我业余在做一个 A 股量化分析系统：自动拉数据、算因子、做因果推断、生成个股分析报告。它从最初十几个互相调用的脚本，长成了一个有数据层、因子层、模型层、决策层、复盘层的系统。这篇是写给”想做量化系统、但还停在写脚本阶段”的新手的复盘——不讲怎么调参赚钱，只讲怎么把系统的骨架搭对。 因为我越做越确信：量化里真正难的不是策略，是工程。
先有骨架：一个完整的量化系统分五层
新手最容易陷入的误区，是一上来就钻进”用什么指标、什么模型能赚钱”。但一个能持续迭代的量化系统，赚钱的策略只是最上面薄薄一层，底下要有四层地基撑着。完整骨架长这样：
1 | ┌─────────────────────────────────────────────┐ |
数据自下而上流动，每层只对相邻层负责。把这张图刻在脑子里，后面 80% 的架构决策都有了依据。下面逐层讲，每层都附上我真实踩过的坑。
第 1 层 · 数据层：地基，也是最容易偷懒的地方
数据层干三件事：采集（从外部源拉行情/财报/资金面）、落库（存进本地数据库）、统一访问（给上层提供干净的读接口）。
新手最容易在”统一访问”上偷懒——每个脚本要数据就自己 connect() 一下。我就是这么干的，结果欠下两笔债：
坑一：31 个模块各自连库，字段口径乱成一锅粥。 同一张 K 线表，有的模块记得字段叫 amt，有的写成 amount；日线 type 标准值是 '1d'，某次 bug 让它存成了 '60m'，下游全查空；数据库路径 "db_file" 硬编码在十几个文件里。后来我把所有”读数据”收口到一个 data_access.py，字段口径只定义一次，顺手加了个 compute_technicals() 把每次都要重算的 MA/RSI/MACD 一次算全。地基不统一，上面每盖一层都在重复试错。
坑二：外部数据源一定会在你最需要时挂掉。 我的”个股资金流”接口稳定跑了大半年后，某天整个路径被服务端拒绝——直连、走代理都是 Empty reply。依赖它的那块报告瞬间全空。这件事教会我一套”外部源生存法则”：
- 重试要克制：原来 3 次重试 ×15 秒，挂的时候白等 45 秒；改成 1 次 ×8 秒，从”卡死”变”秒跳过”。重试是为了扛抖动，不是硬刚宕机。
- 要有兜底源，但兜底数据的口径必须对得上。这是最隐蔽的坑：原接口是”超大单”口径，兜底源是”主力（超大+大单）”口径，同一只股票原口径显示 -70 亿、兜底口径 +0.7 亿，方向完全相反（”大单买、超大单卖”的派发）。所以兜底只补它对应的那一格，原口径拿不到就诚实标”不可用”，绝不拿另一个口径冒充。
- 降级要能自愈：原接口恢复后自动不再走兜底。
给新手：数据层是你唯一不能省工的地方。先写一个”唯一的读数据入口”，再把每个外部源的”挂了怎么办”想清楚。这两件事越晚做越痛。
第 2 层 · 因子层：让特征”可复现 + 可追溯”
因子层把原始 K 线/财报，加工成一个个数值特征——动量、波动率、估值（PE/PB/PEG）、财务质量（F-Score）、量价（振幅/量比）等等。我的系统现在有 29 维因子。
这层新手常犯的错，是把因子算在内存里用完就扔。正确做法是：因子要落库，带上日期和计算时间戳。 原因有三：
- 可复现：三个月后你想知道”那天为什么给这只股 60 分”，能查到当天每个因子的值。
- 可批量：横截面排名（这只股的动量在全市场排第几）必须有全市场当天的因子快照才能算。
- 可校验：因子算错了（比如某次我把”资产负债率”的单位算错，0.5 存成了 0.005），落库后能一眼看出异常。
还有一条:新增因子时，所有相关入口要同步。我加了 6 个新因子后，忘了同步因子评估模块，导致评估时报错——因为评估那边的因子列表是另一处硬编码的。任何”因子清单”这种东西，都该有唯一来源，而不是 copy 在多个文件里。
第 3 层 · 模型层：把数据变成判断，但要留余地
这是量化系统的”大脑”，把因子加工成可决策的信号。我这层有几个互相独立的模块：因子合成评分、因果推断（R-Learner）、资金博弈（6 类资金角色）、财务异常检测、市场状态识别。这层有两条最重要的原则：
原则一：单一信号会骗你，必须多路交叉验证。 我的综合评分给过一只股 63 分、全市场第 6，看着是顶级标的。但把其他信号摆一起：主力在净流出、散户融资暴增 60%（拥挤）、因果模型偏空、PE 接近 500 倍、利息都覆盖不了。一个”全市场第 6”的高分股，底下藏着”主力跑、散户接、估值畸高”。 只信评分就追在山顶了。所以我刻意让各路信号保持输入独立——它们集体矛盾时，矛盾本身就是最值钱的信息。
最典型的是财务异常里一条规则：经营性现金流持续低于净利润——账面利润飞涨但现金没回来，利润是应收账款堆的。光看净利润增速你会很兴奋，加上这条交叉验证才看见风险。
原则二：再好的模型都有边界，要给它装”门控开关”。 我的因果推断模型在大部分环境有效，但在”趋势向上+高波动”的市场状态下会失效（多空夏普 -0.33）。新手直觉是”失效了去调模型”，更聪明的做法是承认它有适用域，并在系统层面门控——我做了个市场状态识别模块，处在失效象限时自动停用这个模型的评级修饰。与其追求一个万能模型，不如做一个”知道自己什么时候不该说话”的系统。
第 4 层 · 决策层：机器出数据，人做判断
决策层把模型信号融合成最终产物：评级、风险收益测算、分析报告、操作清单。这层我踩过、也想明白了一件关于人机边界的事。
我曾经每分析一只股票都手工拼 8 个数据源、手敲 300 行报告，一只 15 分钟，还容易抄错数字。做到第十只我才反应过来：这件事的”数据部分”是确定性的，该让机器做。 于是写了个报告生成器：输入代码，自动把所有数据源串成报告骨架，只在三处留 <!-- 待人工填写 -->：业务面、风险收益、最终结论。单股分析从 15 分钟压到 3 分钟。
但我故意没让它自动出结论。因为实战时验证了一件事：生成器看不到的，恰恰最需要人判断。 有次它给”建议 3 星”，我手工降成 2 星——因为当时核心看空信号（超大单流出）因数据源挂了拿不到，生成器没看见所以”乐观”了。这个分歧本身就证明：人工复核不能省。
所以我的决策层这么切：
- 机器负责：拉数、算指标、跑模型、组装骨架、确定性的交叉验证——又快又不累。
- 人负责：解读业务、判断口径异常、权衡矛盾信号、对”模型看不见的东西”兜底——需要上下文和常识。
给新手：自动化不是取代人，是把人从确定性劳动里解放出来专注判断。好的设计会清楚标出”这里需要人”，而不是假装全知。
第 5 层 · 复盘层：没有它，前四层都是自嗨
这是新手最容易完全跳过的一层，但它决定你的系统是”科学”还是”玄学”。复盘层回答一个问题：前四层产出的判断，到底有没有用？
我的复盘层有几件套：
- 回测：策略在历史数据上跑一遍，看收益/回撤/夏普。注意要做 Walk-Forward（滚动训练-测试）+ 防过拟合，别用未来数据。
- IC 评估：每个因子和未来收益的相关性（IC/ICIR），定期算，淘汰失效因子。我就靠这个发现”财报披露窗口”因子是强负 alpha（ICIR -2.36）。
- 模拟盘：每天用真实行情结算虚拟持仓，跟踪策略真实表现。
- 跨日对比：今天的评级清单 vs 昨天，看谁新晋、谁掉队。
复盘层的产出要反哺前四层：IC 评估淘汰因子（反哺因子层）、回测验证模型门控的有效性（反哺模型层）、模拟盘暴露决策偏差（反哺决策层）。没有复盘闭环，你永远不知道自己是真有 alpha 还是在过拟合噪声。
必须单独拎出来的头号杀手：过拟合
如果说前面五层是”怎么把系统搭起来”，那这一节是”怎么不让系统骗你自己”。过拟合是量化新手的头号死因，它致命在于：你的回测曲线越漂亮，你越得意，而它很可能只是把历史噪声背了下来。
为什么量化特别容易过拟合？因为金融数据信噪比极低（真实规律微弱，随机波动巨大）、样本有限（A 股有效历史就十几年）、而人特别擅长事后找规律（任何一段历史你都能编出一个”完美”策略）。三者叠加，新手几乎必然会做出一个”回测年化 50%、实盘亏钱”的东西。
我在系统里专门用了几道防线，每一道都建议你抄走：
防线一:严格样本外 —— Walk-Forward 滚动验证。 别用全部历史训练再用全部历史测试（那叫”开卷考试”）。要滚动：用 2020-2022 训练、2023 测试，再用 2020-2023 训练、2024 测试……只在”模型没见过的未来”上验证。我所有回测都走 Walk-Forward，一个策略只有在多个滚动窗口都稳定，才算数。
防线二:防标签泄漏 —— Purged k-fold + embargo。 这是新手最容易忽略的细节。我的收益标签是”未来 20 天的超额收益”，意味着 6 月 1 日这条样本的标签，要用到 6 月底的数据。如果训练集里有 6 月 1 日、测试集里有 6 月 10 日，它们的标签窗口重叠了——测试集的”未来”泄漏进了训练集。做法是在训练/测试之间设一个 embargo（隔离带），把窗口会重叠的样本剔掉。任何用到”未来 N 天”做标签的模型，都必须处理这个泄漏。
防线三:防假数据 —— 源头校验。 过拟合有时不是模型的错，是数据的错。我加了一个合成/假数据检测（几条规则：价格是否过度平滑、成交量是否异常恒定、是否有可疑的等差数列填充等），因为某些降级数据源会用插值/合成数据填补缺口，用假数据训练出来的”规律”百分百是过拟合。 数据进模型前先验真。
防线四:因子层面持续淘汰 —— 别靠回测好看就留。 一个因子在回测里有效，可能只是运气。我用 IC 评估（因子和未来收益的滚动相关性）定期体检，失效的因子就淘汰，哪怕它曾经回测很美。我就靠这个发现某个因子是强负 alpha，果断剔除。
防线五:系统层面承认边界 —— 模型门控。 前面讲过的市场状态门控，本质也是防过拟合的一种——不在模型已知失效的环境里硬用它的输出，就是承认”我的模型只在某些条件下成立”，而不是假装它放之四海皆准。
最该建立的是一种心态：回测好看是默认应该怀疑的事，不是值得高兴的事。每看到一条漂亮的曲线，先问”我是不是哪里泄漏了未来、用了假数据、或者把噪声当成了信号”。对自己的结果保持敌意，是量化能活下来的前提。
贯穿五层的横切原则
有些原则不属于某一层，但每层都要遵守，决定系统的长期健康：
- 根因排查，别打补丁。 我有个模型预测表冻结了 6 周，修了三次才到底：第一次改”触发日终点”没用 → 第二次发现真卡点是”数据加载终点”参数写死 → 第三次发现刷新流程漏了一个数据版本。改了你以为是原因的东西却没解决，是宝贵信号——说明你对根因的理解还不对，继续挖，别叠补丁。
- 配置/常量唯一来源。 “股票池名称”枚举最初散在 12 个文件的命令行参数里，加一个新池要改 12 处必然漏。抽成一个常量，一处定义处处引用。copy-paste 过第二次的魔法值，都该收敛。
- 文档和代码同步。 我的文档一度还写”23 维因子”，代码已经 29 维。文档落后于代码，三个月后的你自己都会被误导。
- 诚实面对盲区。 做大盘研判时北向连续数据拿不到、估值只有横截面没有历史分位，我没假装有，而是专门写一节”数据盲区”列清楚。会说”我不知道”的系统，比什么都敢答的可信得多。
结语：给新手的搭建顺序
如果你正要从零搭一个量化系统，严格自下而上，别跳级：
- 先把数据层做扎实——统一读取入口 + 外部源降级。这步占你 40% 的工作量，但省下后面 80% 的麻烦。
- 再做因子层——可复现、落库、唯一清单。
- 然后是模型层——多信号交叉验证 + 模型门控。
- 接着决策层——工具化数据、人工补判断。
- 最后务必补上复盘层——没有它，前面全是自嗨。
注意，这张清单里没有一条是关于”什么策略能赚钱”。因为我越做越确信：量化新手的瓶颈从来不是策略，而是这套关于数据、降级、验证、边界、诚实的工程能力。 策略会失效、会过时，但一个工程扎实的系统，能让你快速试错、诚实复盘、持续迭代——这才是长期活下来的底气。
一个顺手的数据底座
最后留个彩蛋。上面反复提到”数据层是地基””外部源会挂、要多源兜底”——这些采集和降级的脏活，我抽出了一部分做成了一个开源的金融数据技能集，覆盖行情、财报、资金面（龙虎榜/北向/融资融券/大宗交易/股东户数）、研报、公告等全链条 A 股数据，自带多源降级：
👉 github.com/ghyghoo8/mx-skill-cc
如果你正在搭自己的量化系统、不想从零造数据层的轮子，可以拿它当第 1 层的起点，把精力省下来花在上面四层的判断逻辑上。欢迎 star / issue / PR。
共勉。