量化交易智能体-投资助手

立项背景：传统人工投资主观性较强，容易受到情绪干扰，量化策略编写门槛高、回测效率低下，普通投资者无法系统化进行行情研判、策略验证与仓位管理。本项目目标是搭建 AI 量化交易智能体投资助手，依托大模型与量化算法实现自动化行情分析、策略自动生成、历史回测、风险风控、仓位计算以及每日投资建议输出，降低量化投资门槛，规避情绪化交易，提升策略稳定性。
核心模块分为五大部分：金融数据采集模块、因子计算模块、策略回测模块、多智能体决策模块、实时风控模块。数据模块自动抓取 A 股日线、分钟线、财报数据、资金流向数据；因子模块自动计算上百个量价因子；回测模块可模拟多年历史行情，计算夏普比率、最大回撤、年化收益率；决策智能体综合技术面、基本面、市场情绪生成交易信号；风控模块实时限制单日亏损、单票仓位上限。
整体业务流程：程序每日盘前自动拉取全市场行情数据，批量计算量化因子，由多个分工 AI 智能体并行分析市场行情，汇总多维度打分生成买入、卖出、持仓信号，经过风控规则过滤后输出每日投资计划，同时每日自动复盘策略绩效，迭代优化交易规则，全程无需人工干预。

整体采用模块化松耦合架构，整体技术栈以 Python 为主，采用 Pandas、Polars 做高性能数据处理，使用强化学习与大模型 Prompt 搭建多 Agent 决策体系，回测引擎基于向量化运算开发，采用多线程加速批量回测，所有模块互相独立可单独迭代。数据模块负责爬取清洗金融数据，因子模块批量计算技术因子，回测模块做历史仿真，智能体模块负责逻辑推理，风控模块拦截高风险交易信号。
本人独立负责量化因子体系搭建、向量化回测引擎开发、风控规则编写与策略绩效统计工作，一共完成 126 个量价因子的编写，将回测运算速度提升 72%，搭建完整的回撤风控体系，筛选出 17 套穿越牛熊的稳定量化策略，策略年化收益率平均稳定在 15%-22% 区间，最大回撤控制在 8% 以内。
项目开发中遇到的难点：传统循环回测运行速度极慢，全市场回测单次耗时超过 2 小时；多因子存在数据过拟合问题，历史表现优秀实盘极易失效。解决方案：舍弃循环写法，改用 Polars 向量化运算重构回测底层，速度提升数倍；引入样本外分段检验、滚动回测、行业中性约束，有效剔除过拟合策略，大幅提升策略在实盘环境下的稳定性。