ARTICLE · 1204555
AI 工具实践备忘 · 2026年10月第2周
一、ICLR 2026 量化金融论文评估：13 篇里挑出 5 篇
项目：FM_trade 生态 — Quant Signal Factory 信号工厂 + my-bot 趋势交易引擎核心引擎：RD-Agent 0.8.0 + Qlib 0.9.7（LLM 因子挖掘 → 回测评估 → 信号导出）
本周的起点不是写代码，而是读论文——对 ICLR 2026 主会与 FinAI Workshop 的 13 篇量化金融论文做可行性 / 必要性双维评估，判断哪些值得进 v5.0 管线。
五项确定引入：
其余 8 篇中，3 篇列为观察、4 篇仅作局部参考（Gate 2 / Postmortem / Layer 0）、2 篇直接跳过。
三项范式迁移
评估下来最有价值的不是单篇方法，而是三条共同趋势：
- 因子挖掘
：RL → GFlowNets / 扩散生成模型，追求"多样性 > 单点最优" - 交易系统
：端到端 LLM → 分析-部署解耦（离线推理 + 在线编译执行） - 组合优化
：静态观点 → regime 条件化生成式预测
这三条恰好与 v5.0 已定的路线吻合，相当于给之前的架构决策做了一次外部背书。
一条核心共识
金融场景的硬约束（延迟、回测有效性、非平稳性、交易成本、风险约束、可解释性）必须嵌入模型设计，而非事后修补。
这条共识直接改变了本周的技术选型：STABLE 论文用条件扩散模型做 regime 感知 BL，听起来很美，但扩散模型需要的数据量远超 11 类资产的历史收益，且无公开代码。最终选择放弃扩散方案，改用简单但可验证的 GaussianHMM。
二、P0+P1 生产验证收尾
生存因子注入生产管线
5 个由 GFlowNet / LLM Agent 生成的生存因子完成 FactorRegistry 注册：
signed_power_ret_mean5_p3 | |||
abs_returns | |||
returns_raw | |||
if_close_ret_20 | |||
min_ret_open |
TiMi 策略补齐
本周补上 T5 财报驱动（PEAD 超预期漂移）、T6 资金驱动（主力资金连续流入 + 价格确认）、题材驱动（龙头连板 + 板块效应）三策，TiMi 策略覆盖度达到 8/9（89%），仅剩 CANSLIM 成长股留待 P2。
配套验证框架同步就绪：v4.3 静态 BL 与 v5.0 STABLE + TiMi 的五步端到端对比、TiMi 与 LLM 信号的四面重叠率分析（Jaccard、方向一致性、Alpha 覆盖、策略偏好），后者需等 2–4 周数据积累。
三、本周核心交付：STABLE HMM 无监督 Regime 分类器
为什么要换掉规则型
当前规则型 regime 分类器的 ANOVA 检验全部失败——所有资产 p 值都 > 0.47，意味着划分出的 regime 对资产收益没有任何解释力。
根因很清晰：规则型标签基于宏观经济直觉（PMI 高 = 增长、CPI 高 = 通胀），而不是资产收益的实际分布。Regime 的正确定义应该是"资产收益分布的结构性变化"，不是"宏观指标阈值组合"。
技术方案
| 月频 | ||
从失败到收敛的五次迭代
这部分比最终方案更值得记录：
❌ 周频 4 状态全协方差 → 2 个状态塌缩至 0.1% ❌ 周频 3 状态对角 → risk_off 仅占 4.3%，2015 崩盘未识别 ❌ EMA 平滑特征 → neutral 塌缩至 90.5%（平滑过度，信号被抹平） ❌ 月频 10 维原始收益 → 状态间权益均值无差异（过度参数化） ✅ 月频 5 维特征 + 4 周合并 → 收敛
四次失败各有各的死法，但共性是在一个错误的方向上微调参数——直到换维度（频率、特征、后处理）才真正解决。
Regime 分布与事件验证
关键事件全部对得上：2015 股灾 86% risk_off、2020 COVID 51% risk_off、2024 年 924 行情 75% risk_on。
唯一"失败"的是 2020 复苏期只识别出 17% risk_on——但这其实是对的：HMM 如实反映了复苏期收益震荡的事实，比规则型硬把它标成 risk_on 更诚实。模型的"错误"有时是对现实的准确描述。
回测对比（2018–2026）
| 0.70 | |||
| -5.5% | |||
| 5.4% | |||
| 0.98 |
目标 Sharpe 0.45+，实际 0.70，全指标改善、无一恶化。
独立验证层：HMM 与宏观的分歧
另训了一个 LightGBM 分类器，用宏观指标（PMI、M1/M2、PE、10Y）预测 HMM 状态，作为一致性检查层。CV 准确率只有 49%（169 个样本不足以独立使用），因此只作参考、不作决策依据：一致时置信度 +0.1，分歧时 -0.15。
当前状态很有意思：HMM = risk_off，宏观 = neutral，两者分歧。解读是——这轮下跌由交易行为驱动，宏观基本面并不支撑衰退。这个分歧本身就是风控信号：价格表现与基本面背离时，要警惕虚假的 regime 切换。
当前配置
Regime 判定为 risk_off，权重为债券 60% + 黄金 17.6% + 纳指 10% + 日经 3.4% + 原油 2.0%。模型给出 3 个月内 62.4% 的概率转向 neutral，防御仓位与这个概率是匹配的。
四、因子工厂与基础设施
JKP 盲区补齐：52.3% → 62.7%
上周体检出的五个盲区，本周补了 16 个因子覆盖盈利质量、无形资产、应计项目三个方向：
| 62.7% | ||
| 1 | ||
| 36% |
一个典型的时间解析 Bug
pd.to_datetime() 把 YYYYMMDD 格式的整数当成了纳秒时间戳解析，导致 9 个基本面因子全部变成 NaN——而且不报错，只是默默全空。加上显式 format="%Y%m%d" 后恢复，最终 41 个因子参与合并计算。
基础设施维护
akshare 健康检查加入交易日感知（交易日 / 非交易日分别判定，修复 DEGRADED 误报）、HK 数据 Cron 脚本的工作目录 bug（C:\WINDOWS\system32）、Layer 1 板块信号零数据 guard、baostock 降级链完善、PWB MCP 试用评估、Q3 季度回顾。
四条管线全部正常：开盘前简报 09:00、午盘扫描 12:00、信号工厂 16:00（41 因子 / CSI 300+500）、STABLE 资产配置 16:00。
五、沉淀
🔍 先证伪，再优化
规则型 regime 分类器跑了很久、看起来也"有逻辑"，但一轮 ANOVA 就证明它对资产收益毫无解释力（p 值全部 > 0.47）。如果早做这个检验，能省下大量在错误框架上的调参时间。
通用规则：任何分类 / 分组方案上线前，先做一个"它到底有没有区分度"的统计检验。通不过就换框架，别调参数。
🧭 四次失败换维度，胜过四十次调参
HMM 的收敛路径很有代表性：周频、全协方差、EMA 平滑、10 维原始收益——四次失败都在同一个思路里打转，真正的突破来自换频率（周→月）、换特征（原始→5 维工程）、加后处理（4 周合并）。
通用规则：同一个方案连续三次调参无改善，就该换维度而不是换参数。
⚖️ "更简单的方案"往往不是妥协
放弃扩散模型改 GaussianHMM，表面是降级，实际是唯一可行解：数据量不够时，复杂模型只会把噪声学得更精致。最终 Sharpe 0.70、Calmar 0.98，全指标跑赢规则型基线。
通用规则：方案选择的第一约束是"能不能被验证"，第二才是"先不先进"。
🤝 模型分歧是信息，不是 Bug
HMM 说 risk_off、宏观说 neutral，第一反应是"哪个错了"。但换个角度——价量驱动的下跌与基本面稳定并存，本身就是需要警惕的市场状态。把分歧设计成置信度惩罚项，比强行统一口径更有价值。
通用规则：多模型系统里，分歧要作为独立信号保留，而不是被投票机制抹平。
*— 记录于 2026.10.17*
