答“在时点 $t$ ，系统对证券 $i$ 真正知道什么、能否交易、适用什么规则”。

输入：行情、财务与公司行动、指数成分、证券状态、交易日历、交易规则、数据商元数据。
输出：SecurityMaster、不可变原始分区、PIT 标准表、数据质量报告和 data_version。
60 分失败模式：当前指数成分回填历史、使用修订后财报、只保存后复权价、退市证券消失、不同平台代码混用、规则硬编码。

候选比较

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
只用聚宽平台内数据	上手最快，A 股字段和回测环境统一	被平台对象与权限绑定；难做独立数据快照和 QMT 重放	低	中	很高 / 中	仅做交叉验证
聚宽/JQData 授权源 + 本地标准层	延续当前数据经验，又能固定 PIT 快照与跨平台代码	需处理授权范围、增量更新、字段语义和质量测试	中	中高	很高 / 很高	V1 Baseline
Qlib 示例/公开数据	快速跑通官方 workflow	Qlib 仓库明确提醒公开数据可能不完善；不适合作为资金决策事实源	低	低	中 / 高	只做 smoke test
Wind / Choice 等商业数据	财务、公司行动、行业与一致预期覆盖较强	费用、许可和供应商绑定；个人阶段投入较大	中	高	中 / 中	80 分升级
自抓交易所/网站并拼接	可控、费用低	复权、修订、历史状态和长期运维成本被严重低估	很高	低至中	低 / 中	不作主源

聚宽的入门指南适合完成回测—模拟闭环；JQData 文档适合本地访问。但“API 能返回数据”不等于 PIT 正确。聚宽技术支持说明 set_option("avoid_future_data", True) 需要显式开启且默认关闭（未来数据说明），股票数据页也对全证券与历史指数成分的未来函数风险作了提示（股票数据说明）；V1 仍要自己做字段可用时间测试。数据能否落本地、保存多久和用于何处，应以账户实际授权条款为准。

V1.0 实现

data/
├── raw/provider=jq/table=bars/trade_date=YYYY-MM-DD/*.parquet
├── raw/provider=jq/table=fundamentals/announce_date=YYYY-MM-DD/*.parquet
├── canonical/bars/...
├── canonical/fundamentals_pit/...
├── canonical/security_master/...
├── canonical/index_membership_pit/...
├── canonical/trading_rules/...
├── snapshots/<data_version>/manifest.json
└── quality/<run_date>/report.json

选 Parquet + DuckDB，原因不是它们“更量化”，而是个人单机上列式分区、SQL 审计和 Python 互操作足够强，又没有数据库服务运维负担。Qlib 只读取 canonical view，不拥有原始数据。

必须保留以下语义：

原始价、复权因子和公司行动分开保存，禁止只存一条会随查询日变化的后复权序列。
每条基本面记录同时保存 period_end、announce_time、available_time 和供应商抓取版本；模型按 available_time 连接。
指数成分、ST/风险警示、停复牌、上市退市和证券板块均为带生效区间的慢变表。
交易日历、交易单位、涨跌幅与有效申报规则按市场、板块、证券、日期取值，不散落在策略 if 中。
每次实验锁定 data_version = hash(manifest + schema + source partitions)；供应商历史修订后旧实验仍能重放。
每日质量门检查重复键、缺口、极值、价格关系、成交额一致性、复权跳变、成分数量和供应商延迟；失败时不产生新目标仓位。

上海、深圳交易规则在 2026 年又有修订，整体自 2026-07-06 起施行（上交所规则、深交所规则）；上交所页面同时单列了暂缓实施条文。规则表因此不仅要保存 effective_from/effective_to，还要保存 active/deferred 状态，不能把“已发布”直接等同于“所有条款均已执行”。

数据层验收

任抽 30 个历史决策日，可以还原当日指数成员、证券状态、财报可得值和规则。
在数据表中人为注入未来公告，PIT join 测试必须拒绝它。
代码不改、固定 data_version 重跑，特征 hash 和目标权重在数值容差内相同。
退市、长期停牌、代码变更、分红送转和跨年费率至少各有一个回归测试样本。

五、Universe 层：先决定“研究谁”，再判断“今天能不能动”

职责：在每个 as_of 生成可研究集合，同时把“可持有、可开仓、可卖出”拆成不同状态。

输入：PIT 指数成分、Security Master、成交额/停牌/风险警示/上市年龄、现有持仓。
输出：UniverseSnapshot，包括成员、状态与逐项原因码。

候选比较

候选	优点	缺点 / 风险	复杂度	成熟度	当前适配 / 学习 ROI	决策
固定股票清单	最容易复现	生存者偏差、容量与风格集中严重	低	低	低 / 低	拒绝
用今天的指数成分回测历史	写法简单	直接泄漏未来成分；回测无效	低	低	低 / 低	硬门拒绝
PIT 中证 300	流动性最好、成本较易控制	横截面较窄，大盘风格集中	低中	高	高 / 高	挑战者
PIT 中证 500 + 可交易性	宽度、流动性与个人维护成本平衡	仍有成分调整和中盘风格偏置	中	高	很高 / 很高	V1 Baseline
中证 1000 / 全 A 流动性池	Alpha 空间更宽	微盘、涨跌停、冲击与数据质量难度明显上升	中高	中	中 / 高	80 分升级

V1.0 规则

以当时有效的中证 500 成分作为 benchmark-native 初始池，默认：

新股观察期先设为 120 个交易日；这是待验证的保守起点，不是市场真理。
风险警示证券、已知退市整理状态禁止新开仓；退出服从真实可卖性。
用过去 20 日中位成交额和停牌比例做流动性门；阈值由计划资金和容量测试反推，不先拍一个绝对金额。
当日停牌、触及价格限制或无有效报价时标为 frozen，不能因为“不合格”就在回测里假装卖掉。
昨日买入数量进入 unsettled_buy，当日不得卖出；系统使用券商返回的 available_to_sell，不自行乐观推算。
现有持仓即使不再允许开仓，也必须继续出现在优化问题中，直到真实退出完成。

建议状态机：

researchable ──┬── openable
               ├── hold_only
               ├── sell_only
               └── frozen

这比一个布尔字段 tradable=True/False 多一点代码，却能消除大量“回测能卖、实盘卖不掉”的错误。

六、特征、Alpha 与验证层

职责：用决策时点以前的信息，为固定持有期输出横截面预期超额收益或排序；它不决定仓位。

输入：PIT 特征快照、标签定义、训练窗口、Universe 快照。
输出：AlphaForecast(score, expected_excess_return, horizon, uncertainty, model_version)。
60 分失败模式：随机交叉验证、预处理全样本拟合、标签与交易时点错位、只报告最优回测、模型升级没有挑战者。

候选比较

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
单均线/单规则	透明，适合验证数据—下单链路	信息维度太少，无法验证横截面研究与组合体系	低	中	低 / 中	只作管线 smoke test
OLS / Ridge / Elastic Net	快、稳定、可解释，能暴露泄漏和过拟合	难表达非线性与交互	低	高	很高 / 很高	强制挑战者
LightGBM	表格因子、缺失与非线性交互适配；训练快；Qlib 有成熟 Alpha158 配置	仍会过拟合；分数未天然校准为预期收益	中	高	很高 / 很高	V1 主模型
XGBoost / CatBoost	同属成熟 GBDT，可做模型多样性	V1 同时维护三套树模型收益有限，调参空间扩大	中	高	高 / 高	二级挑战者
LSTM / Transformer / GNN / RL	能表示序列、关系或策略决策	有效样本、非平稳、泄漏、可解释、推理与监控成本都更高	高至很高	场景依赖	低 / 中	先拒绝，80 分后再立项

Qlib 的官方 benchmark同时列出线性、GBDT 和多种深度模型；它最有价值的结论不是“某模型永远第一”，而是提供统一工作流去做可比实验。LightGBM 的原始设计强调高效梯度提升（项目与论文入口），很适合做个人 A 股结构化因子的第一个非线性 Baseline，但不保证产生超额收益。

V1.0 特征与标签

先使用 5 类、约 80—160 个透明特征，而不是一次堆数千个表达式：

动量与反转：5/20/60/120 日收益、近期反转、距高点等。
波动与下行风险：不同窗口 realized vol、下行波动、跳空、偏度代理。
流动性与交易活跃：换手、成交额、Amihud 类价格冲击代理、量价背离。
估值与质量：按真实公告时点接入的估值、盈利质量、成长、杠杆和现金流。
市场与行业相对量：相对行业/基准的动量、Beta、残差收益与拥挤度代理。

价格量特征可复用 Alpha158 的组织方式；财务因子必须额外遵守公告时点。每天横截面处理按以下顺序执行，并且所有需要拟合的参数只在训练集学习：

原始 PIT 值
→ 缺失原因标记
→ 温莎化/稳健截尾
→ 行业内或全市场标准化
→ 可选的行业、规模中性化
→ 缺失填补 + missing indicator
→ FeatureSnapshot

基准标签先定义为：在 $T$ 日收盘数据完整到达后产生预测，以固定执行窗口的 $T + 1$ VWAP 为起点、同一窗口的 $T + 6$ VWAP 为终点，计算 5 个持有区间的个股收益，再减同期中证 500 收益。研究标签使用固定、事先声明的 VWAP 代理；模拟/实盘绩效再用真实成交替换。不能用 $T$ 日收盘价生成信号后又假设自己在同一收盘价满额成交。

构造 $T$ 日样本时，不能用事后看到的 $T + 1$ 停牌、封板或成交量反过来筛掉股票。若 $T + 1$ 没有可执行 VWAP，记录 label_status=non_executable/censored，在样本覆盖和执行机会成本里单列；不能静默删除后只训练“第二天恰好能成交”的幸存样本。 $T + 1$ 盘前实际可交易状态只属于 PreTrade/Execution 层。

V1.0 验证协议

普通随机 CV 不适合有时间顺序的数据，scikit-learn 的 TimeSeriesSplit 文档也明确指出普通交叉验证会出现“用未来训练、在过去评估”的问题。本系统再向前一步处理横截面标签重叠：

初始研究窗：滚动 4 年训练、1 年验证，随后 3—6 个月纯样本外；每月重训，周度出分。
在相邻集合之间 purge 至少一个标签持有期，并保留 embargo；禁止重叠未来收益跨越边界。
预处理器、特征选择、模型和分数—收益校准器全部只在训练/验证区间拟合。
超参数先在少量预注册网格中选择；测试期只打开一次，之后进入新的向前窗口。
同时保留 Ridge、LightGBM 与无 Alpha 的 benchmark；LightGBM 只有在多段样本外、成本后、稳定性和风险暴露上整体胜过 Ridge，才获得生产资格。
用 IC、RankIC、ICIR、分层收益、衰减、换手和按行业/规模分组稳定性评估预测；不用单一 Sharpe 选模型。
对标签、特征滞后、成分股历史、复权和费用分别做刻意破坏测试，确保测试能抓到泄漏。

模型最终输出不是“买入前 50 名”，而是一个带版本与持有期的预测。是否买、买多少，由风险和成本共同决定。

七、风险模型与风险管理层

职责：风险模型在交易前描述组合可能怎样一起亏；风险管理根据这些估计修改或拒绝目标。两者都不是“跌到某价卖出”的同义词。

输入：持仓、候选权重、行业与风格暴露、协方差、特异风险、流动性、市场状态。
输出：RiskForecast、约束与限额、压力测试、RiskDecision。
60 分失败模式：只设单股止损、只看历史波动、直接使用高维样本协方差、停牌仓位在风险报告里消失。

候选比较

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
单股止损/组合回撤线	易懂，适合作为事后保护	不描述集中度、相关性、Beta、流动性与隔夜跳空	低	低至中	中 / 低	只能作最后保险丝
历史波动 + 样本协方差	实现直接	股票数接近或超过样本数时病态、优化权重极不稳定	低中	中	中 / 高	仅作对照
Ledoit–Wolf 收缩协方差	数值稳定、实现成熟	仍难直接解释行业和风格风险	中	高	高 / 高	协方差挑战者
行业 + 风格因子模型，协方差收缩	可解释、可设暴露约束、适合横截面股票组合	因子定义、收益估计和特异风险要自己验证	中高	高	很高 / 很高	V1 Baseline
商业 Barra/供应商风险模型	数据、分类与生产流程成熟	昂贵、许可限制、内部逻辑与个人策略未必透明	中	很高	低 / 中	80—90 分升级

Ledoit 与 Wolf 对组合问题的核心提醒是：高维样本协方差往往不适合直接优化，收缩能改善估计稳定性（论文入口、scikit-learn 实现）。MSCI 的权益因子模型说明则体现了行业、风格与特异风险的机构化表达。V1 借用思想，不复制商业模型名称或参数。

V1.0 透明因子风险模型

对股票收益使用：

r_{t} = B_{t - 1}^{a v a i l} f_{t} + ϵ_{t}, Σ_{T + 1 ∣ T} = B_{T}^{a v a i l} F_{T} (B_{T}^{a v a i l})^{⊤} + D_{T}

$B_{t - 1}^{a v a i l}$ ：在收益 $r_{t}$ 发生前已经可得的行业与风格暴露；不能拿 $t$ 日收盘后才知道的数据解释同一天收益。
$B_{T}^{a v a i l}$ ：决策时点 $T$ 已经可得的行业 one-hot、规模、市场 Beta、动量、波动、流动性、价值/杠杆等少量透明风格暴露。
$f_{t}$ ：用稳健加权横截面回归估计的因子收益；行业哑变量与截距需固定基准或施加和为零约束，避免不可识别。
$F_{T}$ ：截至 $T$ 的因子收益 EWMA 协方差，再做收缩与特征值下限处理。
$D_{T}$ ：截至 $T$ 的个股残差方差稳健估计，设样本不足和极低方差 floor。
$Σ_{T + 1 ∣ T}$ ：交给组合优化器的事前股票协方差预测。

Qlib 的 EnhancedIndexingStrategy 已展示风险暴露、因子协方差、特异风险、blacklist 与不可交易持仓如何进入增强指数优化（策略文档、实现源码）。V1 可先用它做研究参照，生产内核保留自有 RiskForecast 格式。

风险约束分三类：

组合构建前：单股、行业相对 benchmark、市场 Beta、风格暴露、预测波动、跟踪误差、换手、ADV 容量、持仓数和现金缓冲。
交易前：目标是否超限、可卖量、价格/行情新鲜度、重复订单、预计现金、单日成交与申报频率。
运行中：数据停止、券商断线、订单拒绝激增、成交价偏离、持仓对账差异、组合日损失/回撤状态。

压力测试至少覆盖：市场单日下跌、最大行业冲击、波动率翻倍、相关性向 1 收敛、交易成本 2 倍、预期成交只有 50%、若干大持仓连续不可卖。压力场景的结果是减仓、延后交易或停机规则，而不是报告里的一张装饰图。

风险层验收

把两个高度相关股票同时放大，组合风险必须明显高于分散持仓。
因子数据缺失或协方差非正定时，系统使用保守 fallback 并告警，不能静默输出 NaN 权重。
停牌持仓以冻结权重进入总风险；无法交易不等于没有风险。
所有硬限额在优化前、优化后和下单前各检查一次；三次使用同一规则版本。
止损仅保留为极端保护，不参与“风险模型已经完成”的评分。

八、费用、滑点与容量层

职责：估计从当前持仓走到目标持仓所需付出的显性费用、价差、冲击和机会成本，并在交易后用真实成交校准。

输入：方向、计划数量、报价/分钟量价、ADV、波动、费率版本、券商佣金、执行窗口。
输出：逐股票、逐订单的 CostForecast(low, base, high) 和容量报告。
60 分失败模式：零成本、永远固定一个滑点、假设目标数量全部成交、只在绩效报表末尾扣费而不影响权重。

候选比较

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
零成本	方便检查代码	对可交易性没有任何意义	低	无	无 / 低	拒绝
固定费率 + 固定滑点	能跑，参数少	不随方向、流动性、规模和波动变化	低	低至中	中 / 中	smoke test
日期化费率 + 半价差 + 参与率/波动冲击	可解释，能进入优化和容量分析	冲击系数需真实成交持续校准	中	高	很高 / 很高	V1 Baseline
Almgren–Chriss / 多期凸成本模型	风险—冲击权衡清楚，可做动态计划	参数估计与模型假设要求更高	中高	高	中 / 高	80 分升级
盘口/队列仿真或学习型执行成本	对高频限价单更细	数据、撮合细节和运维成本远超日频 V1 需求	很高	场景依赖	低 / 中	暂拒绝

组合决策的成熟表达不是“先求权重、最后再扣手续费”。Boyd 等人的多期交易优化把预期收益、风险、交易成本、持有成本和约束放进同一个问题；Almgren–Chriss 则系统讨论执行风险与市场冲击的权衡（论文 DOI）。V1 使用其思想的简化、可校准版本。

V1.0 成本函数

对计划交易 $q_{i}$ 估计：

C_{i} (q_{i}) = C_{i}^{f e e} (q_{i}) + \frac{1}{2} s p r e a d_{i} \cdot | n o t i o n a l_{i} | + η_{i} σ_{i} \sqrt{\frac{| q_{i} |}{A D V_{i}}} \cdot | n o t i o n a l_{i} |

其中：

fee：印花税、经手/监管/过户等费用和券商佣金/最低佣金，全部按日期与账户配置。
spread：优先用可得的盘口或分钟数据估计；没有可靠报价时使用保守高低价代理，并标记较低置信度。
impact：以波动和参与率为主的平方根代理。它不是自然定律， $η_{i}$ 必须用实盘成交拟合并做 0.5×/1×/2× 压力测试。

需要区分“账本里的真实费用”与“凸优化器里的成本代理”。单笔最低佣金在零交易与非零交易之间存在离散跳变，不能在纯连续凸问题里被精确表达。V1 的连续优化器只使用比例税费、价差、凸冲击和换手惩罚，并设置最小交易金额；取整后删除不覆盖最低佣金的碎单，执行 repair，再用账户真实最低佣金重算现金、回测与 TCA。若以后必须联合决定“是否交易”并精确计入每笔最低佣金，应升级为混合整数问题，而不是继续把它称为纯凸优化。

财政部规定证券交易印花税自 2023-08-28 起减半征收（官方公告）；交易所收费项目也有各自的现行标准（上交所收费指引、深交所收费页）。这些链接用于核验，不应把今天的数字永久写死在代码里。券商佣金和最低收费以实际账户交割单反推。

V1 初始容量政策：

优化器同时看单笔参与率、组合一天总成交额、单只股票清仓天数和全组合容量。
先把 order / ADV ≤ 5% 作为保守研究上限，并测试 1%、3%、5% 三档；上线阈值必须由分钟量和真实成交重新校准。
如果策略只有在零成本或极小资金下成立，结论应是“无当前容量”，不是继续调模型。
回测输出低/基准/高三条成本后净值；选型看最差合理情形是否仍可接受。

成本层验收

买卖方向、最低佣金和日期切换有单元测试，并能与实际交割单逐项对上。
将计划交易放大 10 倍，单位成本和成交时间不得保持不变。
组合优化前的预测成本与成交后的 implementation shortfall 可逐订单关联。
无分钟/盘口数据时明确降低置信度并提高冲击假设，不能悄悄回退到零滑点。

九、组合构建层：把 Alpha、风险和成本真正放在一起

职责：把预测转换成满足风险、成本、容量与真实持仓约束的目标组合。

输入：AlphaForecast、RiskForecast、CostForecast、当前持仓与可交易边界。
输出：TargetPortfolio、预计风险/成本、约束余量、优化诊断和不可行原因。
60 分失败模式：Alpha 排名直接等于仓位、优化器报错就静默等权、停牌股从归一化分母消失、求出小数股后粗暴取整导致越界。

候选比较

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
等权	透明、稳健、参数极少	忽略预测强弱、相关性、风险、成本和容量	低	高（作为朴素规则）	中 / 高	必备 benchmark，不作最终 Baseline
Top-k / TopkDrop	Qlib 样例成熟，换手逻辑直观	风险和成本通常没有在权重生成中被完整联合处理	低中	中	高 / 很高	研究挑战者
分数比例 / softmax	保留预测强弱	对分数尺度敏感，仍不处理协方差和约束	低	中	中 / 中	不选
风险平价	不依赖 Alpha 尺度，资产配置中有价值	股票横截面 Alpha 目标被弱化；行业与风格仍需约束	中	高	中 / 高	Beta 层候选，不作本层主模型
成本感知的受约束凸优化	风险、Alpha、换手、冻结仓位和容量统一；诊断可审计	需要校准参数、稳定风险模型和不可行处理	中高	高	很高 / 很高	V1 Baseline

V1.0 优化问题

使用 CVXPY 解一个长仓凸优化问题。这里的 $\hat{C}$ 特指上一节的连续凸成本代理，不假装精确包含每笔最低佣金。概念形式为：

{max}_{w} {\hat{α}}^{⊤} w - \frac{λ}{2} w^{⊤} Σ w - γ \hat{C} (w - w_{p r e v}) - ρ ‖ w - w_{p r e v} ‖_{1}

四项必须先统一量纲： $\hat{α}$ 是校准后的 5 日预期超额收益，不是原始 LightGBM rank； $Σ$ 与同一持有期对齐； $\hat{C}$ 以 NAV 比例表示；换手也是权重比例。年化波动和跟踪误差只用于展示/限额换算，不能把日频协方差、5 日 Alpha 和人民币成本未经缩放直接相加。

约束至少包括：

& \sum_{i} w_{i} = 1 - c a s h B u f f e r, w_{i} \geq 0 & w_{i} \leq u p p e r_{i} & | B_{i n d u s t r y}^{⊤} (w - w_{b}) | \leq δ_{i n d u s t r y} & | β^{⊤} w - β_{b} | \leq δ_{β} & \sqrt{(w - w_{b})^{⊤} Σ (w - w_{b})} \leq T E_{m a x} & \frac{1}{2} \sum_{i} | w_{i} - w_{p r e v, i} | \leq t u r n o v e r_{m a x} & | t r a d e N o t i o n a l_{i} | \leq p a r t i c i p a t i o n_{i} \cdot A D V_{i}

另外将真实交易边界转成数量约束：停牌证券数量固定；卖出量不得超过券商可卖量；禁止开仓的证券只能不增仓；风险退出也不能假装穿越涨跌停。权重优化后进行交易单位取整，再用一个小型 repair pass 恢复现金、单股和行业约束。

精确持股数、最小非零仓位和“是否产生一笔订单”都是离散决策，也不属于纯连续凸问题。V1 先用当前/冻结持仓 + Alpha 预筛候选形成 60/100/150 只候选池，再做连续凸优化；取整后删除尘埃仓位并 repair，把 30—80 只作为目标带和诊断指标，而不是求解器硬约束。若未来必须严格持有恰好 50 只或精确联合最小佣金，应明确升级为混合整数优化。

V1 的初始研究网格而非永久参数：

参数	起始搜索范围	目的
候选池规模	60 / 100 / 150	预筛后进入连续优化；比较宽度、稳定性与计算量
目标持仓带	30—80	取整/repair 后的诊断范围，不是凸优化硬约束
单股上限	1%—3%	防止模型把不稳定分数集中成大仓位
现金缓冲	3%—8%，初始 5%	吸收费用、价格变化和异步成交
行业相对偏离	±3%—5%	让超额主要来自选股而非押行业
单次单边换手	10%—20%	与周频信号、成本和容量共同验证
ADV 上限	1% / 3% / 5% 三档	输出容量敏感性，不只看一个假设

数值最终由风险预算与成本后样本外结果确定。不能先挑让回测最好看的组合，再称它为“风险参数”。

不可行和求解失败政策

这是 60 分系统与 Demo 的重要分界：

约束分为绝不放松的硬约束与允许有限 slack 的软约束。
证券规则、可卖量、现金非负、合规黑名单是硬约束。
行业偏离和换手可按预先定义的顺序小幅放松，并完整记录 slack 成本；候选池与目标持仓带在求解器外按已发布配置处理。
求解器超时、非最优或解在容差外时，先尝试上一组已验证参数；仍失败则输出 NO_TRADE 或只执行明确的风险降低单。
禁止“优化失败 → 自动等权 → 继续下单”。这会把系统错误伪装成投资决策。

为什么不是等权

等权不是坏方法：它应当永久保留为基准，因为稳定、易解释，常常能揭穿复杂模型。但它不能作为这套系统的最终 60 分答案，因为它对“两个高度相关股票是否各买 2%”“预期 Alpha 能否覆盖冲击”“某行业是否已过载”“一只股票是否根本卖不掉”都没有答案。

验收要求：每一个目标权重都能分解为 Alpha 贡献、风险惩罚、成本惩罚和活跃约束；对 Alpha 加微小扰动时，权重不能大幅跳变；rounding 后重新过全部硬约束。

十、执行与 OMS 层：目标仓位不等于订单，订单也不等于成交

职责：把目标—当前差额转成一组受限父单/子单，维护券商异步状态，最后给账本真实成交。

输入：TargetPortfolio、实时持仓/现金/可卖量、行情、交易规则、成本与执行窗口。
输出：ExecutionPlan、订单命令、OrderEvent、Fill、执行异常和残余目标。
60 分失败模式：回测默认瞬间全成；撤单后立即重报却未确认旧单；重启后重复下单；用本地预期仓位覆盖券商事实。

候选比较

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
立即市价/假设全成	代码最少	A 股订单、部分成交、容量、异步和价格限制全部被抹掉	低	低	低 / 低	拒绝
次日开盘一次性订单	与日频信号容易对齐	开盘波动、冲击和失败集中；大单不稳	低	中	中 / 中	仅小单挑战者
固定 TWAP	可解释、实现简单	不看当时成交量，冷清时段可能过度参与	中	高	高 / 高	组成部分
历史 VWAP	跟随典型量能曲线	当日量能偏离历史时失真；无法保证成交	中	高	高 / 高	组成部分
带限价边界的 TWAP/POV 混合	时间节奏、参与率、价格保护和剩余量能统一	状态机与参数校准工作较多	中高	高	很高 / 很高	V1 Baseline
盘口最优执行 / RL	可能适应微观结构	逐笔数据、队列建模与安全验证远超日频需求	很高	场景依赖	低 / 低	暂拒绝

QMT 的 XtQuant 快速开始把行情与交易接口分开；XtTrader 文档提供委托、撤单、资产/持仓/订单/成交查询，以及断线、委托、成交、撤单错误和异步委托回调。这些接口形态本身就说明：实盘必须是状态机，而不是一行 order_target_percent。LEAN 的实盘订单文档同样强调实盘订单异步、可部分成交且修改不保证成功。

V1.0 Guarded TWAP/POV

默认决策—执行时序：

T 日收盘后
  数据完整性通过 → 特征/预测 → 风险/成本 → 目标仓位 → 决策签名

T+1 开盘前
  查询券商资产、持仓、可卖量、未结订单 → 三账预对账 → PreTrade Gate

T+1 09:35 以后
  风险降低单 / 资金受限时的卖单优先
  → 在预定窗口按时间桶与参与率拆分
  → 限价保护、超时撤单、确认后再重报
  → 回调驱动剩余量更新

窗口结束
  按预设残余政策放弃、延后或有限追价；不得为了“完成回测目标”无界追单
  → 日终券商对账 → TCA

初版执行器要有以下机制：

父单身份：decision_id + instrument + side 形成幂等 key；同一决策重放不会产生第二个父单。
订单状态机：CREATED → SENT → ACKED → PARTIAL → FILLED，并允许 CANCEL_PENDING → CANCELED、REJECTED、UNKNOWN；只有确认旧单结束才能替换。
数量真相：剩余量由成交回报累计，不由“已提交量”推断；启动时先从券商拉取未结订单和成交恢复。
价格保护：限价同时受最新有效报价、可接受滑点、当日规则和策略放弃阈值约束；行情过期时停止新单。
参与率保护：子单和时间桶成交量不超过预定比例；量能不足时减少而不是假设全成。
现金与 T+1：买单只使用已确认可用资金；卖单只使用券商 available_to_sell；所有费用留缓冲。
节流：每秒报撤单数、每日总订单、单标的撤改次数和异常拒单率均有上限，且低于券商/交易所允许范围。
Kill switch：断线、行情陈旧、对账不平、重复回报异常、资产变化超阈值或拒单爆发时，禁止新开仓；是否撤掉已有安全订单由场景配置。

回测成交模型必须与执行器同源

至少使用分钟数据做次日执行回放：

订单价格被该分钟高低价触及只是成交的必要条件，不是充分条件；仍受可成交方向、成交量和参与率限制。
单分钟成交量受 bar volume × participation cap 限制，因此允许部分成交和残单。
成交价加入方向相关的价差与冲击，费用由同一个版本化 cost engine 计算。
停牌、无有效报价、T+1、价格限制、交易单位、公司行动和未成交残余都真实进入仓位。
对一字涨跌停或单边封板，分钟 OHLC/成交量不能证明自己的队列能成交；V1 默认不成交，除非更细数据能证明对手方可成交量，并另做乐观/基准/悲观敏感性。
回测记录的是 OrderEvent 序列，不只在持仓表里瞬间改一个数字。

回测不可能完整复原队列位置，因此应偏保守，并用聚宽模拟和 QMT 影子盘校准。它的目标是排除明显不可交易策略，不是证明未来一定按模拟价格成交。

十一、评价、归因与反馈层

职责：判断预测是否有效、组合是否按预期承担风险、执行损失在哪里、实盘是否偏离研究，并把证据反馈到各层。

输入：特征/预测、目标仓位、风险/成本预估、订单事件、成交、每日持仓现金、benchmark。
输出：研究报告、组合归因、TCA、模型/数据漂移、运行 SLO 与升级/回滚决定。
60 分失败模式：只有收益率、只看全样本 Sharpe、隐藏失败订单、每次实验无法追到代码与数据。

候选比较

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
累计收益 + Sharpe	快速	无法区分 Alpha、Beta、成本、风险和执行问题	低	低	低 / 低	拒绝
QuantStats/pyfolio 类 tear sheet	图表丰富，诊断方便	主要处理净值结果，不拥有决策—订单—成交链	低	中	中 / 中	辅助输出
Qlib `SigAnaRecord` / `PortAnaRecord`	信号和组合分析接入 workflow，复现实验方便	对真实 QMT 订单、成交和对账不够	中	研究高	高 / 很高	研究 Baseline
自有事件账本 + TCA + MLflow	能贯通研究与实盘，所有差异可追溯	需要定义 schema、监控与日常纪律	中高	高	很高 / 很高	生产 Baseline
商业 PMS/风险/TCA 平台	功能与治理成熟	成本和个人系统集成不匹配	高	很高	低 / 低	90 分选项

Qlib 提供 SigAnaRecord 和 PortAnaRecord 等记录模板（官方 API）。MLflow Tracking则能记录参数、代码版本、指标和模型/文件 artifacts，本地运行已经足够个人 V1 使用。二者都不替代真实交易账本：研究记录回答“这个实验是什么”，账本回答“资金实际上发生了什么”。

五组必须同时看的指标

视角	核心指标	它回答什么
Alpha	IC、RankIC、ICIR、分层单调性、衰减、覆盖率、分行业/规模稳定性	预测本身有没有横截面信息
组合	成本前后超额、IR、Sharpe/Sortino、最大回撤、Calmar、跟踪误差、换手、持仓集中度	信息是否被稳定地变成组合
风险	行业/风格/Beta 暴露、预测与实现波动、风险贡献、压力损失、限额触发	赚的钱是否来自意外押注
执行 / TCA	arrival shortfall、VWAP/close 偏离、填单率、撤单/拒单率、完成时长、机会成本、参与率	纸面 Alpha 在哪里损失
运行	数据延迟/缺口、job 成功率、订单状态未知数、对账差异、恢复时间、告警确认	系统是否可靠运转

对收盘后决策的策略，TCA 要把隔夜跳空与日内执行分开：隔夜段从 $T$ 收盘到 $T + 1$ 首个可执行基准价；implementation shortfall 的 arrival benchmark 使用 PreTrade Gate 通过后的首个有效报价/预先声明的执行窗基准。否则会把无法在夜间成交的价格变化错误归因给执行器。

每次再平衡至少保存四条净值或 P&L 轨迹：

理想 Alpha 组合（无约束、无成本）
→ 加风险/持仓约束后的目标组合
→ 使用回测成交模型后的模拟组合
→ 使用券商真实成交后的实盘组合

相邻两条之间的差异分别对应组合约束损失、模拟执行损失和研究—实盘偏差。只有一条最终净值时，任何层都能把错误推给别的层。

Champion / Challenger 与升级纪律

Champion 固定运行；Ridge、等权/Top-k、旧风险模型和旧成本模型保持为 challengers。
新模型必须在预注册的样本外窗口、成本压力、多随机种子/参数邻域和暴露约束下胜出。
不以一次显著性或一个市场状态升级；先 shadow，再小资金 canary，最后逐级放量。
模型性能下降时先定位数据、Universe、风险、成本和执行，不默认“重新训练就会好”。
每次升级写 decision record：证据、预期改善、风险、回滚条件、负责人和生效时间。

十二、工程、运行与合规层

这层不产生 Alpha，却决定研究结果是否能安全变成资金行为。

职责：固化接口、版本、运行状态、权限、恢复、审计与平台适配，使研究和交易可以确定性重放。
输入：前述所有领域对象、配置、外部事件、部署包和凭据引用。
输出：可复现实验、已签名决策、部署 artifact、三本账、监控告警、对账与合规证据。
60 分失败模式：Notebook 隐式状态、生产机手改代码、凭据进入仓库、重启重复下单、出错后没有 runbook。

工程形态候选

候选	优点	缺点 / 风险	复杂度	生产成熟度	当前适配 / 学习 ROI	决策
Notebook + 平台脚本	探索最快	隐式状态、难测试、难重放、平台锁定	低	低	中 / 中	仅探索
模块化 Python monorepo	一人可维护，接口与测试集中，部署简单	需要持续守住边界	中	高	很高 / 很高	V1 Baseline
多进程服务 + 消息队列	隔离与恢复能力更强	调试、部署和状态一致性成本上升	高	高	低 / 中	80 分按瓶颈引入
微服务/Kubernetes	团队扩展与资源调度强	个人日频系统严重过度设计	很高	很高	很低 / 低	拒绝

V1.0 仓库布局

quant-os/
├── pyproject.toml              # 锁定 Python 与依赖
├── configs/                    # 经 schema 验证的研究/风险/执行配置
├── src/
│   ├── domain/                 # 九种稳定对象，不导入任何平台 SDK
│   ├── data/                   # provider adapters、PIT、质量与版本
│   ├── universe/
│   ├── features/
│   ├── alpha/
│   ├── risk/
│   ├── cost/
│   ├── portfolio/
│   ├── execution/              # planner、OMS 状态机
│   ├── ledger/                 # 决策/订单/成交/持仓/现金
│   ├── evaluation/
│   └── adapters/
│       ├── qlib_research/
│       ├── joinquant/
│       └── qmt/
├── tests/
│   ├── unit/
│   ├── integration/
│   ├── replay/
│   └── parity/
├── migrations/                # schema 与规则迁移
├── runbooks/                   # 断线、拒单、错账、数据失败处置
└── artifacts/                 # 仅索引；大数据/模型由 manifest 指向

V1 不要求为了“像机构”而拆微服务。一个进程内也可以拥有严格接口、事件日志和恢复能力。只有观测到资源隔离、延迟或可靠性瓶颈后才拆服务。

三本账与重放

账本	写入时点	真相是什么
决策账	目标组合批准后	模型在何种数据、风险、成本和约束下想做什么
订单/成交账	每个券商回调到达时	实际提交、确认、撤改、拒绝、部分成交和费用
券商快照账	启动前、关键事件后、日终	券商认定的资产、持仓、可用量和未结订单

三账不得互相覆盖。对账输出差异及解释，只有白名单时间差允许自动清除；未知差异使次日系统进入 SAFE_MODE。所有外部事件保留原始 payload 的脱敏 hash 和解析结果，回放相同事件序列应得到相同订单状态。

测试金字塔

单元：费用日期切换、可卖量、交易单位、复权、PIT join、约束与 rounding。
属性测试：现金不为负、持仓数量守恒、成交累计不超过订单、重复事件不重复记账。
集成：固定小样本从数据到目标，再通过模拟 broker 产生部分成交/拒单/断线。
Replay：保存一段 QMT 回调流，在无网络环境重建订单与持仓。
Parity：本地与聚宽对齐收益口径、信号日、费用、目标权重；差异必须落报告。
故障注入：行情过期、数据缺列、回调乱序/重复、撤单超时、求解器失败、进程重启。

可观测性与操作

每次 run 至少记录：run_id、Git commit、dirty flag、配置 hash、数据版本、模型版本、规则版本、随机种子、依赖锁、启动人、环境和时间。日志使用结构化字段而非拼接长字符串；指标、告警和 runbook 一一对应。

实盘部署保留人工批准点：系统可以自动生成目标和执行计划，但从模拟切换到实盘、放大资金、改变最大申报频率或更换策略版本必须显式批准。密码、token、cookie 和券商凭据只放系统钥匙串/环境注入，不进入 Git、MLflow artifacts 或 OB。

合规不是上线后的补丁

证监会《证券市场程序化交易管理规定（试行）》自 2024-10-08 起施行，要求程序化交易投资者报告账户、资金、策略、软件等信息，并确立“先报告、后交易”（证监会原文）。沪深交易所实施细则自 2025-07-07 起施行（上交所、深交所）。

因此，个人账户不应把“金额不大”理解为自动豁免。上线前需要向实际开户券商书面确认：

QMT/MiniQMT/XtQuant 到底开通哪种、模拟与实盘各有哪些 API 和频率限制。
程序化交易报告的字段、入口、审核状态和策略/软件重大变更后的更新义务。
最大报撤频率、每日委托数、异常行为控制和券商侧熔断。
实盘可用行情层级、数据授权、委托类型、回调保证和断线重连行为。
交割单费用、最低佣金、资产/订单/成交查询的最终一致时间。

这五项未确认，系统可以继续回测和模拟，但 G10 不通过，不能标记为实盘 Baseline。

十三、V1.0 冻结配置：第一版到底采用什么

前面的候选比较最终收敛为下面这一套。这里的默认值是第一轮验证起点，所有变化都通过配置和 decision record，而不是散落在代码里。

system:
  market: CN_A_SHARE
  mode: long_only_cash
  research_engine: qlib_local
  validation_engine: joinquant
  live_adapter: qmt_xttrader
  decision_timezone: Asia/Shanghai

data:
  primary_provider: authorized_joinquant_or_jqdata
  canonical_store: parquet_duckdb
  point_in_time: strict
  raw_immutable: true
  version_by_manifest: true

universe:
  benchmark: CSI500
  membership: point_in_time
  ipo_seasoning_days: 120        # 初始研究值
  liquidity_window_days: 20
  states: [openable, hold_only, sell_only, frozen]

alpha:
  champion: lightgbm
  mandatory_challenger: ridge
  features: [momentum, reversal, volatility, liquidity, valuation, quality, relative]
  label: next_executable_5d_excess_return
  rebalance: weekly
  retrain: monthly
  validation: purged_walk_forward

risk:
  model: transparent_industry_style_factor
  covariance: ewma_shrinkage
  specific_risk: robust_residual_with_floor
  stress: [market_shock, industry_shock, vol_2x, corr_up, cost_2x, fill_50pct]

cost:
  fee_schedule: versioned_account_specific
  optimizer_model: continuous_convex_surrogate
  exact_ticket_fees: post_rounding_backtest_and_tca
  min_trade_notional: account_calibrated
  spread_model: quote_or_conservative_proxy
  impact_model: volatility_sqrt_participation
  scenarios: [low, base, high]

portfolio:
  solver: cvxpy_convex
  objective: alpha_minus_risk_minus_cost_minus_turnover
  cash_buffer: 0.05              # 初始研究值
  candidate_count_grid: [60, 100, 150]
  target_holdings_band: [30, 80] # 取整/repair 后的诊断带
  exact_cardinality_constraint: false
  single_name_cap_grid: [0.01, 0.02, 0.03]
  industry_active_cap_grid: [0.03, 0.05]
  one_way_turnover_grid: [0.10, 0.15, 0.20]
  adv_cap_grid: [0.01, 0.03, 0.05]
  solver_failure: no_trade_or_risk_reduction_only

execution:
  algorithm: guarded_twap_pov
  decision_time: T_after_close
  trade_day: T_plus_1
  start_after_open_minutes: 5
  partial_fill: true
  cancel_replace: ack_before_replace
  stale_market_data: block_new_orders
  reconciliation: startup_event_driven_eod

tracking:
  research: qlib_records_and_mlflow_local
  versions: [git_commit, env_lock, config_hash, data_version, model_version, rules_version]
  ledgers: [decision, order_fill, broker_snapshot]

一次完整再平衡的可执行顺序

数据封版：确认 $T$ 日所需数据到齐，写 data_version 与质量报告。
Universe：按 $T$ 日状态生成研究、可开、只持、只卖和冻结集合。
预测：加载已批准 champion，对 FeatureSnapshot 出 5 日 Alpha；Ridge 同步出挑战结果但不下单。
风险/成本：估计风险暴露、协方差、特异风险、三档成本和容量。
组合：优化目标，取整与 repair，再做独立 post-check；保存 decision_id。
发布一致性复核：在开发/发布 gate 中，用相同 fixture 在本地与聚宽检查规则、费用、信号和目标差异；超过容差则阻断该 release_id。实盘日不在线依赖聚宽。
开盘前对账：QMT 查询资产、持仓、可卖量、未结订单和昨日成交；不平则 SAFE_MODE。
PreTrade Gate：重算现金、目标差额、当日规则、行情新鲜度、限额和申报预算。
执行：父单拆子单，回调更新状态；先处理必须降低风险的可卖单，再按现金和优先级安排其余交易。
反馈：窗口结束处理残余；日终对账，生成 P&L、暴露、TCA、异常和 champion 健康报告。

平台之间传什么，不传什么

边界	允许传递	禁止依赖
Qlib → 核心	带时间、持有期、版本的预测表	Qlib 内部 dataset/model 对象直接进入交易
核心 → 聚宽	Universe、目标权重、费用/成交参数、run ID	用聚宽隐式全局状态定义策略事实
核心 → QMT	已批准的父单意图、限额和 idempotency key	把模型代码塞进券商 callback
QMT → 核心	原始回报、标准化事件、券商快照	用本地预期覆盖券商持仓或订单状态

这使“聚宽先跑、以后迁移 QMT”不再等于重写策略。真正需要重写的是平台适配器和少量时序，不是 Alpha、风险、成本与组合定义。

十四、这套 V1.0 为什么是 66 分，而不是 40 或 90

各层目标成熟度

层	纸面目标分	超过 60 的理由	还没到 80 的原因
数据 / Security Master	68	PIT、原始/标准分层、规则版本、快照与质量门齐全	单主源，复杂公司行动和历史修订仍需长期校验
Universe	66	PIT 成分、流动性、持有/买卖/冻结状态分离	尚无动态容量池和多 benchmark 稳定性
Alpha / 验证	65	LightGBM + Ridge、purged walk-forward、成本后多维指标	特征与标签仍是公开范式，尚无长期实盘证据
风险	64	透明多因子、收缩、特异风险、事前约束和压力测试	因子与协方差未用多年实盘/商业模型交叉验证
成本 / 容量	62	日期费率、价差、冲击、三档压力并进入优化	冲击参数尚无足量真实成交拟合
组合	68	Alpha—风险—成本联合优化，真实交易边界和失败降级	单期、参数不确定性处理仍较基础
执行 / OMS	62	异步状态、部分成交、幂等、节流、恢复与对账	没有精细量能预测、队列/盘口模型和多券商容灾
评价 / 反馈	65	预测—目标—成交四轨迹、归因、TCA、champion/challenger	自动漂移诊断与决策治理仍较轻
工程 / 运行 / 合规	64	模块单体、测试、事件账本、runbook、报告 gate	单机、人工值守、灾备与权限治理有限

总分计算

总评分维度	权重	目标得分	加权贡献
数据与时点正确性	15%	68	10.20
研究与样本外验证	15%	66	9.90
风险与组合构建	15%	67	10.05
成本与执行现实性	15%	62	9.30
工程与可复现性	15%	68	10.20
运行、对账与监控	15%	63	9.45
合规与平台迁移	10%	68	6.80
合计	100%		65.90 ≈ 66

[!important] 分数的正确读法 66 是这份设计在全部实现、测试、模拟和券商确认通过后的目标分。今天只有文档而没有证据，系统不能自称 66 分；每个 Gate 都应链接到测试报告、模拟记录或券商确认材料。

它不是 40 分，因为已经显式处理了数据时点、相关风险、成本容量、异步订单、对账与合规；它不是 90 分，因为没有私有数据优势、商业风险模型、长期成交数据库、多券商容灾、严格权限治理和多年资金验证。

十五、几条关键取舍：明确说“不选什么”

1. 不把等权当最终答案

等权保留为永远的 benchmark，但它没有使用预测强度、协方差、行业暴露、容量和交易成本。复杂优化器若长期不能成本后胜过等权，应下线复杂优化器，而不是删除等权对照。

2. 不用单均线代表 Alpha 层

单均线可以验证完整管线，也可能在趋势策略中有真实价值，但无法代表跨股票的特征、标签、排序、风险暴露和组合决策。它是测试信号，不是这篇 Baseline 的研究终点。

3. 不把止损叫风险系统

止损发生在价格已经移动以后，而且在停牌、跳空、跌停时未必能成交。它不处理相关性、行业集中、Beta、波动、流动性、容量和不可卖风险。V1 保留损失保护线，但把主要风险控制放在仓位生成以前。

4. 不假设订单瞬间全部成交

真实 API 是异步的，订单可能拒绝、部分成交、撤单失败或回报乱序。只要回测持仓能在一行代码里瞬间跳到目标，执行层就没有达到 60 分。

5. 不只看收益、Sharpe 和最大回撤

相同净值可能来自真正选股、行业押注、不可复制的成交价或数据泄漏。Alpha、风险、成本、执行和运行指标必须同时存在，并能沿 run_id/decision_id/order_id 下钻。

6. 不在 V1 先上 Transformer、GNN 或 RL

原因不是它们永远无效，而是当前主要误差更可能来自 PIT 数据、有效样本、风险暴露、费用和执行。深模型只有在稳定 Baseline 上作为 challenger，以相同信息集、相同验证协议、相同风险成本比较后才有意义。

7. 不追求一个框架包办一切

聚宽最懂当前 A 股研究体验，Qlib 最适合模型 workflow，LEAN 最值得学习架构，QMT 才连接实际券商。让一个框架承担不擅长的全部角色，会把便利变成锁定；稳定数据契约比统一 Logo 更重要。

8. 不用“最新”替代“可验证”

V1 优先成熟的树模型、收缩协方差、凸优化和确定性执行。新方法首先进入离线 challenger；只有它在净收益、稳定性、风险、运维和回滚五方面都证明增量价值，才进入生产。

9. 不用回测收益抵消代码质量，也不用漂亮架构掩盖无效 Alpha

上线采用双门：研究门要求样本外、成本后有稳定证据；工程门要求状态、测试、重放、对账和合规通过。任何一边失败都不能上线。

十六、从 60 到 80：按证据升级，不按功能堆砌

分阶段落地

阶段	目标	完成证据	禁止事项
Phase 0：合同与夹具（1—2 周）	九种对象、schema、规则表、固定小数据集	接口文档；PIT/费用/T+1/部分成交单测	先调模型找高收益
Phase 1：研究闭环（3—6 周）	本地 Qlib + Ridge/LightGBM + 风险/成本/优化	purged walk-forward 报告；实验可重放；等权/Top-k 对照	只保存一条最佳净值
Phase 2：双引擎与模拟（6—12 周）	本地与聚宽口径对齐，模拟运行	差异报告；至少 60 个交易日连续模拟；故障演练	发现差异后手工改净值
Phase 3：QMT 影子盘（4—8 周）	不发真实单，但用实时行情、券商快照和完整状态机	至少 20 个交易日；断线/重启/乱序回放；每日零未知账差	用模拟回调替代券商验证
Phase 4：小资金 canary	有人工批准、严格限额的真实成交	至少 20 个交易日；真实费用与 TCA；无未解释对账差异	初期即满资金、自动放量
Phase 5：受控放量	按容量与误差逐级扩大	每级预测—实现偏差和回滚审查	按回测收益直接决定资金量

这些天数是最低工程观察窗，不是统计显著性的保证。跨市场状态的策略有效性仍要靠更长样本与持续实盘证据。

各层 60 → 80 升级表

层	60 分 Baseline	到 80 分最有价值的升级	何时才值得做
数据	单主源 PIT + 版本快照	第二独立源对账、自动修订差分、字段级 lineage、更多逐笔/公告数据	主源错误已成为主要残差
Universe	PIT 中证 500 + 静态容量门	资金规模驱动的动态流动性池、多 benchmark、拥挤/退市概率	CSI500 限制了容量或 Alpha
Alpha	LightGBM + Ridge	稳健 ensemble、预测不确定性、正交新数据、因果/机制验证	简单模型已稳定且新数据有独立价值
风险	透明行业风格模型	动态相关、流动性/拥挤风险、商业模型交叉验证、模型风险 ensemble	风险预测误差可被量化定位
成本	代理冲击 + 压力区间	用真实成交分层拟合、日内量能预测、多日 liquidation、机会成本模型	积累足量不同股票/规模成交
组合	单期凸优化	鲁棒/多期优化、参数不确定性、分层风险预算、现金/Beta 联合组合	单期决策的短视成本已显著
执行	Guarded TWAP/POV	自适应量能/波动、智能限价、多窗口/多日计划、灾备 broker adapter	TCA 证明执行损失是主要瓶颈
评价	四轨迹 + TCA + MLflow	自动归因、漂移分型、champion/canary 编排、统计过程控制	实验与实盘数量足以自动化
工程/运维	单机模块化 + 三账	热备、强权限审计、不可变事件库、异地恢复、多账户隔离	资金规模与停机损失值得成本

升级原则只有一个：先修复当前最大且可测的误差源。如果净收益主要损失在冲击，先改执行；如果模型在不同行业失效，先修 Alpha/Universe；如果每天对账都不稳，暂停所有模型升级。

十七、最终验收清单

以下项目全部打勾，才可以把 V1 标记为“达到 60 分”；其中 G10 和实盘权限必须由实际券商确认。

数据与研究

[ ] 历史指数成员、退市股、公司行动和财报公告时点可重放。
[ ] 原始价/复权因子分离；JoinQuant 与本地价格/收益口径差异有报告。
[ ] Random CV 已禁用；purge/embargo、walk-forward 和未触碰测试集写入代码。
[ ] Ridge、等权/Top-k 和 benchmark 全程保留，不只展示 LightGBM 最优结果。
[ ] 多时期、行业、规模和成本压力下结果无单点依赖。

风险、成本与组合

[ ] 行业/风格暴露、协方差、特异风险和压力测试都有版本。
[ ] 费率与券商交割单一致；冲击参数输出 low/base/high。
[ ] Alpha、风险、成本和换手共同进入优化；所有权重可解释。
[ ] 停牌、T+1、禁止开仓、现金和 ADV 是真实约束，不是事后修饰。
[ ] 求解不可行、rounding 和模型缺失均有测试过的降级路径。

执行、账本与运行

[ ] 分钟回放支持部分成交、残单、撤改、拒单和价格限制。
[ ] QMT adapter 支持幂等、重启恢复、乱序/重复回调和未知状态处置。
[ ] 启动前、运行中和日终三次对账；未知差异自动阻断新开仓。
[ ] 数据陈旧、断线、拒单激增和超限均触发明确 kill switch/runbook。
[ ] 每个实盘成交可追到 run_id → decision_id → parent_order → child_order → fill。

复现、迁移与合规

[ ] Git、依赖、配置、数据、模型、规则版本和随机种子全记录。
[ ] 本地/聚宽双引擎差异在约定容差内，且费用和成交假设同源。
[ ] 聚宽策略不包含无法移植的核心业务逻辑；QMT callback 不包含模型逻辑。
[ ] 已完成至少 60 个交易日模拟、20 个交易日 QMT 影子盘和故障演练。
[ ] 已向国金等实际开户券商确认 QMT 权限、模拟/实盘差异、频率限制和程序化交易报告状态。

十八、现在只需要冻结的五个个人决策

技术栈可以先按本文实现，但以下五项最终来自你的资金目标，不应由框架替你决定：

决策	本文默认	改变它会影响什么
benchmark / 标的池	PIT 中证 500	Alpha 标签、风险暴露、持仓数与容量
资金规模与未来放量目标	未填；必须输入	ADV 门、单股上限、执行窗口和数据投入
风险预算	5% 现金缓冲；其余范围用网格	跟踪误差、行业偏离、回撤状态和仓位
调仓节奏	周频目标、次日执行	标签期限、换手、容量和执行模型
券商接口事实	待实际确认 QMT/MiniQMT	Adapter、回调、频率、报告与上线日程

在这些答案出现前，系统仍能完成研究和模拟；但参数必须标记 UNCONFIRMED，不能把通用默认包装成个性化最优值。

十九、最终判断

这套 Baseline 的真正价值不在 LightGBM、CVXPY 或 QMT 任一名词，而在四个不可逆的工程习惯：

当时知道的数据与后来修订的数据分开。
预测、目标、订单、成交分开。
Alpha、风险、成本、可交易性在下单前相遇。
研究结论、实盘事实和反馈证据可以沿版本与账本闭环。

只要这四点成立，未来把 LightGBM 换成 ensemble、把透明风险模型换成商业模型、把聚宽换成本地引擎、把 QMT 换成另一家券商，都属于可控升级。反过来，如果四点没有成立，再复杂的深度模型或更快的柜台只会让错误更快发生。

所以，个人 A 股系统的第一个“机构级 60 分”不应追求像一个缩小版大机构，而应该成为一个边界清楚、假设可见、失败安全、结果可复核、能够真实迁移的小系统。这足以作为未来 3—5 年的地基。

主要资料

架构与开源系统

模型、风险、组合与执行

A 股平台、规则与费用

与 OB 现有路线的关系

架构入口：quants/foundations/LEAN 60 行量化系统骨架逐行解读：从标的、Alpha 到组合、风控与执行（2026-07-18）
开源代码地图：quants/机构级量化系统最小可运行模板选择指南：Top 5 开源仓库与学习路线（2026-07-15）
个人能力坐标：quants/foundations/个人量化能力全景图与当前坐标：从现金层、Beta 层、Alpha 层到优秀个人、小团队与幻方级机构（2026-07-17）
券商与接口现实：quants/个人量化券商系统选择、问询与开户指南：QMT、PTrade 与极速柜台（2026-07-01）