本地运行的 AI 辅助量化因子研究系统:AI 提出因子假设,确定性引擎负责回测、验证和淘汰。只有通过完整统计检验、赢得标的席位的模型才会进入推荐结果。
核心设计一句话:
LLM 负责提出假设,统计系统负责审判假设。
它解决的问题是:当系统可以快速测试上千个策略时,最终总能在历史里找到表现漂亮的模型——但那是 Alpha,还是大量尝试后碰巧捞到的噪声?FactorForge 把多重检验、样本外验证、防回测过拟合当作一等公民,而不是最后看一眼 Sharpe。
每日荐股页——每个标的只由它的冠军模型发言:当前评分、建议区间、操作倾向;没有合格模型就明说没有,绝不硬推。
训练控制台——市场、数据源、因子池、历史长度、自动化训练,全部在本地页面完成:
① 标的池 → ② AI/预设生成因子配方 → ③ 骨架去重 → ④ 权重抖动放大变体
→ ⑤ 因子计算与稳健化(Median/MAD → 加权 → EMA → 滞回带)
→ ⑥ IS 段选参 → ⑦ Walk-Forward 样本外评估
→ ⑧ 十道统计闸门(一票否决)→ ⑨ Champion/Challenger 席位仲裁
→ ⑩ 荐股(没有合格模型就明确说没有,绝不硬推)
AI 只负责提假设、选因子、定结构;因子计算、回测、检验、晋级、推荐全部由确定性程序完成。
默认 3000 根 K 线:
| 区间 | 占比 | 用途 |
|---|---|---|
| 前 2100 根 | 70% | 参数 / 出场带选择(IS) |
| 后 900 根 | 30% | 完全样本外(OOS) |
| OOS 前 720 根 | 24% | 验证折(默认 4 折,每折 180 根) |
| OOS 最后 180 根 | 6% | Terminal Holdout(终窗) |
关键原则:模型锁定后不得再对 OOS 调参;终窗只负责否决,不参与优化。
一个候选不是 Sharpe 高就能进模型库。十道门按序一票否决(fmtr/registry.go 的 gateVerdict——训练过滤、模型审计、荐股页 NO-REC 三处同判,报错只报第一道没过的门并带上本行数字):
| # | 闸门 | 默认条件 |
|---|---|---|
| 1 | 双判闸 | 超额收益 > 0;或基准躺平为正 Sharpe 时,风险调整 Sharpe ≥ 基准的 85% |
| 2 | 验证段收益 | > 0 |
| 3 | 交易笔数 | ≥ 8 笔 |
| 3b | 回撤上限 | 样本外最大回撤 ≤ 22%(max_dd_max,0=关闭) |
| 3c | 回撤持续期 | 整段最长连续水下占比 ≤ 90%(max_underwater_max,0=关闭) |
| 4 | 折位稳定性 | 验证折"至多一红" |
| 4b | 收益集中度 | 尾段最赚 5% K 线的毛利占比 ≤ 50%(max_conc_top_share,0=关闭) |
| 5 | Terminal Holdout | ≥ 0(只否决,不排序) |
| 6 | 席位 DSR | ≥ 0.50(dsr_min,0=关闭)——扣除多重试验选择偏差后的 Sharpe |
| 7 | CSCV / PBO | 翻位率 ≤ 10%(pbo_max,0=关闭)——训练榜第一名换段历史后是否还站得住 |
相关策略不算独立试验:DSR 的试验数 N 经 Harvey-Liu 相关性修正(N_eff = 1+(N−1)(1−ρ̄)),权重变体按因子配方归族。新闸门不追溯否决老席位;清退存量席位走执行纪律面板的显式操作(先预览、后清退、逐条入台账)。
单窗口 + 单一 DSR 线的体系有一个实证缺口:一个 OOS 尾段只覆盖一个 regime(实测 ρ(IS,OOS)≈0 正是症状),而 DSR 0.50 的通过线对几十笔交易的短记录撑不起论文的 0.95 严格线。对策不是放松闸门,而是四层:
| 层 | 机制 | 旋钮 / 默认 |
|---|---|---|
| 1 多窗口确认 | 过全闸的候选还要在 85% / 70% 锚定的更早窗口上重考同一套 walk-forward(每窗自己的 70/30 切分与 B&H 基准;DSR/PBO 锚定窗弃权,其余经济闸全开——回撤上限每窗单独成立),≥2/3 窗过闸才算确认。治"一个 regime 的运气" | confirm_windows,默认 3;1=关 |
| 2 席位分层 | 过闸幸存者按 DSR 分两档:≥0.95(论文 95% 拒绝线)=正式席;[0.50, 0.95)=观察席(信号照常展示、明确标注未达显著)。分层从不放人进门 | dsr_formal,默认 0.95;0=不分层 |
| 3 资金线 | 回撤上限就是运营的资金容忍线(22%),只在主窗(操盘者将要经历的那段 OOS)成立,不在锚定窗重复计数(锚定窗回撤只披露)。样本内回撤另设同刻度上限:22% × √(IS/OOS 段长度) ≈ 33.6%——校准段自己就沉深=边缘或杠杆靠不住,可用 is_dd_max 覆盖 |
max_dd_max,0.22;is_dd_max 留空自动推导 |
| 4 前向纪律 | 在任席位在新鲜数据窗失手:首次降级为观察席,连续 2 次(missRetire)退席并逐条入台账。同数据重考归零连胜但不推进失手计数——冻结的数据源定不了席位的罪 |
固定 2 |
每个标的维护独立的模型席位。新模型作为挑战者,只有同时满足才替换在位冠军:
- 自身通过全部十道闸(同一份
gateVerdict,无第二把尺子); - 换席门槛:验证段收益超过在任参照 + 5 个百分点(
promoteMargin,防噪声换人); - 同轴规则:在位者靠"净赚"赢的席,挑战者必须也按净赚赢;靠"风险调整"守的席就按风险调整比——不许换赛道;
- 连续过关(见下)。
新席位默认需要连续 2 轮(consec_pass_min)全部过闸,且两轮之间样本窗口必须真正前进至少一个 OOS 折段——同一批 K 线重考不算新的一轮。
连胜采用三值语义(2026-10-08):
| 本轮该标的状态 | 连胜账本 |
|---|---|
| 过闸(本轮最强候选通过全部闸) | 数据窗前进则 +1;同数据重考不增不减 |
| 参赛了但全不过闸 | 归零(真实的负观测;对未上席的待位标的同样生效——过闸 1/2 → 失手 → 过闸 ≠ 2/2 上车) |
| 没参赛(数据抓取失败 / 流动性裁剪 / 名单调整) | 不动(无观测不是失败) |
自动化训练买不到连胜分:它买到的是更多独立样本(每轮换种子 = 换一整套候选),不是"挂机刷连胜"。
./indicator-training autotrain --market crypto --rounds 5 # auto(默认)
./indicator-training autotrain --market crypto --rounds 5 --apply gate # 严格
./indicator-training autotrain --market crypto --rounds 5 --apply force # 每轮强刷apply |
连胜门 | 换席门槛 +5pp | 同轴规则 | 语义 |
|---|---|---|---|---|
auto(默认) |
放行(不记分) | 生效 | 生效 | 只换更优的 |
gate |
照走 | 生效 | 生效 | 完整纪律;背靠背连跑很可能一轮都不换席 |
force |
绕过 | 绕过 | 绕过 | 每轮按该轮最好的候选重建席位,即使更差 |
轮数 1~10000(超过 200 轮启动时会再确认)。每轮独立:自己的 seed、候选批次、工件、席位裁决。训练结束席位自动写入,无需手动覆盖。
定时训练的节奏建议:
gate模式:连胜门要求 K 线窗口前进一个样本外折段,背靠背连跑不满足——每天定时跑 1~5 轮即可,跑 100 轮和跑 5 轮效果相同(窗口没动,白烧算力);auto模式:每轮换种子 = 一批全新候选,多轮是"独立采样打磨面板",100 轮机制上成立、边际递减——轮次间隔设几分钟,别用它刷连胜分(auto 不记连胜)。
./indicator-training export --out champions.json # 默认连模型工件一起打包
./indicator-training import --file champions.json --mode merge席位记录的是工件文件名(指针),不是模型本身——只拷席位表不拷工件,导入后第一次荐股就会全部自动解绑。包里同时带走连胜账本与当时的门槛口径。merge 只动包里有的标的;replace 整表替换;版本比本机高的包一律拒绝。
荐股是整个系统的唯一输出:每个标的由坐在冠军席上的模型给出建议,落选者保持沉默。
| 页面元素 | 含义 |
|---|---|
建议区间 [lo, hi] |
模型评分的滞回带:低位偏多、高位偏空,带内位置(0~1)翻译成人话建议 |
| 5 根 K 线涨跌 | 与该模型训练节奏同口径的实际行情,供对照 |
| DSR(面板 / 席位) | 该面板与该席位晋级时的通胀调整 Sharpe:≥0.95 显著,<0.5 ≈ 噪声 |
| 闸窗说明(行内小字) | 入场带按席位记录精确重放,但带宽的 MAD 来源窗是当前拉取窗前 70%,不等于训练原窗——出信频率会随行情年代漂移 |
三条诚实条款:
- 没有合格模型 → NO-REC,明确写原因,绝不拿次品凑数;
- 工件缺失自动解绑:席位只是指针,荐股时发现工件不在就解绑并说明,不装作还在服役;
- 换源即停摆:换过数据源的市场,含衍生品因子的旧模型停止荐股并说明原因,不悄悄退化。旧口径(统一闸门 era 之前)晋级的席位会显式标注,不与现行口径的数字并列冒充可比。
| 市场 | 数据源 | 备注 |
|---|---|---|
| Crypto | Bybit(默认);可选 binance(现货)/ tradingview | 7×24;多空;杠杆 1/2/3/5×;仅 Bybit 可测衍生品因子 |
| 美股 | TradingView;备援 Yahoo | 多空;1/2× 杠杆 |
| A 股 | TradingView;备援 腾讯 → Yahoo | T+1 只做多 |
| 港股 | TradingView;备援 Yahoo | 只做多 |
| 商品期货 | TradingView 连续合约 1!;备援仅 PAXG |
多空;1/2/3× 杠杆 |
三条铁律:
- 严格单源(
strict_data,默认开):选中的源连续失败(4 次退避,约 36 秒)即中止训练并点名市场/源/首个真实错误,绝不静默换源——两个源永远量不出同一个东西。放宽strict_data才启用上表备援链;crypto 无论开关都没有备援。 - crypto 默认 Bybit:OI 与资金费率只有它提供,衍生品因子族(拥挤度、杠杆成本、清算级联)只在 Bybit 上可测;三个源都合法可选,但换源=换口径(Bybit 是 USDT 本位永续,与现货不是同一序列),换源后含衍生品因子的旧模型会停止荐股而不是悄悄退化。
- 历史深度自适应:标的实拿少于申请根数时按实拿出成绩(不低于 600 根,否则切不出样本外折段);衍生品历史不足时把 K 线裁到可支撑窗口并写警示行。
8 个 OI / 资金费率因子,方向全部来自实测(残差化秩 IC),不是经济学推理——比如实测推翻了"OI 与价格同涨=健康上涨"的手册直觉:oi_chg 顶十分位后续收益更差(t=−6.10)。它们是候选因子,不是已验证 alpha:默认一个都不勾,勾上即完整生效(预设风格跟随勾选,不勾 11 条、勾满 15 条)。资金费率同时作为 carry 成本按 bar 计入 pnl。范畴约束:永续持仓在 A 股/港股/美股/期货上不存在,衍生品因子在这些市场会被引擎级剔除并点名。
- 成本模型:换手费 18bp + 滑点 10bp × 杠杆,平仓同计(研究参数,非真实成交保证);
- 资金费率按 bar 分摊计入持仓成本(无数据不收费);
- 防未来函数:因子归一化只用历史窗、EMA 单边递归、
exposure[i] = position[i-1]——第 i 根 K 线的决策不用第 i 根的未来收益;实时信号复用回测的NewSignalGate,减少线上与回测的实现偏差。
| 词 | 人话 |
|---|---|
| 配方 | 一个候选策略:某组因子 + 某套参数 |
| 双判闸 | 要么跑赢躺平,要么风险调整达到躺平的 85%(熊市"少亏"不算本事) |
| 验证段 | 训练窗之后、终窗之前的那段,用来选配方 |
| 折位 / 至多一红 | 验证折里至多一段亏钱,防靠某段行情撑门面 |
| Holdout(终窗) | 从一开始就锁进保险柜的最后一段,只考一次,考砸一票否决 |
| DSR | 把"试得多了总有个虚高 Sharpe"扣掉之后的选拔分 |
| PBO | "训练期第一名"换段考卷翻车的比率 |
| 席位 / 上岗 | 某标的"当前服役策略"的位置;上岗 = 荐股引擎开始使用它 |
| 换席门槛(5pp) | 挑战者验证段须超过在任 5 个百分点才换人 |
| 连续过关 1/2 | 第一次全闸通过只是过闸,下一次新数据再全过一次才上岗(三值语义见上) |
| 淘汰与上岗记录 | 只增不改的台账:每个配方怎么死的、每次席位裁决,全部留痕 |
| 严格单源 | 选定的源失败就中止训练并点名,不偷偷换源 |
| 走步验证 | 滚动向前考:每段考完再来下一段 |
依赖:Go、可访问的行情数据源、可选 OpenAI/Anthropic 兼容 API。
# 构建
go build -o indicator-training ./cmd/indicator-training
# 启动 Web 控制台
./indicator-training serve --addr 127.0.0.1:8095 # http://127.0.0.1:8095
# 训练(AI 生成配方)
./indicator-training train --market crypto --interval 4h --n 10 --source ai --seed 42
# 训练(内置预设,不消耗 API 配额,适合冒烟与复现)
./indicator-training train --market crypto --interval 4h --n 10 --source preset --seed 42
# 期货标的写 TV 连续合约代码
./indicator-training train --market fut --interval 4h --n 10 --source preset \
--symbols COMEX:GC1!,NYMEX:CL1!,CBOT:ZW1!
# 模型库
./indicator-training models
./indicator-training show --name X
./indicator-training delete --name X
# 推荐
./indicator-training recommend --name X --symbols BTCUSDT,ETHUSDT,SOLUSDT--market 可取 crypto / us / cn / hk / fut。Web 控制台包含:AI 接口、训练(数据源/因子池/历史长度/断点续训/自动化训练)、模型库(席位、未入模原因、执行纪律面板、冠军包)、荐股页(每行带闸窗说明)。研究诊断工具:probe(行情双源核对)、randomtest(随机权重参考分布)、ictest(因子方向审计)。
配置位于 fmtr_config.json(完整配置随训练工件保存,复盘以当轮工件为准):
| 参数 | 默认 | 含义 |
|---|---|---|
bars |
3000 |
单轮申请的样本根数(实拿不足按实拿出场) |
ai_skeleton_cap |
16 |
因子配方数量上限 |
dsr_min |
0.50 |
DSR 门槛(0=关闭) |
pbo_max |
0.10 |
PBO 翻位率上限(0=关闭) |
consec_pass_min |
2 |
连续过闸轮数(0=关闭;三值语义见"席位制度") |
max_dd_max |
0.22 |
回撤上限(0=关闭) |
max_underwater_max |
0.90 |
回撤持续期上限(0=关闭) |
conc_drop |
0.05 |
集中度测量份额(非松紧旋钮) |
max_conc_top_share |
0.50 |
收益集中度上限(0=关闭) |
fee_bp |
18 |
换手费 bp |
slippage_per_lev_bp |
10 |
每杠杆档滑点 bp |
fold_count |
5 |
OOS 折段数(0 → 强制 5 折) |
strict_gen |
true |
AI 生成失败不静默回退 |
strict_data |
true |
数据失败不静默换源 |
data_by_market |
见下 | 每市场的行情源 |
{
"crypto": "bybit(默认)| binance | tradingview",
"us": "tradingview | yahoo",
"hk": "tradingview | yahoo",
"cn": "tradingview | tencent | yahoo",
"fut": "tradingview | binance(仅黄金代币 PAXGUSDT)"
}非法值加载时回退缺省并打日志留痕;合法值原样保留。K 线缓存按源分文件——换源必定缓存未命中。
FactorForge/
├── cmd/indicator-training/ # 入口
├── fmtr/ # 训练引擎 / 回测 / 统计闸门 / 席位 / 荐股 / Web API
│ └── web/ # 控制台页面
├── trend/ momentum/ volatility/ volume/ helper/ # 指标库
├── models/ # by_symbol.json(席位)、pass_streaks.json(连胜账本)、工件
└── fmtr_config.json
- 各市场历史深度不均:实拿不足按实拿出场(≥600 根才有成绩);部分美股/港股/A 股及备援源盘中历史明显更短。
- OOS 样本有限:默认 900 根 OOS 对复杂模型证据强度有限,可加大
bars。 - 滑点未经真实成交验证。
- 训练成本高:完整训练可达数小时,工件可达数百 MB。
- 数据质量决定研究质量:数据连续性、时间戳、复权/换月处理、无未来信息、无幸存者偏差——系统不替你隐藏这些问题。
FactorForge 是研究系统,不是已证明有预测能力的交易系统。
- 不因为 Sharpe 高就相信它;
- 不因为 AI 生成就相信它;
- 不因为一次通过就相信它;
- 没有证据就不推荐。
是:本地量化研究系统、AI 辅助因子发现、Walk-Forward 模型选择、防过拟合框架、Champion/Challenger 管理、可审计流水线。 不是:自动印钞机、保证盈利的 AI、自动交易机器人、投资建议。
AGPL-3.0
仅用于量化研究、历史数据分析与回测。历史表现不代表未来结果,不构成任何投资建议。请在充分理解数据、模型、统计方法与实际交易风险后使用。

