AI Research × Execution

AI 投研的最后一公里

模型、因子与大模型 agent 负责提出想法；从信号到真实成交之间的仓位、调仓、风控、执行、账本与对账，由同一套系统负责。研究框架不用换，把结果交过来就行。

研究契约门禁模拟实盘证据下一版

strategy.alphaspec.json

{
  "contractVersion": "0.4",
  "kind": "artifact",
  "market": "cn_stock",
  "timeframe": "1d",
  "dsl": {
    "indicators": {
      "fast": { "type": "EMA", "period": 20 },
      "slow": { "type": "EMA", "period": 60 }
    },
    "entry": {
      "type": "CROSS_UP",
      "left":  { "ind": "fast" },
      "right": { "ind": "slow" }
    }
  },
  "exits": { "stopLossPct": 8 },
  "sizing": { "positionMode": "FIXED_PCT",
              "targetPctPerOrder": 20 },
  "producer": { "kind": "AI_AGENT",
                "searchTrials": 12 }
}

Open Contract

AlphaSpec：AI 与实盘之间的可审计契约

策略不是一段代码，而是一份声明式的 JSON 文档：用哪些指标、什么条件进出场、止损与仓位怎么设、在哪个市场交易。规范、校验器、指标目录与示例以 Apache-2.0 开源。

当场校验：提交之前就知道结构对不对，不用先跑一遍才发现
天然适合大模型：按 JSON Schema 约束输出，生成的文档结构一定合法
可以逐项对比：两版策略差在哪个参数一目了然，迭代有据可依
审一份文档，而不是审一段代码：文档里没有可执行代码，也就没有注入面
编译期拦住前视：跨周期指标使用未收盘数据，提交时直接拒收

DSL 不是我们的策略语言，而是 AI 与实盘之间的审计边界。

在 GitHub 查看 AlphaSpec →

策略文档规则、止损止盈、仓位、成交时点、股票池，一份文档完整表达一条策略

每日分数模型每天输出「标的 → 分数」，平台按排名与权重规则完成组合

门禁结果逐条判据、口径与未通过的原因，机器可读

执行证据运行后真实发生了什么，按统一口径回传

四份契约输入、评估、运行、反馈，各有 JSON Schema

Gate

AI 批量生成，门禁就要更严

AI 一次能产出成百上千个候选，搜索本身就会制造好看的回测。所以门禁不接受提交方自报的数字，一律由平台按同一套口径复算。

平台指定评估窗口：样本内与最近一段样本外，提交方不能挑区间
样本外校验：样本外表现不能明显弱于样本内
多重比较校正：按声明的尝试次数做 Deflated Sharpe 校正，试得越多，门槛越高
真实可成交口径：T+1、涨跌停、整手、最低佣金都按真实规则计算
通过也只进模拟：转为模拟策略后默认停用，启动由人确认

门禁通过率可能很低，这正是它可信的原因。机构自研的 alpha 也可以走同一道门禁，作为上线前的独立复核。

研究员、规则策略与 AI Agent 走同一条路径：回测、前向模拟、风控闸门、执行、记账与归因 — 无论信号来自研究员、规则还是 AI，都走同一条路、过同一道闸。

Research Loop

投研怎么和系统结合：把真实市场的结果送回研究

AI 投研真正的短板不是模型，而是没有闭环：模型不知道自己的信号在真实市场里发生了什么。平台把每一次运行的执行证据，做成研究可以直接读取的数据。

有没有按时跑：策略是否启用、调仓是否执行、外部分数是否断更
被拒了什么：按原因归类，每类附带建议，说明是改文档的哪个字段、需要人处理，还是只能等
目标和实际差多少：模型给出的目标持仓与成交后的实际持仓逐只对照，原因细到整手、涨跌停与 T+1
执行花了多少：相对到达价的滑点、同一笔单模拟与实盘的价差、成交率
每一笔成交：逐笔台账，带下单原因

诊断 agent 读取这些证据，回答「这个策略为什么不行了」，再交给研究员或生成 agent 改出下一版。

研究闭环：研究在你的框架里完成，结果以 AlphaSpec 文档或每日分数交给平台，经过门禁进入模拟与实盘，执行证据经诊断 agent 回到下一轮研究 — 别处拿得到行情、新闻与研报；真实执行证据只来自真正在跑的系统。

Migration

现有策略迁移与对接：不要求你迁移研究框架

机构团队有自己的 Python、LightGBM、PyTorch 与特征库，不需要、也不应该搬过来。对接只发生在研究的出口，三种方式按需选用。

① 只交分数模型每天输出一组「标的 → 分数」，平台按排名、权重与风控规则完成仓位、调仓、执行、记账与对账。研究代码零改动，是接入最快的方式。

② 规则策略转写已有的指标规则（均线、突破、动量、止盈止损、仓位）写成一份 AlphaSpec 文档，回测、模拟与实盘共用同一份定义。

③ 已有策略导出改版平台上运行中的策略可以导出为文档，修改后重新提交、复算门禁，作为新版本发布，每一版都可回溯。

从分数到真实成交的这一段，交给系统

仓位、调仓、风控、执行、账本、对账——自建往往要以月计，也恰好是研究团队最不想做的部分。接入之后，这一段与平台上所有策略共用同一套能力。

同一套风控：下单前预检、预算预占、单策略与组合熔断，任何来源都不能绕过
同一套执行：算法执行与多柜台网关，回测、模拟、实盘口径一致
同一套账本：资金、持仓、净值与绩效归因，可对账、可审计
多市场：A 股、ETF、可转债、期货、期权、美股等，按需接入

三种对接方式：只交每日分数、规则策略转写、已有策略导出改版，经过 AlphaSpec 校验与平台门禁，进入同一套执行底座 — 三种方式，进同一套执行底座。

Agents

任何 agent 都能接，但只走同一道门

平台不绑定某一个 agent。自研的 AI 投研只是参考实现，团队可以直接用，也可以接入自己成熟的工具。

三种接入方式：Python 包与命令行、MCP Server、Agent Skill，适配 Claude Code、Cursor、Codex、WorkBuddy 等主流 agent，以及 DeepSeek、Qwen 等大模型
两个 Agent Skill：一个负责写策略并提交，一个负责诊断正在运行的策略
权限分层：读取行情、因子、回测与执行证据先开放；提交与转模拟必须通过门禁；直接下单永远不开放
机构账号：管理员为团队签发一个 agent 账号，与普通成员同权，但不能启动策略
个人开发者：可用 GitHub 账号登录，自助生成 API Key，用于回测与模拟

我们自己的 agent 也只用公开接口，没有内部捷径。agent 和人走同一道门，这既是安全设计，也是可信的来源。

pip install alphaspec

# 安装 Agent Skill（写策略 + 诊断）
alphaspec skill --install ~/.claude/skills

# 离线校验，再交给平台评估
alphaspec validate strategy.json
alphaspec submit strategy.json --evaluate

# 运行之后，看真实发生了什么
alphaspec evidence --artifact 42

agent 能做什么、不能做什么

权限按风险分层，越接近真钱，越需要门禁与人的确认。

能力	agent	说明
读取行情、因子、指标目录	开放	与登录用户同一套数据权限
提交策略文档、上传每日分数	开放	提交前按 JSON Schema 与规则校验，不合法当场拒收
回测与门禁评估	平台复算	评估窗口由平台指定，不接受自报数字，按日配额
读取执行证据	开放	按时运行、拒单原因与建议、目标偏差、滑点、逐笔台账
转为模拟策略	须过门禁	只有平台评估通过的策略才能转，创建后默认停用
启动或停止策略	不开放	由人在控制台确认
直接下单、修改账户级风控	永不开放	订单只能由运行中的策略产生并经过同一套风控预检；策略自身的风控参数写在文档里，随文档一起过门禁