大语言模型Large Language Model正在快速渗透量化投资领域。过去做小市值策略我们更多依赖财务因子、量价因子和人工规则现在LLM 可以把新闻情绪、宏观流动性状态、技术信号甚至公告文本揉在一起生成带有可解释理由的交易决策。本文从零搭建一个整合金融新闻情绪、宏观经济指标和技术信号的小市值交易信号生成系统包含完整 Python 工程项目、提示词设计、信号合成逻辑、回测框架与避坑清单适合有 Python 基础、想尝试“大模型 量化”方向的初学者也适合已经跑过简单选股策略、希望把非结构化文本纳入策略体系的后端开发者。需要提前说明的是本文只讨论技术实现与研究方法不构成任何投资建议。回测表现不代表实盘小市值策略存在流动性、退市和波动率放大等现实风险实盘前务必做好资金管理和合规评估。1. 项目背景与核心概念1.1 为什么是小市值策略小市值策略是 A 股与美股市场上长期存在的风格因子之一。它的逻辑比较简单市值较小的公司通常被机构覆盖少、市场关注度低、定价效率不足因此更容易出现错误定价一旦基本面或消息面出现边际变化股价弹性往往大于大市值公司。但小市值策略并不容易执行。小盘股对流动性极其敏感涨跌停限制、停牌、退市新规、业绩暴雷等都会造成单个标的的剧烈波动。如果只用纯量价因子做小市值选股信号纯度不够遇到负面舆情时往往反应滞后。这个痛点恰好给了大语言模型发挥空间LLM 能读取新闻、公告、研报等文本信息比传统关键词打分离散规则更接近人对复杂消息的语义理解。1.2 LLM 在量化交易中的定位大语言模型在量化交易中通常承担三类任务信息提取从新闻、公告、财报电话会议记录里提取关键事件比如“利润下滑”“大股东增持”“获得大额订单”。情绪打分把一段文本从负面到正面给出分数替代过去用情感词典或简单分类模型的做法。决策建议把结构化因子与文本信息组合后让模型输出买卖判断并给出人类能读懂的理由。本文的项目属于“LLM 驱动决策信号”的入门级实现。我们不会让模型直接管理资金而是把 LLM 当作一个“综合信号生成器”给它一份结构化特征包它输出一个包含动作、仓位建议和决策理由的 JSON再交给后续风控与回测模块使用。1.3 为什么要融合三类信号单一信号源很容易失效。技术指标是价格的历史映射面对突发新闻时来不及反应新闻情绪虽然能捕捉最新信息但噪音大容易被小作文带偏宏观指标决定整个市场的流动性环境对小市值风格影响尤其明显可是宏观数据频率低无法指导短期买卖点。因此本项目把三类信号整合进同一个特征向量金融新闻情绪当日该股票相关新闻的语气得分重点判断突发消息方向。宏观经济指标以 SHIBOR上海银行间同业拆借利率等高频利率作为流动性代理变量判断市场风格是否有利于小市值。技术信号动量、均线结构、波动率、成交量变化等提供入场时机上的约束。这个框架的核心是宏观定方向新闻找边际变化技术定时机LLM 最后做综合决策。2. 总体架构与核心模块2.1 系统流程整个项目的运行流程可以用下图表示这是标准的离线研究流程线上工程可以做等价改造[行情数据] → 技术指标计算 → ┐ [新闻数据] → 情绪打分 → ├→ 特征包组装 → LLM决策引擎 → 信号解析 → 风控过滤 → 回测 [宏观数据] → 宏观状态映射 → ┘每一步的职责如下数据采集获取候选股票池的行情、新闻与宏观数据。特征工程把原始数据转化为模型能理解的结构化分数。特征包组装把三类特征打包成结构化文本或 JSON交给 LLM。信号生成LLM 根据提示词输出交易动作与仓位建议。信号解析把模型返回文本解析成机器可读格式。风控过滤对模型裸信号做仓位、止损和流动性过滤。回测评估按 T1 开盘价或 T1 收盘价验证信号有效性。2.2 目录结构设计我建议把工程拆成以下目录结构每个模块独立文件方便调试和后期替换数据源llm_smallcap_trading/ ├── config.py # 全局配置 ├── data_loader.py # 行情、新闻、宏观数据加载 ├── features.py # 技术指标、新闻情绪、宏观特征 ├── llm_signal.py # LLM 调用与信号解析 ├── backtest.py # 回测与风控 ├── run.py # 主流程 ├── requirements.txt └── data/ # 存放缓存数据这个结构的好处是当你想换一家 LLM 服务商时只需要改llm_signal.py想换数据供应商时只需要改data_loader.py不会牵一发动全身。3. 环境准备与版本说明3.1 运行环境本文示例使用 Python 3.10 或更高版本主要依赖如下。具体版本需要结合你的本机环境调整以下是经过常用组合验证的参考版本区间依赖库推荐版本用途pandas2.0数据处理numpy1.26数值计算requests2.31调用 LLM HTTP 接口python-dotenv1.0读取密钥配置akshare最新版获取行情与宏观数据openai最新版作为 OpenAI 兼容接口的客户端可选安装命令pip install pandas numpy requests python-dotenv akshare如果你选择的 LLM 服务商提供 OpenAI 兼容接口也可以安装官方 SDKpip install openai3.2 大模型服务选择考虑到国内访问与合规问题推荐使用国内合法合规的大模型 API 服务例如 DeepSeek、通义千问、文心一言、腾讯混元等平台提供的 API也可以选择本地私有化部署开源模型。不同服务商的接口地址、模型名称和计费方式不同你在运行前需要替换配置。本文代码示例以“OpenAI 兼容接口”为抽象层进行编写这是一种广泛支持的接口规范无论使用哪家服务商只要其提供/chat/completions兼容接口代码都可以复用。3.3 数据源说明行情与宏观数据使用 AKShare 公开接口获取。AKShare 接口命名和字段随版本变化较快如果你在运行中遇到字段不存在请到官方文档确认最新接口。新闻数据建议先落成 CSV 文件便于调试避免反复请求接口被限流。4. 数据采集与预处理4.1 候选股票池构建小市值策略首先需要定义一个“小市值”口径。这里我们用流通市值作为筛选标准常见做法是选择全市场中流通市值最小的若干只股票同时剔除 ST、退市风险、次新股和停牌股票。由于小市值池子财务风险较高我建议至少叠加两个过滤条件剔除上市不满 60 个交易日的次新股。剔除最近一年被 ST 或 *ST 的股票。我提供一个代码骨架使用 AKShare 获取 A 股实时快照再按流通市值排序。注意 AKShare 接口字段可能随版本变化你需要以实际返回值为准# 文件路径data_loader.py import akshare as ak import pandas as pd def fetch_stock_pool(min_market_cap5, max_market_cap50): 获取小市值候选池。 参数单位为亿元仅为示例口径可自行调整。 # 获取沪深京 A 股实时行情快照 spot_df ak.stock_zh_a_spot_em() # 统一字段名实际以 akshare 返回为准 # 常见字段包括代码、名称、最新价、流通市值、总市值 if 流通市值 not in spot_df.columns: raise ValueError(当前 AKShare 版本接口字段有变化请查看文档后调整列名) # 过滤条件流通市值在区间内且名称不含 ST、退 df spot_df.copy() df df[df[流通市值].between(min_market_cap * 1e8, max_market_cap * 1e8)] df df[~df[名称].str.contains(ST|退, naFalse)] df df[~df[代码].str.startswith(688)] # 是否剔除科创板视策略而定 result df[[代码, 名称, 最新价, 流通市值]].copy() result result.sort_values(流通市值).reset_index(dropTrue) return result4.2 个股历史行情与复权回测和指标计算都依赖前复权价格。前复权可以消除分红送股造成的价格跳空避免技术指标失真。建议通过 AKShare 的“前复权”接口获取日线数据。def fetch_daily_history(symbol: str, start_date: str, end_date: str): 获取单只股票前复权日线。 df ak.stock_zh_a_hist( symbolsymbol, perioddaily, start_datestart_date, end_dateend_date, adjustqfq, ) # 统一列名AKShare 通常返回中文列名 df.rename( columns{ 日期: date, 开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume, }, inplaceTrue, ) df[date] pd.to_datetime(df[date]) df df.set_index(date).sort_index() return df这里我想提醒一个常见坑AKShare 接口返回列名在不同版本间可能有变化。像上面这样把列名统一成英文小写可以在features.py中减少同名错误。4.3 新闻数据落地新闻数据是 LLM 情绪分析的基础。受版权和接口稳定性限制我不建议在教程里爬取财经网站正文更推荐使用你自己已经取得授权的新闻数据服务或者直接存储从数据商购买的新闻 API 返回结果。为了方便演示data_loader.py提供一个加载本地新闻 CSV 的函数列结构约定为code,date,title,content 000001,2025-01-05,某银行发布年度业绩预增公告,公司预计净利润同比增长...如果新闻来自带情绪标签的数据集也可以续接一列label作为情绪打分的校验数据。def load_news_csv(pathdata/news.csv): df pd.read_csv(path, parse_dates[date]) return df在实际工程里新闻数据往往会滞后、去重困难、噪音大。较好的做法是交易日早上采集一次先做标题去重再过滤掉与标的无关的泛财经新闻最后才进入情绪评分模块。4.4 宏观数据获取本文使用 SHIBOR 作为宏观流动性代理变量因为它频率高、反映银行间资金面松紧对小市值风格有一定先导意义。你也可以替换成十年期国债收益率、M2 同比等指标。AKShare 中提供 SHIBOR 历史数据接口但字段格式在不同版本中可能不同下面只给示意def fetch_shibor(start_date20230101, end_date20251231): df ak.macro_china_shibor_all(start_datestart_date, end_dateend_date) return df由于 SHIBOR 接口返回格式经常调整我更建议直接下载数据到 CSV再统一做清洗def load_shibor_csv(pathdata/shibor.csv): df pd.read_csv(path, parse_dates[date]) df df.set_index(date).sort_index() return df预处理统一放进data_loader.py保证后续特征模块拿到的都是标准格式。5. 三类信号的特征工程特征工程是这套策略最重要的一层。LLM 再强也无法从垃圾特征里学到有效信息。我把三类特征分别封装成函数最终组合成一个结构化的特征字典。5.1 金融新闻情绪打分新闻情绪最直接的实现方式是让 LLM 给每条新闻打分。但逐条调用 LLM 的成本较高在批量研究场景下不划算。本文先给一个基于规则的情感词典法作为基线然后在llm_signal.py中让 LLM 基于汇总特征做二次判断。# 文件路径features.py import re POSITIVE_WORDS {预增, 增长, 突破, 中标, 增持, 回购, 超预期, 扭亏} NEGATIVE_WORDS {预减, 亏损, 下滑, 减持, 违规, 立案, 商誉减值, 退市} def news_sentiment_score(text: str) - float: 极简情感词典打分返回 -1 到 1 之间的分数。 生产环境建议使用更完善的金融情感模型或 LLM 逐条评分。 if not isinstance(text, str) or len(text.strip()) 0: return 0.0 pos_hit sum(1 for w in POSITIVE_WORDS if w in text) neg_hit sum(1 for w in NEGATIVE_WORDS if w in text) total pos_hit neg_hit if total 0: return 0.0 return (pos_hit - neg_hit) / total接着对同一只股票在观察窗口内的所有新闻求加权平均。权重可以是“越接近当天的新闻权重越高”这能反映新闻影响的衰减特性。def stock_news_sentiment(news_df, code, window_days3): 对单只股票最近 window_days 天的新闻做加权情绪汇总。 sub news_df[news_df[code] code].copy() if sub.empty: return 0.0 latest_date sub[date].max() sub sub[(sub[date] latest_date - pd.Timedelta(dayswindow_days))] sub[score] sub[content].fillna().apply(news_sentiment_score) # 时间越近权重越大这里用归一化日期序号作为简单权重 days_diff (latest_date - sub[date]).dt.days weights 1.0 / (1.0 days_diff) if weights.sum() 0: return 0.0 return float((sub[score] * weights).sum() / weights.sum())这样做的好处是新闻情绪信号不仅考虑了正负面还考虑到了时间衰减。坏处是词典法无法理解反讽和复杂句式比如“亏损幅度收窄”会被词典法误判为纯负面而实际上这是边际改善。后续可以替换成专门的金融情感模型。5.2 宏观经济指标映射宏观指标不能直接塞给 LLM。模型对大数字不敏感更好的方式是把宏观绝对水平转化为“状态”。这里把 SHIBOR 转换成两个特征最新值与 20 日均线的偏离度衡量资金面边际变化。最近 5 日的方向上升、下降或震荡。def macro_flow_feature(shibor_df): 将 SHIBOR 数据转化为宏观流动性状态描述。 df shibor_df.copy() df[ma20] df[shibor].rolling(20).mean() df[deviation] (df[shibor] - df[ma20]) / df[ma20] latest df.iloc[-1] if latest[deviation] 0.05: state 流动性边际收紧 elif latest[deviation] -0.05: state 流动性边际宽松 else: state 流动性中性 # 最近5日方向 recent_5 df[shibor].tail(5).tolist() if len(recent_5) 2: if recent_5[-1] recent_5[0] * 0.95: direction 资金利率下行 elif recent_5[-1] recent_5[0] * 1.05: direction 资金利率上行 else: direction 资金利率走平 else: direction 数据不足 return { shibor_latest: round(float(latest[shibor]), 4), deviation: round(float(latest[deviation]), 4), flow_state: state, direction: direction, }宏观指标使用时一定要对应到正确的交易日。SHIBOR 是日频数据和股票交易日天然对齐如果使用月度数据如 PMI、M2需要做向前填充ffill避免未来数据泄漏。5.3 技术指标计算技术指标选择上我尽量避免引入 TA-Lib 等重依赖。用 pandas 手写几个常用指标稳定且便于改动。MA20 / MA60判断中短期趋势。RSI14判断超买超卖。20 日波动率衡量风险。5 日成交量变化反映资金活跃度。def technical_features(price_df): 计算单只股票的技术指标。 price_df 需要包含 close、volume 列且按日期升序。 df price_df.copy() df[ma20] df[close].rolling(20).mean() df[ma60] df[close].rolling(60).mean() # RSI 14 delta df[close].diff() gain delta.clip(lower0).rolling(14).mean() loss (-delta.clip(upper0)).rolling(14).mean() rs gain / (loss 1e-9) df[rsi14] 100 - 100 / (1 rs) # 20 日年化波动率 df[ret] df[close].pct_change() df[volatility20] df[ret].rolling(20).std() * (252 ** 0.5) # 5 日成交量变化 df[volume_ma5] df[volume].rolling(5).mean() df[volume_ratio] df[volume] / (df[volume_ma5] 1e-9) return df技术指标虽然经典但存在多重共线性和过拟合风险。比如 MA20 和 MA60 在趋势行情中方向一致在震荡行情里会频繁发出假信号。后续可以把指标精简为“动量 波动率 量能”三个维度再交给 LLM 做判断。5.4 特征包组装特征包组装是把三类特征合并成给 LLM 的输入。这里有一点设计上的关键选择是给 LLM 原始数值还是给模型更容易理解的自然语言描述经验是两部分都给。数值用于精确计算自然语言用于语义理解。因此我们需要生成类似下面的内容股票代码000001 观察日期2025-01-05 收盘价12.30 技术指标MA2012.10MA6011.80RSI6220日波动率25%量比1.2 新闻情绪最近3日有2条新闻加权情绪分0.35其中一条提及“预增” 宏观环境SHIBOR1.42%流动性边际宽松资金利率下行这个文本是提示词的一部分。为了代码可维护特征包组装可以写成函数build_llm_input返回字符串和结构化字典两个版本。LLM 对自然语言的解析能力更强但结构化字典便于后续做日志和人工校验。def build_llm_input(stock_code, date, tech_dict, news_score, macro_dict): lines [ f股票代码{stock_code}, f观察日期{date}, f收盘价{tech_dict.get(close, 0)}, f技术指标MA20{tech_dict.get(ma20, 0):.2f}MA60{tech_dict.get(ma60, 0):.2f}RSI14{tech_dict.get(rsi14, 0):.1f} f20日波动率{tech_dict.get(volatility20, 0) * 100:.1f}%量比{tech_dict.get(volume_ratio, 1):.2f}, f新闻情绪最近3日加权情绪分{news_score:.2f}, f宏观环境{macro_dict.get(flow_state, 未知)}{macro_dict.get(direction, 未知)}, ] text \n.join(lines) context { code: stock_code, date: str(date), technical: tech_dict, news_score: news_score, macro: macro_dict, } return text, context6. LLM 信号生成与合成6.1 提示词设计LLM 提示词是这套系统的灵魂。一个合格的交易决策提示词需要包含角色设定说明模型是量化研究员。输入内容特征包组成的文本。输出格式强制 JSON包含 action、position_ratio、reason 三个字段。约束条件禁止输出超出动作范围的文本避免模型“自由发挥”。SYSTEM_PROMPT 你是一名专注于小市值股票研究的量化交易员。你的任务是基于给定的技术指标、新闻情绪和宏观流动性状态判断该股票未来1-5个交易日的投资价值。 决策动作只能是以下三种之一 - buy看多适合买入或加仓 - hold中性当前不建议新增仓位 - sell看空适合卖出或减仓 同时给出一个 0 到 1 之间的仓位建议 position_ratio1 表示当前可以满仓配置这只股票0 表示完全回避。 你必须严格输出 JSON 格式不要输出任何多余文字。格式如下 {action: buy, position_ratio: 0.6, reason: 简要说明理由} .strip()这里有必要解释一下为什么要求模型输出 JSON 而不是自然语言。自动交易系统需要稳定的机器可读输出如果模型返回大段论述解析成本和出错概率都会上升。强制 JSON 格式后解析逻辑只需要处理少量异常情况例如模型误加了 markdown 代码块标记。6.2 调用 LLM 接口基于前面的配置环境变量我们用 requests 调用 OpenAI 兼容接口。这个接口格式在绝大多数模型服务商中通用唯一需要替换的是base_url、api_key和model。# 文件路径llm_signal.py import json import os import requests from dotenv import load_dotenv load_dotenv() LLM_BASE_URL os.getenv(LLM_BASE_URL, ) LLM_API_KEY os.getenv(LLM_API_KEY, ) LLM_MODEL os.getenv(LLM_MODEL, your-model-name) def call_llm(user_content: str) - str: if not LLM_BASE_URL or not LLM_API_KEY: raise RuntimeError(请先配置 LLM_BASE_URL 与 LLM_API_KEY 环境变量) headers { Authorization: fBearer {LLM_API_KEY}, Content-Type: application/json, } payload { model: LLM_MODEL, messages: [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_content}, ], temperature: 0.2, max_tokens: 500, } response requests.post( f{LLM_BASE_URL}/chat/completions, headersheaders, jsonpayload, timeout60, ) response.raise_for_status() data response.json() return data[choices][0][message][content]注意temperature在这里设置为 0.2这是我在工程实践中的一个折中太低容易机械太高容易让决策产生随机抖动。对于交易信号稳定优先。6.3 返回结果解析与信号合成模型可能返回带 markdown 语言标记的 JSON 文本例如json {action: buy, position_ratio: 0.6, reason: 新闻情绪偏正面技术面走强}解析时必须清洗掉代码块标记。我用正则提取文本中的 JSON 对象并做字段校验。 python import re def parse_llm_response(content: str): 从 LLM 返回文本中提取 JSON并做字段校验。 # 去除 json 与 包裹 cleaned re.sub(rjson|, , content).strip() try: data json.loads(cleaned) except json.JSONDecodeError: # 尝试从文本中取出第一个花括号到最后一个花括号 start cleaned.find({) end cleaned.rfind(}) if start -1 or end -1: return None try: data json.loads(cleaned[start:end 1]) except json.JSONDecodeError: return None action data.get(action) if action not in {buy, hold, sell}: return None position_ratio float(data.get(position_ratio, 0)) position_ratio max(0.0, min(1.0, position_ratio)) reason str(data.get(reason, )) return { action: action, position_ratio: position_ratio, reason: reason, }在批量扫描整个候选池时全部股票都调 LLM 成本会很高。我建议先用量化和规则进行第一轮筛选只把“边际变化显著”的股票交给 LLM也就是所谓的“规则粗筛 模型精排”的思路。def generate_signal_for_stock(code, tech_dict, news_score, macro_dict): user_text, context build_llm_input( stock_codecode, datetech_dict.get(date), tech_dicttech_dict, news_scorenews_score, macro_dictmacro_dict, ) raw call_llm(user_text) parsed parse_llm_response(raw) if parsed is None: # 解析失败时保守返回 hold避免裸奔 return {code: code, action: hold, position_ratio: 0.0, reason: parse_failed, raw: raw} parsed[code] code return parsed解析失败的兜底策略是返回hold且仓位为 0。宁可错过不能在没有有效信号的情况下贸然买入。7. 回测框架与风险控制7.1 信号对齐与回测回测最容易犯的错误是未来函数。下面这个简单回测框架会强制要求信号在signal_date生成实际持仓从next_trade_date开始交易价格用次日开盘价或次日收盘价。也就是说信号数据必须左移一天才能和收益对齐。# 文件路径backtest.py import pandas as pd def backtest_daily_signals(price_df, signal_df, trade_priceopen, cost_rate0.001): 对单只股票做逐日信号回测。 signal_df 包含 date、action、position_ratio 三列。 df price_df.copy() df df[[open, close]].merge(signal_df, left_indexTrue, right_ondate, howleft) # 信号次日生效用 T 日信号对齐 T1 日价格 df[position] df[action].map({buy: 1.0, hold: 0.0, sell: -1.0}) df[target_position] df[position].shift(1).fillna(0.0) df[trade_price] df[trade_price] # 使用目标仓位变动近似计算交易成本 df[pos_change] df[target_position].diff().abs().fillna(df[target_position].abs()) df[ret] df[close].pct_change().fillna(0) df[strategy_ret] df[target_position] * df[ret] - df[pos_change] * cost_rate df[cum_return] (1 df[strategy_ret]).cumprod() - 1 return df这只是单标的回测。放到组合层面还需要按日期对齐多个标的的信号计算组合日收益。组合回测可以参考以下逻辑def portfolio_backtest(all_returns: pd.DataFrame, weights: pd.DataFrame): all_returns: 行索引为日期列名为股票代码值为日收益率。 weights: 行索引为日期列名为股票代码值为目标持仓权重。 aligned all_returns.shift(-1).mul(weights, axis0) # 同样处理次日生效 daily_return aligned.sum(axis1).fillna(0) cumulative (1 daily_return).cumprod() - 1 return daily_return, cumulative7.2 小市值组合风控小市值策略比大市值策略更需要严格风控。原因很简单小盘股流动性差一个信号买进去很容易但卖出时可能连续跌停根本逃不出来。因此我给风控模块设置了四条硬规则单票仓位上限单只股票权重不超过组合的 5%。最大持仓数量同时持仓 10 到 20 只分散个股踩雷风险。止损线单只股票回撤超过 10% 时强制移出候选池不再补仓。流动性过滤最近 20 个交易日日均成交额低于某个阈值的股票不进入可买名单。def risk_filter(signal_list, price_dict, min_avg_amount3e7, max_position0.05): 对 LLM 信号做风控过滤。 min_avg_amount 默认 3000 万元可根据策略规模调整。 results [] for sig in signal_list: code sig[code] price_df price_dict.get(code) if price_df is None or price_df.empty: continue # 流动性过滤 avg_amount (price_df[close] * price_df[volume]).tail(20).mean() if avg_amount min_avg_amount: sig[action] hold sig[position_ratio] 0.0 sig[reason] sig[reason] 流动性不足 # 仓位上限 sig[position_ratio] min(sig[position_ratio], max_position) results.append(sig) return results这里要明确一个原则LLM 只能提出建议风控规则拥有最终否决权。在工程上模型输出应该被当作“建议信号”而非“交易指令”。7.3 评估指标回测结果不能只看累计收益。对小市值策略至少要评估年化收益率。最大回撤。夏普比率。胜率。换手率与交易成本敏感性。其中最大回撤对小市值策略尤其重要。因为小盘股流动性差极端行情下按模型计算的净值曲线会非常漂亮但实盘滑点巨大。因此我建议回测时假定单次冲击成本为 0.2% 到 0.5%远比大盘股策略高。def max_drawdown(cum_return_series): peak cum_return_series.cummax() drawdown cum_return_series - peak return drawdown.min()这段代码虽然只有三行但它是小市值策略报告里最关键的数字之一。一个夏普很高但最大回撤超过 40% 的策略在小市值实盘中很可能让持有人中途心态崩溃。8. 常见问题与排查思路问题现象常见原因解决思路LLM 返回大量非 JSON 文本提示词约束不够模型版本不支持强格式在提示词中强调“只输出 JSON”解析失败时增加正则提取兜底为 holdAPI 请求超时或限流并发过高账户请求频率受限增加重试与退避把批量请求拆成小批次必要时引入本地缓存AKShare 接口字段不存在库版本更新导致字段变化打印df.columns确认字段名固定依赖版本统一封装数据层新闻情绪分数总是 0.0词典里没有命中关键词先打印新闻文本检查编码与停用词改用 LLM 逐条评分回测曲线向右上角完美上涨可能使用了未来数据检查信号是否shift(1)交易价格是否为次日价宏微观数据是否前向填充信号全部是 hold候选池都触发了风控LLM 对模糊输入过于保守查看风控过滤日志降低 temperature给出更明确的历史对比信息技术指标里有 NaN上市时间不足或数据有缺失丢弃上市不足 60 日日期的样本用填充方式处理少量缺失针对第一类问题我再给出一个实战模板如果模型偶尔在 JSON 前后加解释文字可以在调用端加上 “不要输出其他文字” 的提示并且把max_tokens调小到 300减少模型“自由发挥”的空间。针对回测未来函数问题最有效的排查方法是人工随机抽几天打印“信号日期、生效日期、信号内容、交易价格”四列逐行核对有没有可能在当天收盘前获得次日数据。这一步不能省略。9. 最佳实践与工程建议9.1 数据与特征层面第一所有数据入库保存原始版本。AKShare 返回的字段、LLM 的完整 prompt、新闻原始文本至少要保留一份原始记录。否则模型升级或特征改动后你无法复现历史结果。第二特征和信号都加上“版本号”和“生成时间”。金融数据变更频繁同一个2025-01-05的行情在不同时间下载可能会出现复权因子更新后的差异。建议在输出结果里增加一列data_version。第三新闻情绪评分不要只用一个简单词典。词典法做基线可以但如果你要正式做研究推荐改用专门的金融事件抽取模型或者用 LLM 批量对新闻做多标签分类比如“业绩预增”“股东减持”“被立案调查”“获得大单”这样信号的可解释性更强。9.2 LLM 调用层面建议建立“提示词版本管理”。把SYSTEM_PROMPT写成独立文本文件或存进配置中心方便切换和对比。每次修改提示词都要重新跑一遍历史样本否则很难判断策略效果提升来自模型能力提升还是特征优化。同时要预防 LLM 输出不稳定。我的做法是连续调用两次如果两次结果不一致则降低仓位或直接返回 hold。这也避免了单次调用偶然性带来的随机交易。成本优化方面可以先把候选池压缩到 30 到 50 只股票再用 LLM 生成信号。不要拿全市场 5000 只股票去跑 LLM既不经济也没必要。真正有价值的模型判断应该花在“边界样本”上。9.3 安全与合规层面自动交易系统必须经过充分研究验证并在测试环境、模拟盘运行足够长时间后再考虑小资金实盘。涉及真实交易时还需要考虑券商接口权限、合规审核、权限控制与审计日志。所有交易决策日志至少要保留密钥脱敏后的完整记录。我对生产系统的最低建议是账户密钥通过环境变量或密钥管理系统注入禁止硬编码。交易接口具备订单二次确认机制风控系统可以随时熔断。所有外部调用设置超时与重试上限避免接口异常导致程序死循环。对每次 LLM 输出做敏感词与非法指令过滤防止提示词注入。9.4 策略迭代层面小市值策略失效快因为市场风格切换迅速。前期有效的因子可能在半年后变成反向指标。因此策略监控比策略开发更重要。建议对以下指标做每日监控策略每日收益与基准指数收益的差值。LLM 信号中 buy / sell 占比。新闻情绪得分分布。候选池平均市值变化。一旦信号分布出现异常例如连续一周 90% 的信号都是 buy大概率是模型提示词出了偏差或者输入特征发生了系统性偏移。10. 总结与后续方向到目前为止我们完成了一个从数据到信号、再到回测的完整小市值策略实现框架。你掌握的关键内容包括小市值策略的特征选择逻辑、用 AKShare 获取行情与宏观数据的方法、新闻情绪打分的两种层级、把技术指标与宏观状态组装为 LLM 输入的方式、基于 OpenAI 兼容接口生成结构化 JSON 信号的工程方法、以及带次日生效机制和风控过滤的回测框架。接下来可以继续深入的方向有三个第一把新闻情绪评分升级为事件驱动模型。相比单纯的正负面情绪分数识别“业绩预增”“大股东质押”“被立案调查”等事件对股价的边际影响更大。第二引入更严谨的组合优化。把 LLM 输出的单票意愿与组合层面的风险预算结合用均值方差或风险平价确定最终权重。第三增加策略解释与归因模块。每一次交易决策都要能回答三个问题为什么买入、为什么卖出、为什么这次没有遵守模型信号。这对后续迭代和合规审计非常重要。小市值策略的收益来源是市场错误定价而大语言模型的独特价值在于它能读懂文本背后的边际变化。把自然语言信号和传统结构化因子放在同一个决策框架里是一条值得长期投入的路线。建议你先从本文的代码骨架出发换一批股票池、换几个提示词、跑一段历史区间慢慢形成自己的调试方法论。如果这篇文章帮助你把 LLM 量化策略的第一版跑通可以收藏备用后续我也会继续更新提示词调优、多因子合成和模拟盘部署相关的内容。
