AI助手—将传统主观交易的部分条件进行因子化和回测的过程（股票）

作者：了不起的阿斗
本文记录从主观条件选股→量化因子思维转变的完整过程，包括对平台AI助手使用的心得，以及第一个因子分析实验与股票回测的结果与反思。

一、背景：一个主观交易选手为什么想试试量化

我本人做A股短线交易很久，主要方向是主观交易的题材热点驱动的主升这类。

交易体系其实早就有一套自己的，其中有一个复盘环节就是，每天盘后扫一遍全市场，先用若干自己整理的条件选股条件把几千只股票压缩到几十只候选，然后结合市场和一些额外条件，手动计划定下次日的操作（这里不展开具体）。

胜率还算可以，但是这个过程是否有统计意义，自己其实说不清楚。

早之前，我在JoinQuant上尝试过把这些条件用代码实现，做程序化回测。写的东西本质上就是：

IF 条件A AND 条件B AND 条件C → 买入
IF 持有N天 OR 跌破某位置 → 卖出

其实就是基于程序化规则的选股。跑出来的净值曲线有时候挺好看，但更大的问题是，比如我加了10个条件，到底哪几个是真正在起作用的，哪几个纯属噪声，甚至是在帮倒忙——完全不知道。

后来偶然接触到PandaAI这个平台，看到它有一套完整的因子分析框架，可以对每一个单独的选股条件做统计检验——而且有AI助手辅助搭建工作流、生成代码。这让我觉得也许可以用一种更系统的方式，回答那个一直悬着的问题：我用来筛股票的那些条件，到底有没有真实的预测价值？

不过在动手之前，我意识到自己对"量化"这件事的理解其实停留在很浅的层面。曾经我以为量化就是"把选股条件写成代码自动执行"，但和平台AI助手深入交流之后才发现，这两件事之间有一道真正的思维鸿沟需要跨越。

二、理解量化因子：思维上经历的几次转变

第一次转变：从"时间轴"到"横截面"

一开始我完全不理解"横截面"是什么意思。听到"截面因子"这个词，脑子里是空白的。

后来用一个具体的画面才理解：

我以前的思路，是沿着时间轴看某些股票——这只股票今天该不该买、什么情况后该不该卖，视线是纵向的，盯着一只股票的历史走势。

因子量化的思路，是在某一天的横截面上扫描全市场——今天这个时刻，给全市场5000多只股票每人算一个分数，然后按分数排队，视线是横向的，一次性扫描所有股票的相对强弱。

这个视角的转变让我想明白了一件事：我每天盘后扫股、筛候选的动作，其实本质上就是在做横截面分析——我只是没意识到这一点。我在某一天的截面上，对全市场股票做筛选和排序，只不过我的"排序方式"是粗糙的0/1：满足条件的进池，不满足的直接忽略。

第二次转变：条件选股是粗粒度的因子

这个领悟来得比较自然，但让我觉得很爽。

既然因子本质上是给每只股票打一个分数，然后排序——那我原来的"满足所有条件才买"，其实就是一个特殊的因子：满足 = 因子值1，不满足 = 因子值0。所有1的排在前面，所有0的排在后面。

区别只是精度太粗。原来的0/1因子丢掉了大量信息，例如"8日涨幅28%刚过门槛"和"8日涨幅45%强势飙升"，在我的条件里都是同样的1，但它们代表的强度完全不同。

把条件变成连续数值，就是在把这个信息找回来：

原来：8日涨幅 > 27% → 是/否
现在：8日涨幅 / 27%  → 1.04 or 1.67，强度差距被保留

这个认知让我对"因子化"这件事不再陌生——它不是什么神秘的新东西，就是把我原来已经在做的事情，做得更精细、更可测量。

第三次转变：IC/IR不是抽象数学，是"对答案"

一开始看IC的定义（Spearman相关系数、横截面相关性……）完全懵，感觉像在看考研数学。

后来换了一个理解方式：IC就是"对答案"的过程。

你今天按因子给5000只股票排了序，预测排名靠前的下周涨得多。下周收盘后，你把你的排名和真实涨幅的排名对比——吻合程度就是这期的IC。IC = 1代表你完全猜对了，IC = 0代表你的排名和真实结果毫无关系，相当于瞎猜。

实际上IC能到0.03-0.05就算有价值了——不需要每次都猜对，只需要长期平均来看，你排名靠前的比排名靠后的多涨那么一点点，用几百只股票分散风险，长期就能积累出超额收益。

IR的理解也类似——它回答的是"这个IC稳不稳"的问题。一个因子平均IC是0.04但每期波动很大（时而0.15时而-0.12），和另一个因子平均IC也是0.04但每期都稳定在0.03-0.05，哪个更好用？显然是稳定的那个——因为不稳定意味着某个月可能给你带来大亏损，你不敢持续重仓押注。

第四次转变：因子反向，不一定是坏事，是信息

第一轮测试完，看到IC_mean是负数、分组收益从组1到组5单调递减，当时感觉是我的因子其实效果不大、策略没用。

后来才意识到：负向因子也是有价值的因子，只是使用方向反过来——做多低因子值的股票，或者用它来过滤掉高因子值的股票。

更有意思的是第二轮测试出现了倒U型分布——不是单调递减，而是中间组最好、两端都差。这让我想起来，我测试的主升浪因子高分的股票对应的其实是"已经涨了很多、主升浪特征非常明显"的状态，放在全市场5000只股票的截面里，这恰恰是高位股的信号，自然跑不赢中等位置的股票。

这个倒U型其实和我主观交易的直觉高度一致——我从来不去接已经涨了一大截、特征过于明显的股票，因为那往往是末升浪。因子分析只是用数据证实了这个直觉。

量化思维真正的价值，不是给你一个"对"或"错"的答案，而是帮你把模糊的直觉转化成可以测量、可以迭代的信号。

一些基本概念梳理：

因子量化的本质差异

因子量化的逻辑完全不同，核心的范式转变只有一句话：

不再问"这只股票满不满足条件"，而是问"在全市场所有股票里，这只股票的排名是多少"。

"横截面"是什么意思？

横截面就是时间的一个切片——某一天，全市场5000只股票的快照。

我以前的思路是沿着时间轴看一只股票：这只股票在第1天该不该买、第3天该不该卖。

因子量化的思路是在某一天的截面上横向扫描所有股票：今天，按这个指标，谁排第一、谁排最后。

"因子值"是什么？

就是给每只股票打的一个分数。以动量因子为例——过去20天的涨幅，这只股票算出来是多少，就是它的因子值（暴露值）。所有股票都能算，然后按大小排序，买分数排在最前面的那批。

IC（Information Coefficient）——这个排名有多准？

每一期，你按因子给全市场排了顺序，预测"排名越高的股票下期涨越多"。

下期收盘后对答案：你排名第1的股票，下期真的涨了第1名吗？

IC就是衡量"你排的顺序"和"真实涨幅顺序"之间的吻合程度。

实际上IC能到0.03-0.05就算有用，不需要每次都对——长期来看排名靠前的比排名靠后的平均多涨一点点，用大量股票分散后就能持续盈利。

IR（Information Ratio）——这个IC稳不稳？

假设因子X的IC序列：0.08, -0.06, 0.12, 0.09, -0.07… 均值0.045，但波动极大。

因子Y的IC序列：0.04, 0.05, 0.03, 0.06, 0.04… 均值0.045，非常稳定。

两个因子均值一样，显然选Y——每个月都稳定贡献一点正收益，而X时好时坏，某个月可能给你带来大亏损。

IR = 平均IC / IC的波动性，衡量的就是这种稳定性。IR越高，说明因子信号可靠、可以持续押注。

四、从条件选股到因子——转化过程

原始的条件

这里简单展示了我之前个人交易中作为初选股池的一个条件选股。
每个条件的经济含义：

这五个条件组合在一起，描述的是趋势强度 + 均线支撑结构 + 主力参与度的复合形态。

当然这只是曾经我最基础做股池初筛的一个方式，并非交易策略！

因子化的核心思路

每个"是/否判断"变成"程度数值"：

在PandaAI上搭建工作流

平台的可视化工作流节点非常清晰，搭建流程如下：

Python代码输入节点
        ↓
线性因子构建节点（编码方式选Python，设置时间区间和股票池）
        ↓
因子权重调整节点（归一化，权重设1.000）
        ↓
因子分析节点（设置调仓周期、分组数量、股票池）

使用AI助手的过程：

平台的AI助手在这里帮了大忙。我把原来的条件公式和转化思路贴给AI助手，它直接帮我生成了可以在平台上运行的Python代码，并且自动处理了几个关键问题：

1. 涨停阈值的板块差异：主板10%、创业板/科创20%、北交所30%，AI助手自动用股票代码前缀做了区分
2. CLIP函数的平台适配：平台不支持CLIP，AI助手改成了MIN(MAX(...))的形式
3. 前视偏差检查：确认所有计算只用历史数据

首先，是创建一个空白工作流，然后使用AI助手创建一个基本的框架

然后我将我的策略因子化后让AI助手写入，并进行修改。针对单独的python代码节点，亦可以点开节点进行代码修改，这是封装好的，节点有属于节点的自己的AI助手可以进行修改，并且在后续运行时报错的时候可以让节点的AI助手检查错误并提供修改~

例如我对python代码这个因子节点进行细化

运行的时候，当出现报错，可以在左边日志上看到错误节点，右边AI修复报错，可以调用这个节点的AI进行检查

最终运行完成

五、测试的结果与分析

先看因子分析部分：

结果：

分组收益出现了一个有意思的现象——不是单调递减，而是倒U型：

结果图解读——几个图的含义

分组收益图（最核心的图）

每一天按因子值把全市场分成5组，各组持仓，看累计收益曲线。

理想情况下应该是彩虹状——组5在最上面，组1在最下面，单调递增。

我的结果出现了倒U型，这不是简单的"因子反向"问题，而是有更深的含义：

• 组1（因子极低）：这些股票根本没有主升浪特征，收益平平
• 组3（因子中等）：刚刚形成主升浪形态、处于上升初中期的股票，收益最好
• 组5（因子极高）：主升浪特征过于明显，说明已经涨了很多了，处于末期，容易回调

这个倒U型和我主观交易的直觉完全吻合——我不会去接一个刚刚开始启动的股票（太早），也不会去接一个已经连涨8天、涨幅超过30%还有大量涨停的股票（太晚风险高），我找的是那个"刚好进入主升浪节奏"的股票，对应的恰好是因子分处于中等偏上区间的股票。

IC衰减图（时间维度的预测力）

这张图展示因子值对未来第N天收益的预测力随时间的衰减。

我的结果里，第1-4天出现了几根正向的IC柱，第5天之后全部是负的。

含义：主升浪因子高分的股票，买入后1-3天可能还有一点点继续上涨，5天后开始跑输市场。

这和我的实际交易逻辑高度吻合——主升浪股票本来就是短线逻辑，不是拿来做长线的，2-5天的持有期是合适的窗口。

IC分布图和IC时间序列图

IC分布图显示我的IC分布很宽散（IC_std=0.0945），中心在0附近，说明每期预测力非常不稳定。

IC时间序列的累积IC曲线向下，代表整个测试区间内这个因子累计是负贡献的。

七、股票回测

直接继续运行，看AI助手默认的交易策略下的股票回测结果

运行自动的AI分析

经过测试，得到几个重要结论：

1. 主升浪不适合作为全市场横截面选股因子

主升浪条件高分的股票，在全市场比较中是"已经涨了很多的那批"，截面预测力自然偏弱甚至反向。这不代表选股条件没用，而是它的使用场景不是在5000只股票中做排名。

2. 它的真实价值是作为"股池过滤器"而非"截面排名因子"

我在主观交易里本来也是这么用的——主升浪条件筛出的20-50只股票作为候选池，然后在这个池子里再做进一步的选择。这两件事的逻辑层次是不同的：

第一层（股池过滤）：主升浪条件  → 筛出候选池（20-50只）
第二层（个股决策）：情绪判断 + 位置 + 板块强度 → 最终选出2-3只

因子分析测试的是第一层，但我更真实的alpha可能在第二层。

3. 倒U型分布提示了一个改进方向

既然中间组最好，一个更合适的使用方式是：用因子作为"区间门控"而不是线性排名——设定一个合理的分数区间（比如raw_score在0.3~1.2之间），只关注在这个区间内、且因子分还在上升趋势中的股票，这才是真正对应"刚进入主升浪、还没到末期"的状态。

在结果详情页面，右上角的AI分析还可以调用AI助手直接对图标进行详细ai解读，对新人友好：

**因此，我对回测的交易策略部分，让AI助手修改来了一下买卖细节，结合了一些自己个人的交易思路和策略、仓位配比。这些都可以让节点的AI助手帮忙写成代码。

最后，回测了2025年一年
因子分析：

变化不大

八、关于PandaAI平台使用体验的一些感受

这是我在PandaAI上完整跑一个因子分析+回测工作流，几点体验：

可视化工作流的优势： 节点连接的方式让整个因子研究的逻辑链条非常清晰——代码输入 → 因子构建 → 权重调整 → 因子分析，每个环节一目了然，不容易出现"逻辑接错了都不知道"的情况。

AI助手的实际价值： 我把条件的公式语法直接贴给AI助手，它能理解每个函数的含义并翻译成平台支持的Python算子，省去了大量查文档的时间。尤其是涨停阈值因板块不同这类细节处理，AI助手自动帮我考虑到了。

因子分析节点的输出非常完整： 分组收益、IC时间序列、IC衰减图、IC分布图、IC自相关图一站式给全，不需要自己写可视化代码，对于快速验证因子有效性非常高效。

一个Suggestion：有一些报错代码希望可以针对性给出解决方案，尤其是常见的，内存超限、字段为空等等问题

九、下一步思考

基于这次实验的结论，继续：
情绪择时因子
我在主观交易中还有一套市场情绪判断体系（炸板率、昨日连板平均收益率、板块热度等），这类因子和主升浪因子属于完全不同的层次——它们是市场级别的择时信号，不是个股横截面因子。计划用策略回测的方式单独验证这些情绪因子的有效性，看看它们对"特定行情下出击的成功率"是否有统计意义上的提升。

本文是第一次系统性尝试量化研究的过程记录，很多认知还在持续修正中。欢迎有经验的朋友交流指正。