← 返回系统矩阵
SYS-05

智能量化核心HIMIAO Quant Core

自主研发的分布式实时量化交易与回测平台。集成多源金融数据接入与自研策略矩阵，通过五层防御 体系动态控制仓位敞口，AI 辅助研判个股护城河与潜在风险，实现高效的信号响应与资产组合风险 控制。

问题背景

个人量化策略常见的问题不是选股能力，而是缺乏系统化的仓位和风险控制——要么凭感觉重仓， 要么止损规则模糊，一旦市场波动放大就没有统一的应对机制，账户曲线容易大起大落，也很难 说清楚"这次加仓/减仓到底是不是按纪律来的"。

解决方案

搭建一套五层防御体系，从数据源到仓位敞口逐层收窄决策边界：L1 数据安全（三层降级容错） → L2 选股结构（量化因子 + AI 辅助打分）→ L3 组合配置（Value/Growth/Cash 三桶动态分配） → L4 战术控制（复合情绪指数微调）→ L5 波动率目标（按 Exposure = min(0.9, σ_target/σ) 反推仓位）。每次调仓前，AI 审计模块会自动扫描流动性枯竭、假突破、风格切换等潜在陷阱。

  • 角色独立设计与开发（策略框架 / 风险控制 / AI 审计模块）
  • 技术栈Python 量化框架 · Streamlit 实时监控 · Plotly 可视化
  • 周期V1.0 生产 + V1.0 PLUS 研究双轨迭代中
  • 状态实盘/研究双轨运行中

核心架构

量化核心底层逻辑图 数据接入后依次经过五层防御体系与AI审计，最终输出仓位敞口；其中L2选股结构的选股结果单独分支标注为交给市场检验，其余各层是系统保证的风控纪律。 多源行情数据接入 L1 数据安全 三层降级容错 L2 选股结构 量化因子 + AI 辅助打分 L3 组合配置 Value / Growth / Cash 三桶动态分配 L4 战术控制 复合情绪指数微调 L5 波动率目标 Exposure = min(0.9, σ_target / σ) AI 审计 调仓前自动扫描潜在陷阱 仓位敞口输出 → 实盘执行 选股结果 交给市场检验，不由系统保证

这套系统真正的护城河不在"选中了哪几只股票"——那部分交给市场检验，谁也没法打包票。护城河 在从数据接入到仓位输出这条链路本身：每一层都是独立、可复现、不依赖临场判断力的纪律，出问题 能定位到具体哪一层，而不是笼统地说"看错了"。2026 年 A 股整体处于系统性下行区间，当前 账户曲线是负的，这是市场环境的结果；风控链路本身按设计运行，没有出现仓位失控或规则被绕过 的情况。

落地成果 （持续更新中）

  • 架构五层防御体系全部在线运行，数据安全到波动率目标层层收敛，全程自动化
  • 运行已运行 74 天，账本记录 74 条，每 60 秒自动刷新，日胜率 54.1%
  • 业绩累计收益 -19.53%，最大回撤 -23.5%（上限 15%，当前已超出，风控层未失控但需要关注），处于 2026 年 A 股系统性下行区间
  • AI辅助V1.0 PLUS 研报雷达对个股跑 AI 评分 + 护城河分析，调仓前自动跑 AI 审计扫描潜在陷阱

对这套系统感兴趣，或者有类似需求想聊聊？

商业垂询 →