1. 从一条热搜说起为什么大家都在聊AI选股前阵子刷社区看到不少人在转一个话题——用阿里达摩院开源的AI能力做选股工具。说实话我第一反应是又是标题党毕竟AI选股这四个字在过去几年被玩烂了十个里有九个是拿均线交叉包装成智能算法。但架不住好几个平时挺靠谱的朋友都在提我就花了一个周末认真扒了一遍结果确实有点意外这套东西的底层逻辑是站得住的而且门槛比想象中低很多一个会写Python、懂点pandas的人就能跑起来。这篇文章我想聊的不是某只票明天涨不涨这种没法验证的东西而是把这件事拆开讲清楚达摩院这套AI能力到底提供了什么、选股这件事在工程上怎么落地、源码层面有哪些坑、以及我自己复现时踩过的雷。适合两类人看——一类是想入门量化但被各种黑话劝退的开发者另一类是手里有数据但不知道怎么用起来的普通程序员。全程不涉及任何投资建议只讲技术实现和工程思路这一点先说在前面。核心关键词就三个阿里达摩院、AI选股、源码。我会围绕这三个词把从数据获取、特征工程、模型调用到回测验证的完整链路讲透最后附上可复现的代码骨架。你不需要有金融背景但需要有一点Python基础和耐心。2. 先搞清楚达摩院到底开源了什么2.1 别被AI选股四个字带偏很多人一听达摩院AI选股脑子里浮现的是一个黑盒模型输入股票代码输出买或卖。这是误解。达摩院在量化领域真正有价值的东西是它开源的一系列时序预测模型和金融文本理解能力比如时序建模框架、财报/公告的语义解析工具。它们本身不是选股器而是零件。打个比方达摩院给你的是发动机、变速箱和底盘但车怎么造、往哪开得你自己来。所谓AI选股工具本质是你用这些零件搭出来的一套流水线。理解了这一点后面所有事情就顺了——你不是在用一个工具而是在组装一个系统。我见过太多人上来就问哪个模型预测最准这问题本身就问错了。金融时序数据的信噪比极低任何单一模型的预测准确率都不会高得离谱。真正决定成败的是特征工程和风险控制模型只是其中一环。2.2 三类可用的开源能力盘点把达摩院及相关生态里能用的东西归归类大致分三块能力类型代表方向在选股里的作用上手难度时序预测时间序列建模框架预测价格/成交量走势中文本理解财报公告语义解析提取基本面信号、情绪中高向量检索相似度匹配找历史相似形态低第一类时序预测是主力用来处理K线、成交量、换手率这些数值型数据。第二类文本理解是加分项能把财报里的营收同比增长、计提减值这类信息结构化变成可以喂给模型的因子。第三类向量检索比较讨巧把每只股票某段时间的走势编码成向量然后找历史上长得像的片段看它们后来怎么走的。我的建议是新手从第一类入手先把数值时序跑通别一上来就搞文本。文本处理的坑太多光是财报PDF的解析就能劝退一半人。2.3 为什么选开源而不是自己从零写有人会问这些模型我自己用LSTM、Transformer也能写为什么要用开源的三个理由。第一省时间。达摩院这些模型在金融时序上做过针对性优化比如对缺失值、停牌、除权除息的处理这些细节你自己写要调很久。第二可复现。开源意味着有社区验证出了问题能搜到答案自己写的黑盒出了问题只能干瞪眼。第三可组合。这些模型接口相对规范能像积木一样拼起来今天用时序模型明天想加文本模型改动成本低。当然代价也有开源模型不一定是最新的文档可能不全有些依赖版本很老。这些后面讲实操时会具体说怎么处理。3. 选股系统的整体架构怎么搭3.1 一条完整的数据流水线在写任何代码之前先把架构想清楚。我复现时用的架构是这样的从上到下四层数据层行情数据日线/分钟线、基本面数据财报、另类数据新闻、公告特征层把原始数据加工成模型能吃的因子比如动量、波动率、估值分位模型层调用达摩院的时序/文本模型输出每只股票的评分决策层根据评分排序结合风控规则生成候选池这四层里数据层和特征层占了整个工作量的七成。很多人以为AI选股难在模型其实难在数据清洗。A股有停牌、有涨跌停、有除权除息、有ST这些不处理干净模型再强也是垃圾进垃圾出。提示如果你只是想验证思路可以先拿指数成分股比如沪深300做样本避开小盘股的流动性陷阱和数据缺失问题等跑通了再扩到全市场。3.2 为什么用评分排序而不是预测涨跌这里有个关键的设计选择。很多教程教你训练一个二分类模型预测明天涨还是跌。我试过效果很差因为涨跌本身噪音太大而且分类阈值很难定。更稳的做法是回归排序让模型输出一个连续分数然后按分数从高到低排序取前N只。这样做的好处是你不需要模型预测得准只需要它能把相对好的和相对差的区分开。就像考试排名你不需要知道每个人具体考几分只要排序对就行。这个思路在量化里叫截面选股是业界主流。达摩院的时序模型输出的预测值正好可以当作这个分数用。3.3 回测框架不能省没有回测的选股系统就是耍流氓。我见过太多人拿模型跑出个结果就兴奋得不行结果一上实盘就亏。回测要解决三个问题交易成本手续费、滑点、未来函数用了当时拿不到的数据、幸存者偏差只测现在还活着的股票。回测框架可以自己写也可以用现成的。自己写的话核心就是一个循环每个交易日用截止到当天的数据算因子、跑模型、生成持仓然后计算下一天的收益。听起来简单但细节极多比如调仓频率、持仓数量、止损规则每一个都会显著影响结果。4. 核心实操从数据到评分的完整代码链路4.1 环境准备与依赖安装先把环境搭起来。我用的是Python 3.9太新的版本有些老依赖装不上。核心依赖就几个pip install pandas numpy scikit-learn torch pip install akshare # 免费行情数据源 pip install backtrader # 回测框架达摩院相关模型如果是通过ModelScope分发的还需要装modelscopepip install modelscope注意装依赖时如果遇到版本冲突优先保证pandas和numpy的版本兼容这两个是地基。torch版本根据你的显卡选没显卡用CPU版也能跑就是慢。4.2 数据获取与清洗数据我用akshare拉免费且够用。核心是拉日线数据字段包括开高低收、成交量、成交额。import akshare as ak import pandas as pd def get_stock_data(code, start, end): df ak.stock_zh_a_hist(symbolcode, perioddaily, start_datestart, end_dateend, adjustqfq) df df.rename(columns{ 日期: date, 开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume }) df[date] pd.to_datetime(df[date]) df df.set_index(date).sort_index() return df这里有个关键参数adjustqfq是前复权。必须用复权数据否则除权除息那天会出现价格跳空模型会把它当成暴跌直接学歪。前复权还是后复权做回测用前复权因为它是站在今天往回看价格连续做历史模拟要注意前复权会随新数据变化严格来说有轻微的未来函数问题但影响很小工程上可接受。清洗要做的事去掉停牌日成交量为0、处理涨跌停可选看策略、对齐交易日历。我一般会把所有股票的数据对齐到同一个日期索引上方便后面做截面计算。4.3 特征工程把K线变成因子这是最见功力的地方。原始K线直接喂模型效果一般要加工成有金融含义的因子。我常用的几类动量类过去N日收益率、均线偏离度波动类过去N日收益率标准差、ATR量能类换手率、量比、成交额分位估值类PE、PB的历史分位需要基本面数据def build_features(df, windows[5, 10, 20]): feat pd.DataFrame(indexdf.index) for w in windows: feat[fret_{w}] df[close].pct_change(w) feat[fvol_{w}] df[close].pct_change().rolling(w).std() feat[fma_dev_{w}] df[close] / df[close].rolling(w).mean() - 1 feat[turnover] df[volume] / df[volume].rolling(20).mean() return feat.dropna()每个因子背后都有逻辑。比如ma_dev均线偏离度衡量的是当前价格相对近期均价偏离多少偏离太大可能意味着超买超卖。turnover量能比突然放大往往伴随资金异动。这些不是拍脑袋想的是业界验证过多年的经典因子。实操心得因子不是越多越好。我一开始堆了三十多个因子结果模型过拟合严重回测漂亮实盘拉胯。后来砍到八个核心因子效果反而更稳。少而精是特征工程的第一原则。4.4 调用达摩院模型做时序预测特征准备好后就可以喂给时序模型了。以时序预测为例输入是一段历史因子序列输出是未来收益的预测值。import numpy as np from modelscope.pipelines import pipeline # 伪代码具体模型名以官方文档为准 predictor pipeline(tasktime-series-forecasting, modeldamo/xxx) def predict_score(feature_seq): # feature_seq: shape (seq_len, n_features) result predictor(feature_seq) return result[forecast]实际用的时候要注意几点。第一输入序列长度要固定模型训练时用的多长推理时就得用多长不能变。第二归一化不同因子的量纲差异巨大收益率是小数成交额是百万级不归一化模型会偏向大数值的因子。第三批量推理全市场几千只股票一只一只跑太慢要拼成batch。如果达摩院某个模型不好直接调用退而求其次可以用它做预训练特征提取把中间层输出当作因子再自己接一个简单的线性模型。这样既用上了大模型的能力又保留了灵活性。4.5 截面排序与持仓生成模型输出每只股票的分数后做截面排序def select_stocks(scores, top_n20): # scores: Series, index是股票代码 ranked scores.sort_values(ascendingFalse) return ranked.head(top_n).index.tolist()选前20只等权买入。为什么是20只太少波动大太多接近指数。20只是经验和回测平衡的结果。调仓频率我一般设成5个交易日一调太频繁交易成本吃不消太慢又跟不上信号变化。5. 回测验证怎么判断这套东西到底行不行5.1 回测的几个关键指标跑完回测别只看总收益。要看这几个指标含义参考标准年化收益平均每年赚多少跑赢基准最大回撤最惨时亏多少越小越好夏普比率单位风险的收益1算不错胜率盈利交易占比40%以上盈亏比平均盈利/平均亏损1.5单看年化收益是外行。一个策略年化50%但最大回撤60%你根本拿不住中途就割肉了。夏普比率和最大回撤才是决定你能不能坚持下来的关键。5.2 未来函数最容易犯的致命错误未来函数是回测里最隐蔽的坑。举个典型例子你用当天的收盘价算因子然后用这个因子决定当天买入。问题是收盘价要收盘后才知道你当天盘中根本拿不到。这就是未来函数回测收益会虚高得离谱。正确做法是用T-1日及之前的数据算因子T日开盘或收盘执行。所有涉及当天数据的地方都要检查一遍。我踩过这个坑一个策略回测年化80%改成T-1后直接掉到15%差距就是这么夸张。5.3 幸存者偏差与样本外测试另一个坑是幸存者偏差。如果你只用现在还在交易的股票做回测那些退市的、被并购的股票就被自动排除了而这些恰恰是表现最差的。结果就是回测收益被高估。解决办法是用历史全样本包括那些后来退市的。数据源要支持拉退市股票的历史数据。这个比较麻烦但必须做否则回测就是自欺欺人。还有样本外测试。把数据分成训练集和测试集比如2018-2021训练2022-2023测试。如果测试集表现和训练集差很多说明过拟合了。我一般会留最近一年完全不动最后才拿来验证。6. 常见问题与排查技巧实录6.1 数据类问题速查现象可能原因解决方向收益率异常大未复权改用前复权某天全为NaN停牌未处理剔除或前向填充因子值爆炸未做极值处理做winsorize缩尾股票数量对不上交易日历不一致统一对齐日历极值处理特别重要。A股有涨跌停某些因子在极端行情下会出现离谱的值比如除以接近0的分母。我一般用1%和99%分位做缩尾把超出范围的值拉回边界。6.2 模型类问题排查模型不收敛、loss不降先查三件事学习率是不是太大、数据有没有归一化、标签有没有泄露。这三个占了模型问题的八成。如果模型在训练集上表现完美、测试集一塌糊涂那就是过拟合。对策减因子、加正则、加dropout、减小模型规模。别急着上更复杂的模型先把简单模型调好。6.3 我踩过的三个真实坑第一个坑用错了复权方式。一开始用了后复权回测收益虚高后来发现后复权在最新数据上会失真改成前复权才对。第二个坑调仓时点没对齐。信号是收盘后生成的但我代码里写成了当天开盘执行等于用了未来数据。改过来后收益直接腰斩但这才真实。第三个坑忽略了交易成本。一开始回测没算手续费和滑点年化30%看着很美加上双边千分之三的成本和滑点直接掉到18%。所以回测一定要把成本算进去这是实盘和回测最大的差距来源之一。提示回测里加成本很简单每次调仓时按换手率扣掉一个比例就行。别小看这个它是区分玩具策略和能上实盘策略的分水岭。7. 源码组织与工程化建议7.1 目录结构怎么设计一套能长期维护的选股系统目录结构要清晰。我用的结构stock_ai/ ├── data/ # 数据获取与清洗 │ ├── fetch.py │ └── clean.py ├── features/ # 因子计算 │ └── factors.py ├── models/ # 模型封装 │ └── predictor.py ├── backtest/ # 回测 │ └── engine.py ├── config/ # 配置 │ └── settings.yaml └── main.py # 主流程这样分层的好处是换数据源只改data层换模型只改models层互不影响。配置抽到yaml里参数不用改代码。7.2 把关键参数抽成配置data: start_date: 2018-01-01 end_date: 2023-12-31 universe: hs300 features: windows: [5, 10, 20] winsorize: [0.01, 0.99] model: seq_len: 30 batch_size: 64 backtest: top_n: 20 rebalance_days: 5 cost_rate: 0.0015参数化之后做参数敏感性分析就方便了。比如top_n从10试到50看哪个夏普最高。这种实验做多了你对策略的理解会深很多。7.3 日志与可复现性每次跑实验把配置、数据版本、随机种子、结果都记下来。我用的是简单的日志文件加结果CSV。别嫌麻烦等你跑了五十次实验想找回那次效果特别好的配置时就知道日志有多重要了。随机种子一定要固定否则同样的代码跑两次结果不一样你根本没法判断是改动生效了还是随机波动。8. 关于这套东西的边界说几句实在话我得把丑话说在前面。这套AI选股系统它不是一个能让你躺赚的印钞机。它是一套工具、一个框架、一种方法论。模型能帮你从几千只股票里筛出相对值得关注的候选但最终决策、仓位管理、风险控制还是得靠人。而且市场是会变的。今天有效的因子明天可能就失效了。所以这套系统需要持续维护、持续迭代不是跑一次就完事。我自己的做法是每季度重新审视一次因子有效性每年重训一次模型。另外达摩院的开源能力在更新接口和模型名可能会变代码里的具体调用要以官方最新文档为准。我上面给的代码是骨架和思路不是能直接复制粘贴就运行的成品你需要根据自己的数据源和环境做适配。最后分享一个我自己的体会做量化选股最大的敌人不是市场是自己的贪心和急躁。我见过太多人回测出个好结果就急着上实盘结果被现实教育。慢一点把数据洗干净把回测做扎实把成本算清楚比什么都强。这套达摩院AI选股的框架值得花时间认真啃一遍但别指望它替你思考。
