1. 从零拆解一个AI选股筛选器的设计思路

第一次看到“设计基于代理的人工智能筛选用于投资组合投资”这个题目，很多人脑子里蹦出来的第一反应是“用AI炒股”。这个理解方向没错，但太粗糙了。真正落到工程实现上，它要解决的核心问题其实是：如何让多个具备自主决策能力的智能体，各自从不同维度对全市场标的进行筛选，最终汇总成一个可执行的投资组合。这里面有三个关键词需要先掰开揉碎：代理、人工智能筛选、投资组合。

代理，也就是Agent，在人工智能语境下指的是一种能感知环境、自主决策并采取行动的计算实体。放到投资场景里，一个代理可能专门负责看财报数据，另一个代理专门盯量价关系，还有一个代理负责监控宏观指标。它们各自独立工作，互不干扰，但最终要把结论汇总。这跟传统的单模型选股有本质区别——单模型是一把尺子量所有人，多代理是多个专家各看各的，最后开会投票。

人工智能筛选，指的是用机器学习、深度学习或者规则引擎，从几千个标的中快速缩小范围。A股五千多个股票，美股上万，你不可能一个个看。筛选器的作用就是先粗筛掉90%明显不合格的，再把剩下的交给更精细的模型去打分。

投资组合，则是最终输出。不是选出一只股票就完事，而是要决定每只股票配多少仓位、整体风险敞口多大、行业怎么分散。这一步往往被新手忽略，但恰恰是决定长期收益的关键。

这个项目适合谁？如果你是有一定编程基础、对量化投资感兴趣但还没形成完整体系的人，这个框架非常适合拿来练手。如果你是完全不懂代码的投资者，也可以理解其中的逻辑，用现成工具去近似实现。下面我会从架构设计、代理分工、筛选逻辑、组合优化、实操踩坑几个层面，把这件事讲透。

2. 多代理架构的设计逻辑与分工原则

2.1 为什么不用单模型而用多代理

单模型选股最大的问题是过拟合和视角单一。你训练一个模型去预测收益率，它可能在历史数据上表现很好，但一到实盘就崩。原因很简单：市场风格会切换，今天有效的因子明天可能就失效。单模型很难同时兼顾价值、成长、动量、质量等多个维度，强行融合又容易互相干扰。

多代理架构的好处在于解耦。每个代理只负责一个维度，比如：

• 基本面代理：只看ROE、毛利率、负债率、现金流
• 技术面代理：只看均线、成交量、波动率、相对强弱
• 情绪面代理：只看新闻情感、社交媒体热度、分析师评级变化
• 宏观代理：只看利率、汇率、PMI、行业景气度

每个代理独立输出一个分数或排名，最后用一个元学习器或投票机制汇总。这样做的好处是，当某个维度失效时，你可以单独关掉那个代理，不影响其他部分。而且每个代理的逻辑清晰可解释，出了问题容易排查。

注意：代理数量不是越多越好。我试过堆到十几个代理，结果汇总层根本学不动，噪声太大。一般4到6个代理是比较舒服的区间，覆盖主要维度即可。

2.2 代理之间的通信与协调机制

代理不能各干各的然后简单平均，那样跟单模型没区别。它们之间需要有信息交换。常见的设计有两种：

第一种是黑板模式。所有代理把结果写到一个共享的“黑板”上，每个代理可以读取其他代理的结论，但决策仍然独立。比如技术面代理发现某只股票放量突破，它会把这个信号写到黑板上，基本面代理看到后，如果该股票基本面也达标，就会提高自己的评分权重。

第二种是层级模式。有一个主代理负责调度，它先让基本面代理粗筛一遍，把五千只股票降到五百只，再让技术面代理在这五百只里精选，最后让组合代理决定仓位。这种模式计算效率高，但主代理的调度逻辑需要精心设计。

我个人的经验是，混合使用效果最好。先用层级模式做粗筛，再用黑板模式做精细打分。粗筛阶段用规则引擎就够了，不需要上复杂模型，速度要快。精细阶段再用机器学习模型，允许慢一点。

2.3 代理的输入特征工程

每个代理的输入特征决定了它的上限。基本面代理的特征相对标准：市盈率、市净率、ROE、营收增速、净利润增速、经营现金流/净利润、资产负债率、股息率等。这些数据从财报里直接提取，注意要做行业中性化处理，否则银行股的市盈率和科技股的市盈率没法比。

技术面代理的特征包括：5日/20日/60日均线、MACD、RSI、布林带位置、换手率、振幅、过去20日收益率、波动率等。这里的关键是时间窗口的选择。太短了噪声大，太长了反应迟钝。我一般用20日作为主窗口，辅以5日和60日做交叉验证。

情绪面代理比较麻烦，需要处理文本数据。新闻标题、分析师报告摘要、社交媒体帖子，都要做情感打分。可以用现成的情感分析模型，也可以自己标注一批数据训练。注意情感分析的时效性，一条三年前的新闻对今天的股价没有影响，必须做时间衰减。

宏观代理的特征包括：十年期国债收益率、美元指数、PMI、CPI、PPI、社融增速等。这些数据频率低，但影响大。宏观代理不需要每天输出信号，可以按周或按月更新。

3. 人工智能筛选的核心算法与实操细节

3.1 粗筛阶段：规则引擎的快速过滤

粗筛的目标是把全市场标的降到可管理的数量，比如从5000只降到300只。这个阶段不需要复杂模型，用规则引擎就够了。规则的设计要遵循宁漏勿错的原则，宁可漏掉一些好股票，也不要放进太多垃圾股。

常见的粗筛规则：

• 剔除ST、*ST、退市风险警示股票
• 剔除上市不满一年的次新股
• 剔除日均成交额低于5000万的流动性差的股票
• 剔除市盈率为负或超过100倍的极端估值股票
• 剔除近两个季度营收或净利润同比下滑超过30%的股票

这些规则看起来简单，但能过滤掉大量明显不合格的标的。我实测下来，一套合理的粗筛规则能把5000只股票降到400只左右，耗时不到10秒。

提示：粗筛规则不要设得太严。我曾经把ROE门槛设到15%，结果把很多周期股和困境反转股全滤掉了，错过了不少机会。后来改成“ROE连续三年大于8%或最近一年大于12%”，覆盖面就合理多了。

3.2 精筛阶段：机器学习模型的训练与调优

精筛阶段用机器学习模型对粗筛后的股票进行打分。常用的模型有XGBoost、LightGBM、随机森林，以及近年来流行的Transformer类模型。对于表格数据，LightGBM通常是性价比最高的选择，训练快、效果好、可解释性强。

训练数据的构造是关键。你需要定义标签：未来20个交易日的收益率，或者未来20个交易日是否跑赢行业指数。前者是回归问题，后者是分类问题。我倾向于用分类，因为收益率预测的噪声太大，分类问题更稳健。

特征方面，除了前面提到的基本面、技术面、情绪面特征，还要加入交叉特征。比如“ROE乘以营收增速”代表高质量成长，“换手率除以波动率”代表交易活跃度与风险的比值。这些交叉特征往往比原始特征更有预测力。

训练集、验证集、测试集的划分要按时间顺序，不能随机打乱。金融数据有时间序列特性，随机打乱会导致未来信息泄露，模型在测试集上表现虚高。我一般用前70%的时间做训练，中间15%做验证，最后15%做测试。

模型调优的重点是控制过拟合。金融数据信噪比极低，模型很容易学到噪声。常用的手段包括：限制树的最大深度（一般不超过6层）、增加最小叶子节点样本数（不少于100）、使用早停机制、加入L1/L2正则化。

3.3 多代理结果的融合策略

每个代理输出一个分数后，需要融合成一个总分。最简单的做法是等权平均，但这样忽略了不同代理在不同市场环境下的有效性差异。更好的做法是动态加权。

动态加权的思路是：根据最近一段时间每个代理的IC值（信息系数，即代理评分与未来收益的相关系数）来调整权重。IC高的代理权重加大，IC低的减小。具体公式：

[ w_i = \frac{IC_i}{\sum_{j} IC_j} ]

其中 ( IC_i ) 是代理i在过去60个交易日的平均IC值。为了防止权重波动过大，可以加入平滑因子，比如用指数移动平均来计算IC。

另一种融合策略是分层融合。先让基本面代理和技术面代理各自输出前50名，取交集，再让情绪面代理对交集内的股票重新排序。这种策略适合代理之间相关性较低的情况。

我实测下来，动态加权在大多数时候比等权平均好，但在市场风格剧烈切换时，动态加权会反应滞后。所以我会设置一个权重下限，比如每个代理的权重不低于10%，避免某个代理被完全忽略。

4. 投资组合构建与风险控制

4.1 从筛选结果到组合权重

筛选器输出的是股票排名，但投资组合需要的是权重。从排名到权重，中间隔着风险控制。最朴素的做法是等权买入前20名，每只5%。但这样会导致行业集中度过高，比如前20名全是新能源，一旦板块回调，整个组合就崩了。

更好的做法是风险平价或均值方差优化。风险平价的目标是让每只股票对组合风险的贡献相等。均值方差优化则是在给定风险水平下最大化预期收益。两者都需要估计协方差矩阵，而协方差矩阵的估计在股票数量较多时很不稳定。

我的做法是分两步走：先做行业中性化，确保每个行业的权重不超过20%；再在行业内做风险平价。这样既分散了行业风险，又避免了单只股票权重过大。

具体步骤：

1. 将筛选出的股票按行业分类
2. 每个行业分配一个基础权重，比如等权分配，每个行业5%
3. 在行业内，根据代理评分和波动率计算个股权重
4. 对个股权重设置上限，比如单只不超过3%
5. 归一化，确保总权重为100%

4.2 仓位管理与动态再平衡

建仓之后不是就不管了。市场在变，代理的评分也在变。需要定期再平衡。再平衡的频率很关键：太频繁了交易成本高，太稀疏了跟不上变化。我一般每两周再平衡一次，同时设置触发式再平衡：当某只股票的权重偏离目标超过2个百分点时，单独调整。

再平衡时还要考虑交易成本。A股买卖有佣金和印花税，频繁交易会吃掉不少收益。所以再平衡时我会设置一个缓冲区：只有当新权重与旧权重的差异超过1%时才交易，否则不动。

注意：再平衡不是越勤越好。我试过每周再平衡，结果一年下来交易成本吃掉了3%的收益。后来改成两周一次，加上缓冲区，成本降到了1%以内。

4.3 风险控制的关键指标

组合构建完成后，需要监控几个关键风险指标：

这些指标需要每天监控，一旦触发警戒线，就要启动相应的风控措施。比如最大回撤超过15%，我会把仓位降到70%，等回撤修复后再加回来。

5. 实操中常见的坑与排查技巧

5.1 数据质量问题的排查

金融数据最大的坑是数据质量。财报数据可能有错漏，行情数据可能有缺失，复权因子可能算错。我踩过最惨的一次是某只股票的分红数据没更新，导致复权价格算错，模型给出了错误的买入信号，结果实盘亏了8%。

排查数据质量的方法：

• 检查每个字段的空值率，超过5%的字段要警惕
• 检查极端值，比如市盈率超过1000倍的，大概率是数据错误
• 检查时间序列的连续性，突然跳变的地方要人工核对
• 对比多个数据源，不一致的地方以官方披露为准

5.2 过拟合的识别与解决

过拟合是量化模型最常见的死法。识别过拟合的信号：

• 训练集表现极好，测试集表现很差
• 模型参数对训练数据极度敏感，稍微改一点数据，结果大变
• 特征重要性排名中，很多特征的经济含义说不通

解决过拟合的方法：

• 减少特征数量，只保留经济含义清晰的特征
• 增加正则化强度
• 使用更简单的模型，比如从深度学习换回LightGBM
• 增加训练数据的时间跨度，覆盖更多市场环境

我个人的经验是，如果一个模型在测试集上的夏普比率超过2，大概率是过拟合了。真实的量化策略，夏普比率在1到1.5之间是比较合理的。

5.3 代理之间信号冲突的处理

多代理架构下，不同代理可能给出矛盾的信号。比如基本面代理说某只股票被低估，技术面代理说它正在下跌趋势中。这时候怎么办？

我的处理原则是分情况讨论：

• 如果基本面和技术面冲突，优先相信技术面。因为技术面反映的是市场当下的共识，基本面反映的是你个人的判断。市场不认，你再对也没用。
• 如果情绪面和基本面冲突，优先相信基本面。情绪是短期的，基本面是长期的。
• 如果宏观代理和所有其他代理冲突，降低整体仓位。宏观风险是系统性风险，个体股票很难对抗。

具体实现上，可以给每个代理设置一个置信度分数。当代理之间的分歧超过阈值时，自动降低总仓位。比如分歧度超过0.5，仓位降到50%。

5.4 常见问题速查表

6. 从回测到实盘的过渡经验

回测漂亮不代表实盘能赚钱。回测和实盘之间隔着滑点、冲击成本、流动性限制三座大山。滑点是你下单的价格和预期价格的差异，冲击成本是你的交易本身对市场价格的影响，流动性限制是某些股票你想买但买不到足够的量。

我的做法是，在回测阶段就模拟这些成本。滑点按千分之一计算，冲击成本按成交额的万分之一计算，流动性限制则设置单只股票单日买入不超过其日均成交额的1%。这样回测出来的结果会更接近实盘。

实盘初期，我会用小资金试跑，比如先用总资金的10%跑一个月，对比实盘和回测的差异。如果差异在可接受范围内，再逐步加仓。如果差异很大，就要停下来排查原因。

还有一个容易被忽略的点是心理因素。回测的时候，你看到的是曲线，实盘的时候，你看到的是真金白银的波动。连续亏损几天，很多人就扛不住了，开始手动干预。我的建议是，在实盘之前就写好交易规则，然后严格执行。规则之外的干预，大概率是负贡献。

提示：实盘第一年，我的手动干预贡献了-5%的收益。后来我把交易权限完全交给系统，只在极端情况下才手动介入，收益反而稳定了。

7. 代理架构的扩展方向

这套多代理架构不是一成不变的。随着你对市场理解的深入，可以不断扩展。比如加入另类数据代理，用卫星图像数据判断零售商的客流，用信用卡消费数据判断消费股景气度。这些数据在海外市场已经比较成熟，国内也有不少供应商。

另一个扩展方向是强化学习代理。传统的代理是基于规则或监督学习的，强化学习代理可以通过与市场环境交互，自主学习最优的买卖时机。不过强化学习在金融领域的应用还比较早期，训练不稳定，容易过拟合，建议谨慎尝试。

还有一个方向是代理之间的对抗训练。让一个代理专门寻找另一个代理的弱点，比如一个代理专门识别另一个代理在什么市场环境下会失效。这种对抗机制可以提高整体架构的鲁棒性。

我个人目前还在探索的是跨市场代理。A股、港股、美股各自有不同的市场特征，用一个统一的代理架构去覆盖多个市场，需要处理汇率、交易时间、监管规则等差异。这个方向挑战很大，但一旦跑通，分散风险的效果会非常明显。

最后分享一个小技巧：定期给代理做“体检”。每个月检查一次每个代理的IC值、胜率、盈亏比，如果某个代理连续三个月表现低于阈值，就把它下线，重新训练或者替换。代理架构的优势就在于模块化，坏了一个换一个，不影响整体运转。