当价格序列被视作“可学习的信号”，AI程式交易便成为将统计学、机器学习与执行工程融合的实践。它不是“一键暴富”的神话，而是以数据纪律、模型稳健性与风险控制为核心的系统化方法。 核心框架与工作流程 一个成熟的AI程式交易系统通常遵循清晰的闭环： 数据治理：行情、基本面、另类数据清洗与对齐；异常值、缺失值处理。 特征工程：价格动量、波动率、成交结构、资金流、宏观因子、文本情绪。 模型训练：交叉验证、样本外验证、滚动/走前检验。 回测评估：交易成本、冲击成本、滑点与延迟仿真。 执行引擎：订单拆分、限价/市价策略、风险限额、实时风控。 监控迭代：指标看板、漂移检测、策略灰度与回滚。 特征与模型选择 特征工程：从相关到可交易 可交易的信号不仅要“相关”，更要在成本后“可获利”。常见方向包括： 时间结构：趋势、反转、季节性、波动率聚类。 横截面：相对强弱、价值与质量因子、流动性分层。 微结构：盘口不对称、订单簿深度变化、成交分布。…