一、量化交易系统的整体架构图

一个成熟的 ATS 基本由以下六层组成：

┌────────────────────────┐
│ 1.数据采集 Data Layer │
└────────────────────────┘
┌────────────────────────┐
│ 2.数据清洗/特征工程  │
└────────────────────────┘
┌────────────────────────┐
│ 3.因子与模型层 Model │
└────────────────────────┘
┌────────────────────────┐
│ 4.回测 & 仿真引擎 Backtest│
└────────────────────────┘
┌────────────────────────┐
│ 5.交易执行 Execution  │
└────────────────────────┘
┌────────────────────────┐
│ 6.风控、监控、容灾  │
└────────────────────────┘

下面我们分层分析。

二、数据层：量化系统的地基

1. 你需要的数据类型

一个系统要稳定，数据必须完整、干净、可扩展。

你需要：

✔ 行情数据

• 分钟级行情（OHLCV）

• Tick 数据（交易、买卖盘深度）

• 盘口数据 Level-2（高阶策略）

• 历史 K 线（用于训练）

✔ 因子数据（结构化数据）

• 技术因子

• 基本面因子

• 风险因子

• 宏观因子

✔ 非结构化数据（高阶量化）

• 新闻情绪（NLP）

• 社交媒体情绪

• ESG 数据

• Analyst report & earning call transcript

✔ 成交费用数据

• 手续费费率

• 滑点模型

• 交易深度

2. 数据获取方式

a. 免费/开源：

• Binance API（加密）

• Tushare（A 股）

• Yahoo Finance（全球）

• FMP API（美股）

• Polygon（美股）

b. 专业数据供应商（推荐）

• Bloomberg

• Wind

• Refinitiv

• Kaiko（crypto）

• Tick Data LLC

如果你要做 中低频量化 + AI 模型，开源数据基本够用；
若你做 高频 / 高频情绪 / 高频套利 → 商业数据是必须。

3. 数据清洗（Data Cleaning）

原始数据可能存在：

• 缺失值

• 异常 spike

• 时间错乱

• 跨交易所不一致

• 假量、假价

清洗步骤包括：

缺失 → 填补
异常跳变 → Winsorize
跨交易所 → 对齐
时区 → 统一
复权 → 前复权/后复权
去噪 → 滤波器

清洗后的数据存入数据库：

推荐数据库：

三、因子计算与特征工程层

这一层是量化策略的“大脑”。

1. 技术因子（最常用）

• MA（移动平均）

• RSI

• ATR（波动率）

• Momentum 动量

• MACD

• Bollinger Band

2. 统计因子

• Beta

• Residual return

• Z-score

3. AI 特征（深度因子）

• 用 LSTM 或 Transformer 提取 price embedding

• 用 CNN 提取 K 线形态

• 用自编码器提取市场 latent feature

4. 因子流水线（Pipeline）

典型的 daily pipeline：

1. 载入最新行情 
2. 计算技术指标 
3. 计算因子 
4. 特征缩放 
5. 融合成模型输入 
6. 更新特征库 

可参考 sklearn 的 Pipeline。

四、模型层：策略信号的生成

模型可分为三大类：

1. 规则策略（Rule-based）

例如：

MA20 上穿 MA60 → 做多
RSI<30 → 买入

优点：稳定、易解释
缺点：无法适应复杂市场

2. 机器学习策略（AI）

包括：

• XGBoost

• Random Forest

• LSTM

• Transformer

• Temporal Fusion Transformer

• CNN

输出形式：

• 信号（buy / sell）

• 价格方向（up/down）

• 预期收益（regression）

• 波动率预测（risk）

3. 强化学习策略（RL）

用 PPO/DQN 等算法自动调整：

• 仓位大小

• 加仓/减仓

• 风控触发

• 风格切换

五、回测与仿真系统（Backtest Engine）

一个优秀的回测引擎必须满足：

1. 无未来函数（no look-ahead）

模型不允许看到未来数据。

2. Tick 到分钟级成交仿真（order simulation）

包括：

• 买卖深度

• 滑点

• 市价/限价订单

• 部分成交

3. 多策略 / 多品种支持

4. 回测指标

必须输出：

• 年化收益率

• 胜率

• 夏普比

• Calmar ratio

• 最大回撤

• 盈亏比

• 停机期间收益（有无过拟合）

六、交易执行系统（Execution Layer）

1. 信号到订单的转换

例如：

• 信号=+0.8 → 持仓=80%

• 信号=-1 → 开空 100%

2. 订单类型支持

• 市价单

• 限价单

• 冰山单

• TWAP / VWAP（大单分批成交）

• Smart Routing（多交易所）

3. 高频场景支持（可选）

需要：

• C++/Rust 低延迟框架

• WebSocket 实时订阅订单簿

七、风控系统：实盘的生命线

风控主要有三层：

1. 静态风控

• 最大持仓

• 最大杠杆

• 单品种最大仓位

• 单日最大亏损

2. 动态风控

• 市场波动率过高自动减仓

• 跟踪止损（Trailing Stop）

• 价格偏离预期 → 自动平仓

3. 交易所风控兼容

• 多账户多交易所

• 自动补保证金

八、监控与容灾系统

实盘最怕两个字：失控

必须具备：

1. 监控

• 策略收益实时监控

• 订单失败告警

• 延迟告警

• 数据异常告警

2. 日志

• 全量日志

• 错误日志

• 订单执行日志

3. 容灾

• 冷备份策略

• 多节点冗余

• 实时网络切换

• 交易失败自动重试

九、如何搭建一个可上线的系统？（可落地）

以下是一个能跑实盘的 MVP 方案：

语言：

• Python（策略）

• Rust / Go（交易执行）

• SQL（数据）

组件：

• 数据库：PostgreSQL + ClickHouse

• 缓存：Redis

• 流服务：Kafka

• 执行：交易所 API（Binance / OKX / IB 等）

• 模型：PyTorch / TensorFlow

• 回测：自研 or zipline / backtrader

部署架构：

AWS EC2 或阿里云
Docker 容器
Kubernetes（多策略可扩展）

十、总结：一个量化系统的好坏，决定你能不能长期赚钱

真正能赚钱的量化团队，拼得不是“策略”，而是：

• 数据能力

• 系统稳定性

• 风控可靠性

• 工程化质量

• 自动化程度

策略好坏决定你能不能赚钱；
系统好坏决定你能不能活下去。