自适应执行
Adaptive以 OFI 与短期波动预测实时调整参与率，在冲击成本与时机风险之间求解动态最优路径。
- 参与率区间
- 3% – 22%
- 相对 VWAP 改善
- 1.8 – 4.2 bps
TECHNOLOGY · 技术体系
一套让研究结论
可复现、可审计、可反驳的基础设施
量化竞争的终局不是谁的模型更聪明，而是谁的工程更接近真理。我们把研究、数据、建模、执行与治理放进同一套基础设施，让每一个结论都带着它的证据链一同交付。
- 在役数据源
- 1,860
- 特征版本 / 日
- 420+
- 模型上线周期
- 9 天
- 端到端可用性
- 99.99%
DATA FOUNDATION · 数据底座
研究的边界，由数据的底座决定
因子会失效，模型会过时，唯有可复现的数据底座会持续产生复利。我们把行情、遥感、航运、气象与文本统一收拢进一套带血缘、可回溯、批流同源的基础设施——任何一次历史决策，都能沿血缘一路还原到最初的原始字节。
- L5
决策服务层
Decision Serving将因子、模型与约束暴露为统一信号接口，向组合构建与执行系统提供 P99 < 12ms 的低延迟服务。
- gRPC / Arrow Flight
- 在线特征缓存
- 灰度与影子流量
- L4
特征与模型层
Feature & Model Store离线与在线特征同源同构，特征版本与模型版本强绑定，任何一次预测都可回溯到确定的数据快照。
- Point-in-time 一致性
- 特征血缘图谱
- 模型注册中心
- L3
计算编排层
Compute Orchestration批流一体：历史回填与实时推理共用同一套算子定义，避免「回测算得准、实盘算不出」的经典陷阱。
- Flink / Spark / Ray
- DAG 血缘与重放
- 多租户算力隔离
- L2
湖仓存储层
Lakehouse Storage以开放表格式承载 PB 级结构化行情、非结构化文本与栅格遥感影像，支持时间旅行与精确时点回溯。
- Iceberg / Delta
- 列存 + 向量索引
- 对象存储冷热分层
- L1
接入与治理层
Ingestion & Governance行情、公告、遥感、航运、气象与舆情在此汇流，经去重、对齐、复权与质量打分后方可入库。
- Schema 契约校验
- 6 级质量评分
- 血缘 + 审计留痕
ML PIPELINE · 机器学习流水线
让每一次改进，都可被证伪
我们把模型研发拆成九个可独立检验的环节。每个环节都输出可复现的证据——数据快照、特征版本、试验记录、验证曲线与成本模型。流水线的目的不是更快地产出模型，而是更快地淘汰错误的模型。
- A
问题形式化
把投资逻辑翻译为可检验的统计假设，明确预测目标、时间尺度与损失函数。
- B
样本与标签
三重障碍法生成标签，按信息到达时间切分样本，杜绝未来信息渗漏。
- C
特征工程
算子库自动搜索交互与非线性变换，配合正交化剔除共线冗余。
- D
模型搜索
梯度提升、时序 Transformer 与状态空间模型并行竞逐，贝叶斯优化调度超参。
- E
组合式验证
Purged K-Fold 与走步验证叠加，用 Deflated Sharpe 校正多重检验带来的虚高。
- F
成本感知回测
撮合仿真纳入冲击、排队与费率，只有穿过成本曲线的信号才被保留。
- G
风险约束上线
在因子暴露、行业中性、换手与回撤约束下求解组合，生成目标持仓。
- H
影子与灰度
新模型先以影子模式并行运行，与在役模型逐笔比对，达标后方可分配资金。
- I
漂移监控
持续监测特征分布与预测残差，触发自动降权、重训或下线。
四道反向闸门/ ALWAYS ON
防前视所有特征按信息可得时间戳对齐，标签窗口与特征窗口严格隔离。
防过拟合Deflated Sharpe 校正多重检验，试验次数计入显著性惩罚。
防幸存者退市、并购与更名标的全部保留在样本内，不做事后剔除。
防漂移特征分布与残差持续监控，越界即触发降权或下线。
AI BRAIN HUB · 智能决策中枢
不是一个大模型，而是一套会互相制衡的智能体
我们拒绝把决策权交给单一模型。研究、数据、建模、风控、执行与归因六个智能体各自持有独立的证据与目标函数，在同一个知识图谱上协作与争论；风控智能体拥有不受投研干预的一票否决权。中枢的产出不是「预测」，而是可解释、可追溯、可反驳的决策依据。
01感知
02推理
03决策
04执行
05归因
知识图谱 · 实时协作拓扑
AGENTS ONLINENODES —EDGES —CONSENSUS —
EXECUTION · 低延迟执行
Alpha 在成交的那一刻，才真正存在
再准确的预测，也会在拆单与排队中被摩擦吃掉。我们把执行链路拆到微秒级度量，并在每个环节设定预算——任何一段超出预算，都会被当作缺陷而不是「网络问题」来处理。
执行链路延迟预算 / TICK-TO-ORDER
P99 合计 69.8 μs端到端 P99 时延自监控上报。数值为执行链路示意，用于展示预算拆分方式。
基础设施
- 托管机房
- 4 地 上海 · 深圳 · 香港 · 新加坡
- 行情冗余
- 2×2 双供应商双链路热备
- 时钟同步
- < 100 ns PTP 硬件时间戳
- 无中断运行
- 99.99% 滚动升级 · 零停机部署
组合式 TWAP
Sliced TWAP在时间均匀的基础上按流动性状态重新分配切片，避免在流动性枯竭窗口机械下单。
- 切片粒度
- 30 s
- 最差窗口规避
- 开盘 / 尾盘
POV 比例执行
Percentage of Volume按实时成交量固定比例参与，天然适配容量约束，适合大额低紧迫度调仓。
- 目标参与率
- 8% – 15%
- 容量保护
- 硬上限
被动报价做市
Passive Quoting在最优档位挂单赚取价差，以队列位置与毒性预测控制逆向选择风险。
- 报价更新频率
- < 2 ms
- 撤单率上限
- 受交易所约束
ENGINEERING · 工程实践
技术选型服从问题，不服从潮流
我们没有技术偏好，只有约束条件：PB 级的异构数据、毫秒级的推理预算、微秒级的执行窗口， 以及一条不能被打断的审计链。下面这些选择，都是被这些约束逼出来的。
研究与建模
- Python
- PyTorch
- LightGBM
- Ray
- Polars
- Numba
数据工程
- Flink
- Spark
- Iceberg
- Kafka
- Arrow
- DuckDB
执行与低延迟
- C++20
- Rust
- DPDK
- Aeron
- PTP
- FPGA (选路)
平台与治理
- Kubernetes
- gRPC
- Terraform
- OpenTelemetry
- Vault
研究即生产代码
研究代码与生产代码共用同一套算子定义与测试基线。我们不允许存在「只在研究环境跑得通」的实现。
每一次试验都被记录
所有特征组合、超参与验证结果自动入库。多重检验惩罚依赖试验次数，因此试了多少次必须可查。
可复现高于可维护
任一历史交易日的特征集都能按同一算子定义重算复现。做不到复现的优化，我们宁可不要。
先测量，再优化
从数据落地到下单成交，每个环节都有延迟与质量指标。没有度量的优化只是重构。