本文是《以AI量化为生》系列的第23篇，我们将从传统量化策略的局限性出发，设计并实现一个AI全驱动的策略引擎，让AI从数据理解、市场分析到交易决策实现全自动化，彻底替代人工编写固定规则的旧模式。

写在前面

上一篇讲了指标计算引擎的重构，让策略能直接复用图表指标的计算逻辑。有读者问了个很关键的问题：复用指标计算确实方便了，但策略的逻辑还是得自己写——金叉买、死叉卖，或者RSI超买做空、超跌做多。这些规则写死了，市场一变，策略就不管用了。

这个问题困扰了我很久。说实话，刚开始做量化的时候，我觉得只要找到"对的指标参数"，就能稳定盈利。于是花大量时间调参，MACD的(12,26,9)换成(5,13,5)，RSI的14换成7，来回折腾。结果呢？趋势市参数A好用，震荡市参数B好用，市场在这两种状态之间反复切换，你根本来不及换。

后来我意识到，问题的本质不是参数不对，而是策略逻辑本身是死的。不管你怎么调参，规则都是固定的：“满足条件A就买，满足条件B就卖”。市场是活的，规则是死的，这个矛盾没法靠调参解决。

所以我就想，能不能让AI来做决策？不是让AI帮我选参数，而是让AI理解当前市场状态，然后自己决定该做什么。这就是AI策略引擎的出发点。

AI策略引擎是什么？

简单说，AI策略引擎就是一个让AI替代固定规则做交易决策的系统。

传统策略的工作方式是：K线数据进来 → 用if-else判断条件 → 执行买卖。AI策略引擎的工作方式是：K线数据进来 → 组装成AI能理解的上下文 → AI分析并返回决策 → 验证风控 → 执行。

核心区别在于：传统策略的判断逻辑是你预先写死的，AI策略的判断逻辑是AI根据当前市场状态动态生成的。

不过话说回来，让AI做交易决策，不是说随便扔个prompt给GPT就行。期货市场有它的特殊性——杠杆、保证金、涨跌停、夜盘，这些跟股票完全不一样。如果AI不理解这些概念，给出的建议可能完全不靠谱。

所以我们需要做两件事：一是让AI理解期货市场的规则，二是让AI的分析结果能被代码执行。这两件事合在一起，就是整个AI策略引擎要解决的核心问题。

三层架构设计

在讲具体模块之前，先说说整体架构。AI策略引擎采用了三层设计：

策略层：这是最外层，负责跟vnpy框架对接。它接收行情数据（tick和K线），管理多周期的BarGenerator和ArrayManager，在合适的时机触发AI决策。这一层不关心AI怎么分析，也不关心指标怎么算，只负责"什么时候该让AI想一想"。

适配层：这一层负责把原始的行情数据翻译成AI能理解的格式。包括计算技术指标（EMA、MACD、RSI等）、运行SMC检测器（订单块、FVG、支撑阻力）、生成自然语言的交易指导。简单说，就是把冷冰冰的数字变成有意义的分析结果。

提示词层：这一层负责构建发送给AI的完整提示词。包括系统提示词（角色定义、交易模式、数据字典、风险规则）和用户提示词（当前市场数据、持仓状态、技术分析、K线表格）。

数据从策略层流入，经过适配层加工，最后通过提示词层交给AI，AI返回的决策再回到策略层执行。整个流程是单向的，每层各司其职。

对了，为什么要分三层？刚开始写的时候，策略里面混着指标计算、提示词拼接、AI调用，一个文件上千行，改一个地方动全身。后来重构了好几次，才发现这个分层是最自然的——策略层管"什么时候做"，适配层管"准备什么数据"，提示词层管"怎么跟AI沟通"。

让AI看懂市场：数据字典与提示词工程

AI要做出好的交易决策，首先得理解我们给它看的数据。这听起来简单，实际上是最花精力的部分。

数据字典

期货交易涉及的数据种类不少：价格数据（开高低收、成交量、持仓量）、技术指标（EMA、MACD、RSI、布林带、ATR、DMI）、账户数据（余额、可用资金、保证金、浮动盈亏）、持仓数据（方向、数量、入场价、强平价）。

如果只是把这些数据扔给AI，它可能搞不清楚每个字段的含义和单位。比如"margin"是指保证金还是保证金率？"volume"是手数还是金额？

所以我们设计了一个数据字典，把每个字段都定义清楚：

# 数据字典里的每个字段都有完整描述
PRICE_FIELDS = {
    "open": FieldDefinition(
        name="open", name_cn="开盘价",
        description="当前K线的第一笔成交价",
        unit="元/吨",
    ),
    # ... 类似的定义覆盖所有字段
}

每个字段都有中英文名称、详细描述、单位和示例值。这些定义最终会被拼接到系统提示词里，让AI在读数据之前先"学习"一遍字典。

你可能会想，中英文双语有必要吗？实际测试下来，纯英文的字典AI理解得不够准确，尤其是中文市场特有概念（比如"保证金率"、“强平价”）。加上中文注释后，AI对数据的理解明显更准。

提示词构建

提示词分为系统提示词和用户提示词两部分。

系统提示词告诉AI"你是谁、你要做什么、有哪些规则"。它由六个部分拼接而成：角色定义、交易模式指引、数据字典、SMC分析指南、风险规则、输出格式。每部分都有明确的作用，比如角色定义告诉AI"你是一个专业的期货交易决策助手"，风险规则告诉AI"单品种最大仓位不超过30%"。

用户提示词是每次决策时动态生成的，包含当前市场的完整快照。十个部分：时间品种、账户状态、仓位建议、当前持仓、市场数据、技术指标、近期K线表、交易指导、SMC结构、多周期共振。

其中"交易指导"这个部分比较有意思。它不是原始数据，而是系统根据指标值自动生成的自然语言建议。比如EMA三线排列完美多头，就会生成"EMA：完美多头排列，趋势强劲，回调到均线附近可做多"。这些指导性文字能帮AI更快地理解市场状态。

说白了，提示词工程的核心就是：把AI当成一个刚入行的交易员，它需要清晰的市场数据、明确的交易规则、以及有用的参考意见。数据字典是它的教材，系统提示词是它的操作手册，用户提示词是它每天看到的行情板。

多维度市场分析：多周期与SMC

光有好的提示词还不够，数据本身的质量才是关键。如果AI看到的市场数据不够全面，再好的提示词也没用。

多周期分析

不同时间尺度看同一个市场，结论可能完全不同。15分钟K线在上涨趋势中，1小时K线可能在下跌趋势中。如果只看一个周期，很容易被短期波动误导。

AI策略引擎同时维护两个周期的数据：主周期（比如1小时）和次周期（比如15分钟）。每个周期都有独立的IndicatorManager，计算完整的技术指标套件——EMA(9/20/60)、SMA(25/60/100)、MACD(12,26,9)、RSI(14)、DMI(14,7)、布林带(20,2)。

两个周期的指标都会传给AI，同时还会做一个"多周期共振分析"——检查主周期和次周期的趋势方向是否一致。如果1小时和15分钟都看涨，信号的可信度就高很多。如果方向相反，AI就会更谨慎。

SMC聪明钱概念

除了传统技术指标，我们还集成了SMC（Smart Money Concepts）分析。SMC是一套基于机构资金行为的市场分析方法，核心工具包括：

• 订单块（Order Block）：机构建仓的价格区域，往往成为未来的支撑或阻力
• 公允价值缺口（FVG）：价格快速波动留下的缺口，市场有回补缺口的倾向
• 市场结构（BoS/ChoCh）：趋势延续和反转的结构性信号
• 流动性区域：大量止损单聚集的价格位置

SMC检测器链是一个串联的处理流程：先跑ZigZag识别关键转折点，然后检测市场结构（高点和低点的排列），接着识别结构突破（BoS）和结构转变（ChoCh），最后提取订单块、FVG和流动性区域。

检测到的支撑阻力位会被注入到AI的上下文里。比如系统检测到3500附近有一个强需求订单块，AI在做空的时候就会更谨慎——因为它知道这个位置可能有大量买盘支撑。

说到这里，有个事值得提一下。SMC分析用的是主周期的K线历史数据，不是实时计算的。所以在回测模式下，我们通过BacktestAdapter来桥接——它从策略的htf_bar_history读取历史K线，喂给SMC检测器。实盘模式下则直接从策略的实时数据流获取。两种模式的检测逻辑完全一样，只是数据来源不同，这样保证了回测和实盘的行为一致性。

从数据到交易：决策全流程

前面讲了怎么准备数据和怎么跟AI沟通，现在讲最关键的部分：AI返回的决策怎么变成实际的交易。

一次AI决策的完整旅程

整个流程是这样的：

行情数据进来（tick → 1分钟K线 → 主周期K线）→ 适配层计算指标和SMC → 组装上下文 → 补充20日高低点等额外信息 → 构建系统提示词和用户提示词 → 调用AI模型 → 拿到AI的回复 → 解析决策 → 风控验证 → 执行下单。

每一步都可能出问题，所以每一步都有容错处理。

七种操作类型

AI可以返回七种操作：做多（LONG）、做空（SHORT）、平仓（CLOSE）、观望（HOLD）、加多（ADD_LONG）、加空（ADD_SHORT）、减仓（REDUCE）。

你可能会问，为什么不是简单的买和卖？因为期货交易有方向性——做多和做空是完全独立的操作。而且实战中，加仓和减仓是常见的仓位管理手段。如果只给AI"买"和"卖"两个选项，它的策略空间会受限。

思维链提取与JSON修复

这是整个引擎里最"脏"也最关键的模块。

AI的回复不是总是规规矩矩的JSON。有时候它会先思考一大段再给结论，有时候JSON格式有瑕疵，有时候干脆用中文说"我认为应该做多"。

所以解析器要做三件事：

第一，提取思维链。AI可能会用<thinking>标签包裹它的分析过程，也可能在JSON里有个reasoning字段。解析器支持各种格式，把思考过程提取出来单独保存——这对事后分析很有价值。

第二，修复JSON。这是个大坑。AI经常会写出不标准的JSON：中文引号（“”）代替英文引号、多余的前缀文字、字段名拼写错误。解析器里有个专门的JSON修复模块，处理这些常见问题。

# JSON修复的几种常见情况
def repair_json(text):
    # 替换中文引号
    text = text.replace('\u201c', '"').replace('\u201d', '"')
    # 去掉多余的前缀
    if "```json" in text:
        text = text.split("```json")[1].split("```")[0]
    return text.strip()

第三，兜底处理。如果JSON完全解析失败，解析器会用正则表达式从文本中提取关键信息。比如匹配"做多"、“开空”、"平仓"这些中文关键词，从中推断操作类型。如果连这个也做不到，就默认返回HOLD（观望），保证不会因为解析失败而执行错误操作。

双层风控

AI的决策不能直接执行，必须经过风控验证。我们用了双层风控设计：

硬限制是代码强制执行的，违反就不执行。比如单品种最大仓位不超过总资金的30%、最多同时持有3个品种、每日最大亏损不超过5%。

软限制是通过提示词引导AI的，不是强制但会提醒。比如低置信度警告（AI说做多但置信度只有60%，提醒它再想想）、大仓位警告（接近硬限制边界时提示）。

为什么要分两层？因为有些规则是绝对不能违反的（比如爆仓风险），有些规则在特定情况下可以灵活处理。全硬限制太死板，全软限制又太危险。双层设计在安全和灵活之间取了个平衡。

写在最后

到这里，AI策略引擎的核心设计基本讲完了。三层架构（策略/适配/提示词）、数据字典、多周期分析、SMC集成、决策解析、双层风控，每个模块各司其职，串起来就是一条从行情到交易的完整流水线。

说到底，这个引擎的核心理念就是：让AI做AI擅长的事（理解和判断），让代码做代码擅长的事（计算和执行）。AI不需要手动计算MACD，也不需要操心K线合成，它只需要"看"已经被加工好的数据和提示词，然后做出决策。反过来，代码不需要理解市场逻辑，只需要忠实执行AI的指令并做好风控。

下一篇准备讲讲AI策略的回测和优化。说实话，AI策略回测跟传统策略回测差别挺大的——传统策略每次运行结果一样，AI策略因为有缓存才有可复现性，而且API调用费用也是个大问题。这些坑值得单独写一篇。

先写到这，有问题欢迎留言交流。

---

本文是《以AI量化为生》系列文章的第23篇，ATMQuant量化交易系统已开源至GitHub：https://github.com/seasonstar/atmquant

本文内容仅供学习交流，不构成任何投资建议。交易有风险，投资需谨慎。

---

加入「量策堂·AI算法指标策略」

想系统性掌握策略研发、指标可视化与回测优化？加入我的知识星球，获得持续、体系化的成长支持：

---

往期文章回顾

《以AI量化为生》系列

• 以AI量化为生：22.指标计算引擎重构 - 让策略直接复用图表指标
• 以AI量化为生：21.交易图表AI分析功能集成
• 以AI量化为生：20.实时图表交易系统开发

《量化指标解码》系列

• 量化指标解码20：谐波形态识别 - 用斐波那契找到精准反转点
• 量化指标解码19：K线形态识别 - 价格行为不会说谎
• 量化指标解码18：SMC市场结构与流动性

---