目录

• 1. 执行摘要
• 2. quant_pro 规则引擎详解
•    2.1 四维分析体系
•    2.2 技术面因子体系（70%）
•    2.3 基本面因子体系（30%）
•    2.4 资金流向因子（16%）
•    2.5 新闻情感分析（±5%）
•    2.6 风险控制系统
• 3. ML 策略模型（V7.3）
• 4. 架构对比分析
• 5. ML 集成方案（4 种方案）
• 6. 代码示例
• 7. 性能对比与预期效果

1. 执行摘要

本文档详细描述将机器学习模型集成到 quant_pro 规则引擎的完整方案。通过"规则 + ML"双引擎驱动，实现以下目标：

当前架构	集成后架构
quant_pro 规则引擎（v6.0） - 技术面因子 70% - 基本面因子 30% - 资金流向 16% - 新闻情感 ±5%	双引擎驱动 - quant_pro 规则引擎（60% 权重） - ML 策略 V7.3（40% 权重） - 动态权重优化 - 风险控制系统

核心优势：

• ✅ 可解释性强（规则引擎） + 捕捉非线性关系（ML）
• ✅ 稳定可靠（规则） + 自适应学习（ML）
• ✅ 人工经验（规则权重） + 数据驱动（ML 特征交互）

2. quant_pro 规则引擎详解

quant_pro 是我编写的一个 A 股量化分析系统（v6.0），采用四维分析体系，综合评估股票投资价值。

2.1 四维分析体系

四维分析体系架构图：

维度	权重	核心功能
技术面分析	70%	趋势、动量、位置、突破、成交量、回调、资金流向
基本面分析	30%	估值、盈利能力、成长性、财务健康
资金流向	16%	主力动向、超大单/大单/中单/小单净流入
新闻情感	±5%	正面/负面新闻情感调整

总分计算公式：

总分 = (技术面×70% + 基本面×30%) × (1 + 资金流向调整) + 新闻情感调整

2.2 技术面因子体系（70%）

技术面因子包含 7 个子因子，总权重 70%：

因子	权重	核心指标	计算逻辑
趋势因子	20%	MA5/10/20/60, EMA	多头排列得分 +15, 空头排列 -15, 均线斜率
动量因子	15%	RSI, MACD, KDJ	RSI>70 超买 -10, RSI<30 超卖 +10, MACD 金叉 +10
位置因子	15%	52 周位置，布林带	低位 (0-30%) +15, 高位 (70-100%) -15
突破因子	12%	平台突破，成交量放大	突破平台 +15, 成交量>200% +10
成交量因子	8%	量比，成交量 MA	量比>2 +10, 成交量 MA 金叉 +8
回调因子	10%	回调幅度，支撑位	回调至支撑位 +15, 跌破支撑 -10
资金流向因子	20%	主力净流入，超大单	主力净流入>0 +20, 超大单买入 +15

技术面得分计算：

技术面得分 = Σ(子因子得分 × 子因子权重) / 100 × 70

2.3 基本面因子体系（30%）

基本面因子包含 4 个子因子，总权重 30%：

因子	权重	核心指标	评分标准
估值因子	25%	PE-TTM, PB, PS-TTM	PE<20 +25, 20-40 +15, >40 -10
盈利能力	30%	ROE, 毛利率，净利率	ROE>15% +30, 10-15% +20, <10% +10
成长性	25%	营收增长率，净利润增长	增长>30% +25, 15-30% +20, <15% +10
财务健康	20%	资产负债率，流动比率	负债率<50% +20, 流动比率>2 +15

基本面得分计算：

基本面得分 = Σ(子因子得分 × 子因子权重) / 100 × 30

2.4 资金流向因子（16%）

资金流向因子独立计算，作为调整项：

指标	计算公式	调整幅度
主力净流入率	主力净流入/流通市值	>5% +16%, 2-5% +10%, 0-2% +5%
超大单买入比	超大单买入/总买入	>30% +15%, 20-30% +10%, <20% +5%
大单净流入	大单买入 - 大单卖出	>0 +10%, 持续 3 日 +15%
中单/小单比	中单净流入/小单净流入	>1 +5%, 主力 vs 散户对比

资金流向调整：

调整后得分 = (技术面 + 基本面) × (1 + 资金流向调整系数)

2.5 新闻情感分析（±5%）

新闻情感分析基于最近 7 天新闻，进行±5% 的调整：

• 情感评分标准：
• 正面新闻（业绩预增、中标、政策利好）：+3% 到 +5%
• 中性新闻（日常经营、行业分析）：0%
• 负面新闻（业绩预减、监管处罚、诉讼）：-3% 到 -5%

情感分析流程：

1. 1. 抓取最近 7 天新闻（东方财富、同花顺、财联社）
2. 2. NLP 情感分析（正面/中性/负面）
3. 3. 计算情感得分（正面数 - 负面数）/ 总数
4. 4. 应用调整（得分 × 5%）

2.6 风险控制系统

quant_pro 包含完整风险控制系统：

风险控制类型	具体措施
仓位管理	单只股票≤10%, 行业集中度≤30%, 总仓位≤95%
止损止盈	止损 -8%, 止盈 +20%, 移动止盈 +15% 回撤 5%
最大回撤监控	组合回撤>15% 触发减仓，>20% 触发清仓
VaR 计算	95% 置信度，日 VaR<3%
流动性过滤	日成交量<10 万手排除，ST 股排除
组合优化	均值 - 方差优化，最大化夏普比率

3. ML 策略模型（V7.3）

ML 策略采用集成学习方法，预测 T+5日涨跌概率。

在上一篇文章中有介绍，多策略集成学习选股模型技术实现（V7.3）-CSDN博客，这里简单回顾一下：

• 模型架构：
• 特征工程：28 个特征（技术面 + 资金流）
• 模型集成：Random Forest + Gradient Boosting + XGBoost + LightGBM + CatBoost
• 输出：涨跌概率（0-100%）

V7.3 特征列表：

• RSI(6), RSI(12), RSI(24)
• MACD 差离值，MACD 讯号线，MACD 柱
• MA5/10/20 交叉信号
• 布林带位置，布林带宽度
• 成交量比，成交量 MA 比
• 资金流比率（5 日平均）
• net_mf_ratio_5d_avg（主力净流入比率）
• lg_net_ratio_5d_avg（大单净流入比率）
• elg_buy_ratio_5d_avg（超大单买入比率）
• sm_net_ratio_5d_avg（小单净流入比率）
• md_net_ratio_5d_avg（中单净流入比率）
• 高阶统计（偏度、峰度）

模型性能（历史回测）：

指标	V7.3
AUC-ROC	0.6131
准确率	59.07%
特征数	28
训练股票	3,067

4. 架构对比分析

quant_pro 规则引擎 vs ML 策略模型对比：

维度	quant_pro 规则引擎	ML 策略模型
可解释性	⭐⭐⭐⭐⭐（因子权重清晰）	⭐⭐（黑盒模型）
稳定性	⭐⭐⭐⭐⭐（不受数据偏差影响）	⭐⭐⭐（依赖训练数据）
非线性捕捉	⭐⭐（线性加权）	⭐⭐⭐⭐⭐（自动学习交互）
自适应能力	⭐⭐（需手动调整）	⭐⭐⭐⭐⭐（自动学习）
执行速度	⭐⭐⭐⭐⭐（~25 秒）	⭐⭐⭐⭐（~1 分钟）
覆盖股票	5,000+ 只	3,000 只（过滤后）

结论：两者优势互补，适合融合使用。

5. ML 集成方案（4 种方案）

初步拟定 4 种集成方案，从保守到激进：

5.1 方案 A：ML 作为独立因子

核心思路：将 ML 预测概率转换为因子得分，作为技术面的第 8 个子因子。

权重分配：

• 原技术面 7 因子总权重 70% → 调整为 8 因子总权重 70%
• ML 因子权重：10%（占技术面的 1/8）
• 其他 7 因子权重：60% / 7 = 8.57% 每个

计算公式：

技术面得分 = (原 7 因子得分×60% + ML 因子得分×10%) × 70%

ML 因子得分 = (ML 概率 - 0.5) × 2 × 100（映射到 -100 到 100）

优点：

• ✅ ML 作为独立因子，权重清晰可控
• ✅ 保持规则引擎完整性
• ✅ 易于调试和优化

5.2 方案 B：ML 加权融合

核心思路：规则引擎和 ML 分别评分，然后加权融合。

权重分配：

• 规则引擎得分权重：60%
• ML 得分权重：40%

计算公式：

融合得分 = 规则引擎得分 × 60% + ML 概率得分 × 40%

优点：

• ✅ 充分发挥两者优势
• ✅ 权重可动态调整（根据市场状态）

缺点：

• ❌ 规则引擎因子权重需重新校准

5.3 方案 C：ML 过滤层

核心思路：规则引擎排序后，用 ML 概率过滤低置信度股票。

流程：

1. 1. 规则引擎排序，选出 Top 30
2. 2. ML 预测这 30 只股票的概率
3. 3. 过滤 ML 概率<55% 的股票
4. 4. 剩余股票按规则引擎得分排序，取 Top 20

优点：

• ✅ 保守方案，风险低
• ✅ ML 仅作为过滤层，不改变规则引擎

缺点：

• ❌ ML 贡献有限，可能遗漏高 ML 得分股票

5.4 方案 D：双引擎并行

核心思路：规则引擎和 ML 分别生成组合，然后合并。

流程：

1. 1. 规则引擎选出 Top 15
2. 2. ML 选出 Top 15
3. 3. 合并去重，按各自得分加权排序
4. 4. 取 Top 20 作为最终组合

优点：

• ✅ 充分利用两者独立性
• ✅ 分散风险

缺点：

• ❌ 组合可能过于分散
• ❌ 需处理重合股票权重分配

6. 代码示例

6.1 方案 A 实现示例

# 方案 A：ML 作为独立因子

def calculate_ml_factor(ml_probability):
    """
    将 ML 概率转换为因子得分（-100 到 100）
    """
    ml_score = (ml_probability - 0.5) * 2 * 100
    return ml_score

def calculate_technical_score_with_ml(stock_data, ml_probabilities):
    """
    计算包含 ML 因子的技术面得分
    """
    # 原 7 因子得分
    trend_score = calculate_trend_factor(stock_data)  # 20%
    momentum_score = calculate_momentum_factor(stock_data)  # 15%
    position_score = calculate_position_factor(stock_data)  # 15%
    breakout_score = calculate_breakout_factor(stock_data)  # 12%
    volume_score = calculate_volume_factor(stock_data)  # 8%
    pullback_score = calculate_pullback_factor(stock_data)  # 10%
    moneyflow_score = calculate_moneyflow_factor(stock_data)  # 20%
    
    # ML 因子得分（10%）
    ml_score = calculate_ml_factor(ml_probabilities[stock_data['ts_code']])
    
    # 加权计算（原 7 因子总权重 60%，ML 因子 10%）
    technical_score = (
        trend_score * 0.20 * 0.60 +
        momentum_score * 0.15 * 0.60 +
        position_score * 0.15 * 0.60 +
        breakout_score * 0.12 * 0.60 +
        volume_score * 0.08 * 0.60 +
        pullback_score * 0.10 * 0.60 +
        moneyflow_score * 0.20 * 0.60 +
        ml_score * 0.10  # ML 因子独立权重
    )
    
    return technical_score * 0.70  # 技术面总权重 70%

6.2 方案 B 实现示例

# 方案 B：ML 加权融合

def fusion_score(rule_score, ml_probability, rule_weight=0.6, ml_weight=0.4):
    """
    规则引擎和 ML 加权融合
    """
    # 将 ML 概率映射到 0-100
    ml_score = ml_probability * 100
    
    # 加权融合
    final_score = rule_score * rule_weight + ml_score * ml_weight
    
    return final_score

def dynamic_weight_adjustment(market_state):
    """
    根据市场状态动态调整权重
    """
    if market_state == 'bull':
        # 牛市：增加 ML 权重（趋势更明显）
        return 0.5, 0.5
    elif market_state == 'bear':
        # 熊市：增加规则权重（防守为主）
        return 0.7, 0.3
    else:
        # 震荡市：均衡配置
        return 0.6, 0.4

6.3 方案 C 实现示例

# 方案 C：ML 过滤层

def ml_filter_layer(rule_top30, ml_probabilities, threshold=0.55):
    """
    使用 ML 概率过滤规则引擎选出的 Top 30
    """
    filtered_stocks = []
    
    for stock in rule_top30:
        ts_code = stock['ts_code']
        ml_prob = ml_probabilities.get(ts_code, 0.5)
        
        if ml_prob >= threshold:
            stock['ml_probability'] = ml_prob
            filtered_stocks.append(stock)
    
    # 按规则引擎得分重新排序
    filtered_stocks.sort(key=lambda x: x['rule_score'], reverse=True)
    
    return filtered_stocks[:20]  # 返回 Top 20

7. 性能对比与预期效果

基于历史回测和理论分析，预期集成方案性能提升：

方案	预期 AUC-ROC	预期准确率	风险等级
纯规则引擎	0.60	58%	低
纯 ML（V7.3）	0.6131	59.07%	中
方案 A（ML 因子）	0.64-0.65	61-63%	低 - 中
方案 B（加权融合）	0.65-0.66	62-64%	中
方案 C（过滤层）	0.62-0.63	60-61%	低
方案 D（并行）	0.64-0.65	61-63%	中

关键指标提升预期：

• 夏普比率：1.2 → 1.5（+25%）
• 最大回撤：-18% → -15%（改善 3 个百分点）
• 年化收益：15% → 20%（+5 个百分点）
• 胜率：58% → 62%（+4 个百分点）