企业官网建设流程全解析

1. 先想清楚：你到底是来赚钱的，还是来赌手气的

我见过太多人做量化，路径几乎一模一样：看到一个策略源码，回测拉满年化80%，兴奋得睡不着，直接丢进实盘，前两周赚得得意忘形，第三周一根阴线打穿止损，心态崩了，反手加仓想回本，然后账户就剩个零头。

这种故事听多了之后，你会明白一件事——多数人暴仓，不是因为策略不好，而是因为压根没有把“交易”当成一个工程问题来对待。

OpenAlice 这个名字，代表的是一整套思路：把交易策略当成代码工程项目去管理，用 Git 的语义去管理策略版本、回测结果、实盘镜像和风控规则。这就是所谓的 Trading-as-Git。再叠加一个本地运行的量化 Agent 负责数据采集、策略调度、信号生成和异常监控，最后用一套硬性风控闭环把“人脑发热”这个不可控因素挡在系统之外。

这篇文章适合谁？已经会写一点 Python 策略、但苦于回测能赚钱一实盘就翻车的个人量化者；也适合想从“手动改参数碰运气”升级为“本地自动化 Agent 流水线”的团队。我会把架构拆开，把风控闭环的每一道闸门怎么设、参数怎么算、坑在哪里都讲透。

先说结论：你缺的不是一个更聪明的策略，而是一套不给愚蠢留余地的系统。

2. 盲目实盘为什么注定暴仓：三个致命伤逐个拆

2.1 回测失真：你看到的利润根本不存在

这个问题和策略本身无关，和你怎么回测有关。

最常见的回测失真，第一是未来函数。比如你在某个 K 线收盘的瞬间用了当天收盘后才会公布的成交明细去更新信号，或者用了整个区间的数据去算归一化参数，回测当然漂亮，实盘当然翻车。第二是偷价。用下一根 K 线的最高价做止损触发判定，回测里的止损点永远精准得可怕，实盘里滑点和延迟会直接吞掉你的利润。第三是过拟合。你把参数调到刚好适配某一段历史行情，亏的时候安慰自己“市场风格变了”，实际上是你把随机噪声当成了规律。

OpenAlice 在做的事情，就是把回测结果跟策略代码的每一个版本进行强绑定。你每一次修改策略，哪怕只是把均线从 20 改成 21，都会留下一个不可篡改的版本记录，并对应生成一份新的回测报告。系统会告诉你，这个版本比上一个版本到底提升了什么、牺牲了什么、在哪个市场阶段表现变差了。这种“可追溯性”很朴素，但绝大多数人没有。

你可以试试一个方法：把最近两年的行情切成三段，一段用来调参，一段用来验证，一段留作“考卷”。调参时只在第一段上做优化，第二段只做一次性验证，第三段交给系统全自动跑——如果第三段的表现和第一段差得很远，说明你的策略稳定性有问题，而不是行情有问题。

2.2 仓位失控：赔率很好，但你下注的重量不对

就算策略本身是正的数学期望，仓位控制错了，照样能暴仓。

举个例子，假设你有 10 万本金，连续五次亏损，每次亏 10%，账户还剩 59049 元。要回到 10 万，需要涨 69.4%。注意，回本所需的涨幅不是 50%，而是近 70%。这就是亏损的不对称性——亏得越深，回来越难。

很多人想用凯利公式来解决仓位问题。凯利公式 f = (bp - q) / b 确实告诉你最优下注比例，但它有个前提：你的胜率和赔率都是精确估计的。实际问题在于，多数个人量化者的胜率估计误差大得惊人，而且遇到极端行情时，实际赔率会远低于回测赔率。直接用全凯利下注，等于在误差边缘反复横跳。

更稳妥的方式是半分凯利甚至四分之一凯利，同时叠加单笔风险限额。我建议的单笔风险控制是：单笔头寸的风险金额不超过账户净值的 1%。比如 10 万账户，单笔止损距离是 2%，那么这笔交易的仓位应该控制在 5 万市值以内，因为 5 万 × 2% = 1000 元 = 账户的 1%。

OpenAlice 的风控闭环里，这类计算会被硬编码成规则，实盘下单前自动校验，仓位超限的单子根本不会发出去。这不是“建议”，是系统的强制逻辑。

2.3 策略漂移与情绪化改参：你的策略早就不认识自己了

第三种暴仓方式最隐蔽，也最常见——策略漂移。

你今天觉得均线参数 20 好，明天看盘觉得 30 更稳，后天亏了钱觉得还是 10 更敏感。来回调参两周之后，你的“策略”已经变成了一个你自己都说不清楚的混合体。回测报告是过期的，参数逻辑是混乱的，你甚至忘了自己在哪个版本加了哪些条件。

这就是代码版本管理要解决的问题。用 Git 来管理策略的好处是：每一次修改都有记录，每一次实盘部署都必须基于一个明确的标签（tag），任何未经验证的新改动，都没有资格进入实盘环境。

我曾经见过一个团队，交易脚本放在共享文件夹里，文件名叫“final_v2_真的最终版_再改是狗.py”。这不是段子，是真的。而这个文件里其实有 27 处分散到不同函数里的魔法数字，没人说得清每一个数字为什么存在。后来我把这套东西迁到 Git 仓库，配合策略卡管理，所有参数集中到配置中心，魔法数字全部消除，模型性能、回撤、换手率、胜率全部落到策略卡的指标区里。从此再也没有人需要靠猜去理解一个策略。

3. Trading-as-Git：把策略版本化做成一件理所当然的事

3.1 把“策略镜像”当作不可变部署单元

我们需要先理解一个工程概念：不可变部署。传统 Git 仓库管理代码，只有分支和提交。但交易策略有一个特殊需求——实盘运行中的策略必须是一个不可变的镜像，不能热改参数，不能动态换逻辑。

OpenAlice 的做法是：每次策略改进都通过 Git 提交产生一个新版本，回测验证通过后，系统会基于这个提交构建一个只读的策略镜像。这个镜像包含完整的策略代码、依赖声明、配置文件、回测结果摘要和风险评级。实盘环境只能从镜像启动，盘中你无法修改镜像内部任何参数。想改？可以，先回测，再构建新镜像，然后切换。

这个过程，和你在 AWS 上对一个 Docker 镜像做滚动更新是一个思路。你永远不会在容器内部临时改代码，你只会构建一个新镜像再重新部署。交易也一样。盘中手痒想改止损线？那是系统禁止的操作，你需要回到 Git 工作流里走完整流程。

这里有个很实用的设计：每个策略镜像应该记录自己的“血缘关系”——我是从哪个父镜像改过来的，改了什么，回测结果产生了哪些变化。这样当你发现某个镜像在实盘里表现异常时，可以快速对比它和上一个镜像的差异，是参数变动导致的恶化，还是行情风格不匹配，一目了然。

3.2 每次提交都是一次可重复的回测

Git 提交信息通常会写“fix bug”或“update param”，但这种信息对交易复盘几乎没有价值。建议你强制约定提交信息的格式，把交易语义嵌进去。

我常用的提交格式：

[param] MA窗口: 20 -> 40 [logic] 新增突破确认条件: 收盘价超过20日高点后才开仓 [risk] 单笔风险: 1% -> 0.75%

结合 Git Hook（尤其是 pre-commit），可以做到提交时自动拒绝不合格的提交，比如没有任何回测结果文件，或者回测最大回撤超过设定的安全阈值，直接不让提交通过。把质量标准前置到写代码的那一刻，而不是等策略上线了才发现问题。

另外，每次提交后自动触发回测任务，并把回测报告生成成 PDF 或者 HTML，归档到独立的 reports 目录。回测报告里必须包含三个指标：年化收益、最大回撤、收益回撤比。这三个指标比单纯看年化收益可靠得多。最大回撤决定你晚上睡不睡得着，收益回撤比决定你值不值得拿真金白银去赌。

3.3 分支策略模拟“策略竞选”

我在实际使用中建立了一套分支管理习惯：

• main 分支：随时可以部署到实盘的稳定策略。
• backtest/xxx 分支：新点子、新尝试，跑完回测，数据说话。
• research/xxx 分支：纯粹好奇的探索性研究，允许失败。

候选策略在 backtest 分支跑出足够好的成绩后，合并到 main，构建新镜像，进入实盘观察池。观察池里同时跑它的旧版本和新版本，用小资金并行运行一段时间，看真实行情下的表现和回测差异有多大。这种做法叫“影子部署”或“并行运行”，在量化里非常有效，因为回测再精确也模拟不了真实的滑点、延迟和市场心理。

合并到 main 不是免费午餐，必须过三道门：回测报告通过了，参数敏感性分析通过（意思是主流参数附近的表现没有剧烈抖动），以及策略卡信息补全了。这道流程看起来繁琐，但真正的价值在于它把“上线一个新策略”变成了一件有仪式感、有门槛、有记录的事。

4. 本地量化 Agent 架构：你自己不上夜班，让 Agent 替你值班

4.1 数据采集与存储：本地优先，不依赖任何云服务

Agent 的第一个职责，是把数据管起来。

我个人偏好本地优先的架构：数据存 SQLite 或 Parquet 文件，采集任务用定时调度器驱动。为什么不全用云？因为本地数据是你的私有资产，不依赖第三方服务稳定性，也不存在数据外泄问题。尤其涉及真实交易账户数据时，本地存储是底线。

以国内 A 股日线加分钟线为例，全部股票三年数据，用 Parquet 列式存储，磁盘占用也就几个 GB，一台普通 PC 完全扛得住。关键是数据要有统一的 schema，每张表都带上更新时间戳，任何数据源异常都能快速定位是哪一天的数据出了问题。

4.2 策略调度与执行：Harness 负责流程，Agent 负责决策

聊到 Agent 架构，很多人分不清 Harness 和 Agent 的区别。我给出一个简单的定义：Harness 是固定的执行脚手架，它定义了任务流程的骨架，但没有任何决策能力；Agent 是在 Harness 之上运行的智能体，它读取市场状态、策略信号和风控规则，做出“现在要不要开仓、开多少、什么时候平仓”的决策。

Harness 通常负责：定时扫描行情，唤醒策略，计算信号，执行止损止损单，生成日志。Agent 负责：根据多个策略信号的综合得分给出交易建议，分析当前账户风险敞口是否超限，甚至在大盘指数出现罕见波动时暂停所有策略。一层管流程，一层管判断，两者解耦，各自职责清晰。

具体实现上，我常用的配置是一个调度器（比如 APScheduler 或系统 crontab），按策略各自的时间周期触发任务，任务内先拉取最新行情，然后跑策略信号，再到风控引擎做最终的指令核验。核验通过的才允许进入交易执行层。

4.3 信号看板：让 Agent 把话“说”给你听

本地量化 Agent 不能只是一个黑盒子，它必须有一个能看懂的人机界面。参考一个我做过的小型移动仪表盘项目，核心看板字段可以拆成这样：

这些字段放到一个轮询刷新的 JSON 接口里，几秒更新一次，手机上随时看一眼，心里就有数。但重点是：看板只是辅助你理解 Agent 的决策逻辑，真正执行下单的永远是风控过的程序，而不是你的临时判断。

4.4 本地大模型的辅助与数据安全边界

最近很多人开始尝试本地部署量化模型来辅助复盘，比如让本地大模型读持仓记录、读行情新闻摘要，生成当日的复盘报告。这个方向很有意思，只要坚持本地部署，就能避免把账户数据放到第三方接口里，安全性高得多。

我实测过用本地量化版模型处理交易日志的效果：给它一段当天的买卖记录和行情走势摘要，它能生成“今天的亏损来源于开盘阶段追高，建议下一交易日观察 10:30 前的量能再决定是否进场”这类有实际参考价值的复盘建议。这跟你刷到的大 V 观点完全不同，因为它是基于你自己的交易数据生成的，逻辑可追溯。

不过要提醒一下，本地部署模型时要注意显存和量化位数的选择。一个 7B 级别的模型用 INT4 量化部署在消费级显卡上，生成质量已经足够处理复盘任务，完全没必要追求太大参数量的模型。

5. 风控闭环：从“事后悔恨”到“事前阻止”

5.1 事前风控：开仓之前，先过三道闸门

风控闭环的第一层，是开仓前的校验。这部分写在代码里是硬逻辑，顺序不能乱：

第一道闸门：账户风险敞口检查。当前总仓位 + 准备开的新仓位，合计占用保证金比例是否超高？如果总敞口超过设定的安全阈值（比如 60%），无论策略信号多强烈，直接拒绝开仓。

第二道闸门：单笔风险金额检查。用我前面说的 1% 原则，“风险金额 = 仓位市值 × 止损距离百分比”，如果结果超过账户净值的 1%，程序会直接拆单或降低仓位，确保单笔亏损可控。

第三道闸门：策略状态检查。策略是否处于暂停状态？该标的是否在禁用名单里？顺手还要检查市场状态——现在是午休时间吗？当天是否是国债逆回购到期日？这些琐碎但关键的条件，缺一个都可能出事故。

这些闸门全部通过后，信号才会转化为实际委托单。这样设计的核心逻辑在于：人脑在开盘时间是被情绪劫持的，而程序不会。

5.2 事中风控：止损、熔断、跟踪止盈都要自动化

实盘开始后，Agent 必须担任“冷面监工”的角色。

固定止损必须挂在交易所端，而不是程序内存里。为什么？因为程序可能崩溃、断网、被操作系统杀掉，但交易所端的止损单会一直生效。这是用系统级能力兜底，比任何软件逻辑都可靠。

其次设置熔断机制。我习惯设定账户级回撤熔断：账户净值从日内高点回撤超过 4%，立即停止开任何新仓；从阶段高点回撤超过 8%，强制平掉所有风险仓位，账户进入冷静期。这等于给整个账户上了一道保险丝，避免连续性亏损演变成灾难性暴仓。

跟踪止盈可以单独做一个规则：当持仓盈利超过 ATR（平均真实波幅）的 3 倍时，止损线上移到成本价上方一个 ATR 的位置，锁定利润。这个逻辑可以用移动平均线或者布林带做简化版，但核心思想一致——利润必须通过规则去保护，而不是靠“我感觉差不多该跑了”。

5.3 事后风控：自动复盘与异常归档

每天收盘后，Agent 应该自动生成一份复盘报告，内容包括当日每笔交易的执行价格、滑点、持仓时间、盈亏归因。重点不是看赚了多少，而是看每一笔交易是否按照策略计划执行了。

我把异常交易分成三类：滑点异常（实际成交价与信号价差距超过阈值）、执行延迟异常（信号产生到成交时间超过阈值）、策略漂移异常（实际持仓与计划持仓不一致）。每一类异常都必须自动归档到异常交易数据库，并触发一条告警。如果连续三天出现同一类异常，系统会建议暂停对应策略，检查执行链路。

复盘报告里还应该包含一个非常关键的对比：当日实盘结果与前一天策略镜像记录的“预期计划”。如果实盘行为偏离计划超过一个明确比例，系统会标记这个策略为不稳定，并在第二天降低其仓位分配。这套机制能有效地把“策略的表现问题”和“执行的问题”剥离开来。

5.4 风控参数怎么定：一套可以抄作业的初始值

我给出一个比较稳妥的初始风控参数表，你可以根据自身情况调整：

这套参数的核心思路是：先用 1% 的单笔风险硬性控制账户生死线，再用 4% 和 8% 的两档熔断控制连续性风险，最后用仓位上限防止冲动集中下注。这是经过实战验证的稳健初始配置，比绝大多数人用的“凭感觉定仓位”要靠谱得多。

6. 常见问题与排查技巧实录

6.1 问题速查表

6.2 三个我踩过的大坑

第一个坑：策略文件里的路径写的是相对路径，但定时任务用 cron 跑的时候当前工作目录是根目录，运行直接报错。后来所有路径都改成显式的项目根目录拼接，并加了一层启动前自检。

第二个坑：用了云数据库存交易记录，有一天数据库服务告警导致 Agent 启动失败，结果错过一整天的行情。这件事之后我把核心交易数据全部迁移到本地 SQLite，并用文件备份，数据主权完全自己掌控。

第三个坑：实盘环境里接了多个数据源，其中一个数据据点更新失败，返回了旧数据。程序没察觉，用旧数据跑出了信号，结果跟实时行情差了十万八千里。从此所有行情数据必须强制检查时间戳，超过 3 秒视为过期数据，直接拒绝使用。

6.3 一个小技巧：给策略做“健康体检”

每个月抽一天，把当前实盘运行的策略镜像拿回历史数据上重新跑一次“月度体检”。体检内容很简单：用最近一年的行情模拟走一遍，看策略的模拟表现是否仍然符合当初回测时的水平区间。如果模拟结果与回测时的关键指标偏差超过 20%，说明市场环境已经明显变化，这个策略需要重新评估，而不是继续无脑运行。

这个动作花费的时间很少，但能让你在策略失效的早期就发现问题，而不是等它亏到你怀疑人生才反应过来。

7. 最后再分享一点实际操作中的感受

整套系统搭完之后，我最明显的变化是心态。以前手里有仓位，总忍不住打开行情软件刷价格，晚上甚至做梦都在想着“要不要手动止损”。现在系统接管了止损、仓位和熔断，我的工作变成了制定规则、审核镜像、更新策略，盘中的那些“手痒时刻”被彻底隔离了。

这其实才是 Trading-as-Git 和本地 Agent 架构最值钱的地方——它不是帮你赚更多钱，而是帮你防止做出让你回到解放前的蠢决定。

如果你也打算开始搭这套东西，我建议你先别急着把策略写得多复杂。先跑通最小闭环：一个策略文件、一个 Git 仓库、一个行情采集脚本、一个简单的风控校验模块。跑通了，再逐步加上 Agent 调度、信号看板、自动复盘。体系是长出来的，不是一步到位的。

还有一个小细节值得分享：我每周五收盘后会做一次全账户的 Git diff 审查，把本周所有策略变更、参数调整、交易记录全部过一遍，看看哪里漂移了、哪个决策当时是心浮气躁做的。这种定期的“元复盘”，比任何单一风控指标都更能帮助你成为一个真正合格的量化交易者。