Skip to main content

量化交易 × 机器学习驱动(Quantitative Trading & ML Engineering)

量化交易并非对未来的预测，而是对概率的系统化管理。

本仓库作为作品集与参考入口，记录作者在量化交易系统工程化、机器学习与强化学习建模及策略研究资产化（即将研究成果转化为可复用、可验证、可持续迭代的生产级资产）方面的能力与实践。

联系方式与资源索引​

渠道链接
邮箱[email protected]
Telegramhttps://t.me/Yuri_Trading
量化交易日志（研究 / 复盘 / 工程记录）https://log.atwar.eu.org/
数据挖掘专题（近期重点）https://log.atwar.eu.org/data/
ML 驱动交易架构（量化交易体系 v1.1）https://alpha.atwar.eu.org/
策略库（3,500+ 条目，结构化编目）https://strategies.atwar.eu.org/
实盘记录与策略性能（含月度 31% 案例）https://trading.atwar.eu.org/archives/10/
绩效分析Sharpe 1.19 · Sortino 1.36 · 月收益率 31.9% — https://sharpe.atwar.eu.org/

概述​

作者为量化交易研究员与工程师，持有金融学硕士学位，长期聚焦于以下方向：

  • 端到端自动化交易流水线 —— 涵盖数据采集、特征工程、模型训练、回测验证、实盘执行、风控监控及复盘迭代的完整链路。
  • ML/RL 驱动的策略研究框架 —— 从监督学习到深度学习与强化学习，在统一的实验基础设施中完成评估与部署。
  • 策略资产化 —— 将策略从零散脚本系统性升级为可复用的策略库、可复现的研究日志及受监控的实盘交易系统。

主要参考架构为数字资产量化交易系统 v1.1，详见 https://alpha.atwar.eu.org/。

Highlights​

  • 经验证的实盘表现。 在 Binance 平台录得单月 31% 收益，使用 1 倍杠杆，数据源仅限 OHLCV。盘后分析详见 https://trading.atwar.eu.org/archives/10/。
  • 闭环交易流水线。 研究、回测、部署、监控与复盘作为闭环系统运行，以工程可复现性与可迭代性作为首要设计约束。架构文档：https://alpha.atwar.eu.org/。
  • 规模化策略库。 维护逾 3,500 条已编目策略，覆盖动量、均值回归、趋势跟踪等类别，作为结构化、可复用的 Alpha 组件沉淀，支持现货与期货品种。入口：https://strategies.atwar.eu.org/。
  • 持续、可审计的研究输出。 持续维护量化交易日志与数据挖掘专题系列，强调实验可复现性与结论可追溯性。日志：https://log.atwar.eu.org/ · 数据挖掘：https://log.atwar.eu.org/data/。

注：历史收益不代表未来表现。所有策略以回撤、风险暴露与可持续性作为首要评估约束。

技术概况​

编程与框架​

  • Linux、Python
  • PyTorch、scikit-learn
  • Transformers（含混合专家架构 MoE 的工程理解与落地能力）

机器学习（研究 → 训练 → 部署）​

  • 监督学习： RNN/LSTM、SVM、逻辑回归 —— 作为对比基线及可解释建模工具。
  • 深度学习： CNN、Transformer —— 应用于序列建模与多因子表达。
  • 强化学习： A2C、SAC —— 应用于组合优化与在线决策。

量化交易工程​

  • 策略开发： 现货与期货品种，在统一的研究-回测-实盘框架内开发。
  • 数据基础设施： 特征工程、数据清洗、质量保障与一致性管控。
  • 交易系统： 风控与仓位管理、执行与监控、Broker API 架构设计。

Selected Works​

1）ML 驱动交易架构——数字资产量化交易系统 v1.1​

入口： https://alpha.atwar.eu.org/

本系统实现了面向加密货币量化交易的端到端机器学习流水线。其核心设计原则为：将研究流程固化为可复现、可评估、可部署的工程化管线。

标准处理链路采用闭环结构：数据采集 → 特征工程 → 模型训练 → 回测验证 → 实盘执行 → 监控告警 → 复盘迭代。

关键架构约束包括：（a）研究环境与生产环境采用统一数据口径，以消除训练-服务偏差；（b）风控优先设计，包含仓位管理、止损机制

2）策略库（3,500+ 条目）——策略资产化与结构化编目​

入口： https://strategies.atwar.eu.org/

本策略库收录逾 3,500 条已编目的交易策略，涵盖动量、均值回归、趋势跟踪、形态与指标组合以及波动率驱动等方向。所有条目均按统一模式组织，旨在作为可复用的 Alpha 组件加以沉淀。

策略库同时支持现货与期货品种，为后续自动化筛选、组合构建及策略集成奠定基础。

3）量化交易日志——研究与工程复盘记录（可审计）​

入口： https://log.atwar.eu.org/

本日志维护研究迭代的可追溯记录。每一项已归档的结论均关联其对应的数据版本、特征版本、参数版本及评估指标。失败实验同样予以系统记录，以减少重复探索并提升迭代效率。

4）数据挖掘专题——当前重点研究方向​

入口： https://log.atwar.eu.org/data/

本专题记录面向生产环境的数据挖掘研究进展，重点关注数据质量保障、异常处理及特征稳定性。此外涉及模型可解释性与稳健性研究，目标在于规避无法泛化至实盘环境的过拟合绩效曲线。

5）实盘交易记录——可验证的结果与盘后分析​

入口： https://trading.atwar.eu.org/archives/10/

本记录归档了一项经验证的单月 31% 收益，仅使用 OHLCV 市场数据及 1 倍杠杆（无保证金）。附带材料包括交易逻辑说明、风控约束条件、回撤结构分析、失效模式识别及改进方向建议。

6）基于 Rust 的大模型推理基础设施（thinking-gemini-rs）​

入口： https://github.com/donequant/thinking-gemini-rs

本项目提供面向大语言模型的可扩展推理与调用框架，以 Rust 语言实现。设计目标为将模型能力整合为可复用的生产级集成层。

选用 Rust 旨在消除 Python 全局解释器锁（GIL）对并发性能的制约，尤其适用于财报解析、新闻情感提取等高吞吐非结构化数据处理场景。架构中包含针对思维链（"Thinking"）模型的专项适配，以确保复杂推理任务输出的结构化与稳定性。

交付能力​

作者的工作围绕以下三项核心产出：

  1. 生产级策略系统。 将策略从研究原型工程化为可部署系统，具备监控、回滚及持续迭代能力。
  2. 标准化模型流水线。 模型开发遵循涵盖训练、验证、回测与部署的规范化流程，以可重复的工程过程取代临时性实验。
  3. 机构化知识沉淀。 将隐性交易经验系统性转化为文档化、版本化、可自动化的资产。

关注方向​

以下领域构成作者的主要职业关注点：

  • 量化交易系统工程化与策略研究平台建设。
  • 数据、特征与评估基础设施（研究工具链与流水线）。
  • ML/RL 在交易中的落地应用，尤其关注稳健性、交易成本建模及执行层约束。

公开链接​