量化策略工厂工作流程

策略工厂工作流：以幻方量化为例

摘要

量化投资的本质，是将投资决策从“人的判断”转化为“系统的计算”。而“策略工厂”的概念，则将这一转化推向了工业化生产的极致——策略不再是研究员手工打造的孤品，而是流水线上自动化生产、持续迭代、自我进化的产品。幻方量化作为中国量化私募领域的标杆企业，以其“AI+量化”的双轮驱动战略和“三层策略池”架构，成为策略工厂工作流最典型的实践样本。本文将从幻方量化的发展历程、技术基础设施、数据工程、策略工厂架构、交易执行、风险管理和组织流程七个维度，系统拆解其策略工厂工作流的完整图景。

关键词：策略工厂；量化投资；幻方量化；强化学；三层策略池

一、引言：从“手工作坊”到“策略工厂”

传统量化投资的策略开发，大致遵循一条线性路径：研究员提出假设→编写因子→回测验证→实盘上线。这条路径的瓶颈在于“人”——研究员的精力有限、认知有偏、试错速度慢。一个成熟的量化研究员一年能深度挖掘的有效因子可能不过数十个，能持续跟踪优化的策略不过数种。

“策略工厂”的概念应运而生。它将策略开发从手工作坊式的个体劳动，升级为工业化流水线式的系统生产。在策略工厂中，数据的采集与清洗是自动化的，因子的挖掘与筛选是算法驱动的，策略的生成与优化是强化学完成的，风险的监控与调整是系统实时执行的。研究员从“写代码的人”转变为“设计工厂的人”——他们的工作不再是生产策略，而是设计让策略能够自动生产的系统。

幻方量化正是这一理念的集大成者。正如其CEO陆政哲所言：“幻方量化不同于很多传统量化机构，整个投资框架策略开发的流程，是基于人工智能，或者说神经网络训练的基础模型来延展开发”。从组织架构上看，幻方就有着“生产车间流水线的即视感”。本文将深入剖析这座“策略工厂”的内部运转机制。

二、幻方量化：策略工厂的缔造者

2.1 发展历程：从浙大实验室到千亿量化巨头

幻方量化的故事始于2008年。彼时，创始人梁文锋还在浙江大学攻读信息与通信工程学位，就已带领团队开始使用机器学等技术探索全自动量化交易。2015年，梁文锋抓住中证500股指期货上市的行业机遇，正式创办幻方量化。其前身可追溯至2013年与浙大同学共同创立的杭州雅克比投资。

2016年成为幻方的关键转折点。10月21日，公司第一份由深度学生成的交易仓位上线执行。至2017年底，幻方几乎所有的量化策略都已采用AI模型计算。2019年，幻方管理规模突破百亿元，跻身百亿私募行列。2021年，规模一度突破千亿元。截至2026年一季度，幻方量化与九坤、明汯、衍复并称量化“四大天王”，规模集体突破800亿元。

业绩方面，幻方量化2025年收益均值达56.55%，近三年收益均值为85.15%，近五年收益均值为114.35%。

2.2 团队基因：本土派的技术信仰

与大多数量化私募不同，幻方的核心团队是典型的“本土派”——没有华尔街背景，全部来自国内顶尖学府。创始人梁文锋本科和研究生均就读于浙江大学信息与电子工程系。联合创始人徐进是浙江大学信号与信息处理博士，曾任职于华为技术有限公司上海研究所。

幻方官网介绍显示，其策略和开发团队由奥林匹克数学、物理、信息学金银牌得主、ACM金牌得主、AI领域领军人物，以及拓扑学、统计学、运筹学、控制论等各学科博士组成。这支跨学科团队以“数学+AI”为核心定位，致力于解决深度学、大数据建模、并行计算、基本面量化等方向的挑战。

梁文锋曾这样定义量化公司：“量化公司是没有基金经理的，基金经理就是一堆服务器”。这句话精准概括了幻方的核心理念——投资决策的主体不是人，而是系统。

2.3 “金融-科技”双螺旋：独特的商业模式

幻方量化最独特的之处，在于其“金融-科技”双螺旋模式。一方面，量化交易产生持续稳定的现金流；另一方面，这些现金流被持续投入AI技术研发。2019年，幻方成立AI团队，自研深度学平台。2020年，“萤火一号”深度学训练平台问世。2021年，“萤火二号”建成。2023年7月，幻方孵化出杭州深度求索人工智能基础技术研究有限公司（DeepSeek），正式进军通用人工智能。

梁文锋曾表示，DeepSeek的研究经费来源于幻方量化的研发预算。反过来，DeepSeek在大模型领域的技术突破——如MLA架构、DeepSeekMoE稀疏结构——又为幻方的量化模型提供了更强大的能力。金融反哺科技、科技赋能金融，形成了自我强化的正向循环。

三、策略工厂的算力基座：“萤火”超算集群

任何AI驱动的策略工厂，都离不开算力这一基础设施。幻方对此的投入堪称不遗余力。

3.1 “萤火一号”：从0到1的突破

2020年5月，“萤火一号”正式投入运行。这座超算占地面积相当于一个篮球场，功耗400KW，由一个存储集群和一个计算集群组成。存储集群提供每秒1.3亿次IO响应、4.1Tbps读写带宽以及1.2PB容量。计算集群搭载1100块高端GPU。累计投资上亿元人民币，20多位工程师参与建设。

“萤火一号”的算力号称可以匹敌4万台个人电脑，为幻方的深度学模型训练提供了前所未有的基础设施保障。

3.2 “萤火二号”：万卡集群的算力霸权

2021年，幻方投入十亿元建设“萤火二号”，算力大幅扩容。“萤火二号”搭载约1万张英伟达A100显卡。集群连续满载运行，平均占用率达到96%以上。

“萤火二号”的核心设计理念是“任务级分时共享”——调度系统秒级响应，让每个研究人员都能拥有顺畅的训练体验。在早期，研究员各自独占几十张卡进行模型训练，算力瓶颈很快出现，GPU总体使用率不到50%。分时共享方案解决了这一痛点，将算力利用效率提升到了极致。

软件层面，“萤火二号”配备了完整的基础设施栈：

· 高性能算子库（hfai.nn） ：优化的深度学算子
· 分布式训练通讯框架（hfreduce） ：支持多节点并行训练
· 大容量高带宽文件系统（3FS） ：专为AI开发而生的存储系统
· 自研分布式并行文件系统：将“萤火二号”的性能发挥至极限

新的hfai框架让模型加速50-100%。这一算力基座使得策略研究员可以“快速高效验证自己的想法，不受算力、模型大小等因素的制约”——这正是策略工厂能够高速运转的前提条件。

四、策略工厂的原料：数据工程体系

算力是工厂的机器，数据则是工厂的原料。幻方构建了覆盖全市场（股票、期货、期权）的实时数据管道，每日处理超20TB的结构化与非结构化数据。

4.1 多源异构数据融合

幻方的数据来源主要分为三大板块：

第一，行情数据。 包括交易所Level 2行情数据、量价指标等。这些是量化交易最基础的数据原料。

第二，基本面数据。 覆盖全市场的财务指标、公司公告等。

第三，另类数据。 这是幻方的核心差异化优势所在。具体包括：

· 卫星遥感数据：如港口集装箱吞吐量，通过分析判断经济活动热度
· 物联网设备数据：如工厂用电量，实时感知工业生产强度
· GPS轨迹数据：如长三角地区物流园区卡车GPS轨迹，预判制造业PMI变化
· 网络舆情数据：爬取百万级社交媒体文本，通过NLP模型提取情绪信号

幻方通过自研的DataFusion框架实现多源数据的高效清洗与特征提取。

4.2 因子库：策略工厂的零部件仓库

在“三层策略池”架构中，底层是一个动态筛选的庞大因子库。这个因子库包含了200+个量化因子，涵盖动量、波动率、流动性等经典类别。

因子构成的分布大致为：

· 价量因子：占比约40%，聚焦自适应动量、流动性溢价等短周期预测
· 基本面因子：占比约30%，关注预期外盈利修正、现金流质量等
· 另类数据因子：占比约20%，包括卫星图像分析、社交媒体情绪挖掘等

因子的筛选并非一劳永逸，而是通过遗传算法动态优化。系统会根据市场环境的变化自动调整因子组合的权重。例如，在2023年四季度市场波动率上升期间，系统自动提高了流动性因子的权重。这种动态筛选机制确保了因子库始终保持与市场环境的适配性。

五、策略工厂的核心：三层策略池架构

幻方策略工厂的心脏，是其著名的“三层策略池”架构。这套架构将策略的生产、优化和风控分为三个层次，形成了一个端到端的自动化闭环。

5.1 底层：动态因子库

如前所述，底层因子库通过遗传算法持续进化。遗传算法模拟自然选择的过程：对现有因子进行“交叉”（组合）和“变异”（微调），生成新的因子候选，然后通过回测评估其有效性，保留优秀的“后代”，淘汰劣质的“个体”。这一过程持续运行，使因子库能够不断自我更新，发现新的alpha来源。

5.2 中层：强化学策略工厂——真正的“工厂”核心

中层是“策略工厂”这个名字的真正来源——基于强化学的策略生成器。这一层是整个架构的“发动机”，负责将底层的因子转化为可执行的交易策略。

强化学的基本逻辑：强化学的核心思想是“试错中学”。AI在模拟环境中不断尝试不同的交易决策，根据决策带来的收益或损失（“奖励信号”）来调整自己的行为策略。经过数以百万计的试错迭代，AI能够自主发现最优的交易参数组合。

PPO算法的应用：幻方采用近端策略优化（PPO）等强化学算法。PPO是一种在保持训练稳定性的同时实现高效策略更新的算法，特别适合金融市场的动态环境。代码示例显示，PPO算法被用于优化交易频率——在趋势市中提高持仓周期以捕捉更大收益，在震荡市中切换至高频套利以赚取波动收益。

动态参数调整：策略工厂会根据市场状态（如波动率、成交量、流动性等指标）动态调整策略参数。这意味着策略并非一成不变，而是随市场“呼吸”——市场变了，策略也跟着变。具体优化的维度包括：

· 买卖时机
· 持仓比例
· 交易频率

策略的自我进化：有报道称，幻方一晚上能测试10万个策略组合，并实时使用强化学让策略自我进化。这种规模的策略搜索和优化，靠人力完全不可能完成，唯有通过策略工厂的自动化流水线才能实现。

5.3 顶层：CVaR风险预算分配

顶层是基于条件风险价值（CVaR）模型的风险预算分配系统。

CVaR模型：CVaR衡量的是在极端不利情况下（如最差的5%或1%的情景）投资组合的平均损失。相比传统的VaR（在险价值），CVaR更能捕捉尾部风险，是更为保守和稳健的风险度量指标。

风险预算分配：系统根据各子策略的风险特征，动态分配风险预算——风险高的策略获得更少的资金配置，风险低的策略获得更多的资金配置。这种分配是动态调整的，随市场环境和策略表现的变化而变化。

熔断机制：当单一策略连续亏损超过预设阈值时，系统自动触发熔断机制。例如，当某策略连续3天亏损超过阈值时，系统自动暂停该策略的交易。这种机制将单策略的最大回撤控制在2%以内，有效防止了单一策略的失败拖垮整个组合。

5.4 “微观-中观-宏观”三层强化学架构

除了上述“因子库-策略工厂-风险预算”的纵向分层，幻方还采用了“微观-中观-宏观”的横向三层强化学架构：

· 微观层：基于LSTM网络处理Level-2行情数据，生成毫秒级买卖信号，单日交易频次超2000次
· 中观层：处理中周期（数分钟到数小时）的市场模式和策略选择
· 宏观层：处理日级别以上的资产配置和风格轮动

这种纵横交错的矩阵式架构，使得策略工厂能够在不同时间尺度上同时运作，从毫秒级的高频交易到日级别的资产配置，实现全方位的市场覆盖。

六、策略工厂的流水线：从数据到订单的全流程

将上述各层串联起来，幻方策略工厂的完整工作流如下：

6.1 步骤一：数据采集与预处理

多源数据（行情、基本面、另类数据）实时流入系统。系统通过自研的DataFusion框架进行数据清洗、对齐和标准化。这一步骤确保后续所有模型接收到的都是高质量、格式统一的输入。

6.2 步骤二：特征提取与因子计算

系统从原始数据中提取特征，计算因子库中的各项因子值。动态特征提取技术确保只有当前市场环境下有效的特征被保留和强调。

6.3 步骤三：策略生成与选择

中层强化学策略工厂接管。根据当前市场状态（波动率、成交量、流动性等），策略工厂从因子库中选取合适的因子组合，通过PPO等算法生成具体的交易策略。这一过程是自动化的、实时的、持续优化的。

6.4 步骤四：风险预算分配

顶层CVaR模型对生成的策略进行风险评估，分配相应的风险预算。风险过高的策略被拒绝或限制仓位。

6.5 步骤五：订单生成与执行

通过验证的策略生成具体的买卖订单。订单经由低延迟交易系统发送至交易所。

6.6 步骤六：反馈与迭代

交易结果（盈亏、滑点、成交质量等）反馈回系统。强化学模型根据反馈更新策略参数。因子库根据新的市场数据重新筛选因子组合。整个循环持续运行，形成“数据→决策→执行→反馈→优化”的完整闭环。

这一全流程是端到端自动化的。从数据输入到订单成交，几乎无需人工干预。正如梁文锋所言，量化公司“没有基金经理，基金经理就是一堆服务器”——策略工厂本身就是那个“基金经理”。

七、策略工厂的最后一公里：交易执行系统

再好的策略，如果执行不力也会大打折扣。幻方在交易执行环节同样投入了巨大资源。

7.1 FPGA硬件加速

幻方自研了FPGA交易卡，将订单生成到成交的延迟压缩至800纳秒。这一指标较传统CPU方案提升了3倍。信号延迟从CPU架构的50微秒降至2微秒以内。

FPGA（现场可编程门阵列）的优势在于：它是一块可重新编程的硬件芯片，交易逻辑直接写在硬件层面上执行，绕过了操作系统、CPU调度等软件层面的延迟。在纳秒级别的竞争中，这种硬件级加速是决定性的。

7.2 智能路由算法

幻方通过机器学模型预测各交易所的订单匹配效率，动态选择最优交易通道。例如，在集合竞价阶段优先使用深交所的全息订单系统。不同的交易所在不同时段、不同市场条件下的订单处理效率存在差异，智能路由算法确保订单总是通过最快的通道送达。

7.3 流动性管理

幻方采用VWAP（成交量加权平均价）等算法拆分大单，结合暗池交易降低市场冲击成本。数据显示，其平均滑点控制在0.2个基点以内。对于高频交易而言，滑点控制直接决定了策略的盈利能力。

八、策略工厂的安全阀：风险管理体系

策略工厂的高效运转离不开完善的风险管理体系。幻方的风控体系贯穿策略生产的全过程。

8.1 事前风控：策略验证

任何新策略在上线前都需经过严格的回测和模拟交易验证。策略工厂在生成策略时，CVaR模型已经对其风险特征进行了评估。只有通过风险预算分配的策略才能进入实盘。

8.2 事中风控：实时监控

实盘交易中，系统实时监控各策略的持仓、盈亏、风险暴露等指标。单策略连续亏损超阈值即触发熔断。这种实时熔断机制防止了单笔交易的失败演变为系统性风险。

8.3 事后风控：归因分析

系统对交易结果进行归因分析，识别盈利和亏损的来源。分析结果反馈回策略工厂，用于优化未来的策略生成。

8.4 策略方向的战略调整

2024年，幻方做出了一个重要的战略调整——逐步退出市场中性策略，清空对冲产品仓位，转向股票量化多头和指数增强策略。这一决策的背景是市场环境变化导致的基差收敛与空头端超预期亏损。这种战略层面的调整，体现了幻方风控体系不仅关注微观层面的交易风险，也关注宏观层面的策略适应性。

九、策略工厂的组织保障：人才与文化

策略工厂不仅是技术系统，更是组织系统。幻方在组织层面的设计同样值得关注。

9.1 跨学科团队

幻方的团队构成本身就是一座“人才工厂”。奥林匹克竞赛金牌得主提供数学和算法的硬核能力；各学科博士提供多元化的研究视角；AI领域领军人物提供前沿技术的洞察力。这种跨学科的团队结构，确保了策略工厂能够从多个维度持续创新。

9.2 算力民主化

“萤火二号”的分时共享设计，本质上是将算力资源民主化。每一位研究员都能获得充足的算力支持，不受资源掣肘。这种设计极大地加速了策略研发的迭代速度——研究员可以快速验证想法，快速试错，快速迭代。

9.3 直销模式与长期主义

幻方是少有的以直销为主的头部量化私募。梁文锋曾表示：“做直销意味着不用给中间商分费用，同样规模和业绩下，利润率更高”。更高的利润率意味着更多的资金可以投入研发，形成正向循环。

此外，梁文锋在几年前就已停止为基金引入外部资金。这一决策使得幻方可以更加专注于长期的技术积累，而不受短期业绩压力的干扰。这种长期主义的战略定力，是策略工厂能够持续投入算力和研发的基础保障。

十、策略工厂的行业启示与未来展望

10.1 对量化行业的启示

幻方策略工厂的成功，为量化投资行业提供了几个重要启示：

第一，算力即竞争力。 在AI驱动的量化时代，算力不再是可有可无的辅助工具，而是核心竞争力本身。“萤火一号”到“萤火二号”的持续投入证明，算力壁垒正在成为量化机构最深的护城河。

第二，自动化是规模化的前提。 当管理规模从百亿到千亿，策略的复杂度指数级上升。只有通过策略工厂的自动化生产，才能在规模扩大的同时保持策略的有效性。幻方2021年规模突破千亿后面临的超额波动问题，恰恰说明了规模化对策略生产能力的挑战——而策略工厂正是应对这一挑战的答案。

第三，“金融-科技”双螺旋是可持续的模式。 幻方用金融利润反哺科技研发，用科技突破提升金融能力。这一模式不仅创造了商业价值，还孵化出了DeepSeek这样的通用AI力量，实现了商业价值与社会价值的统一。

10.2 面临的挑战

策略工厂也面临不可忽视的挑战：

策略同质化。 当越来越多的机构采用类似的AI量化方法，alpha会逐渐衰减。幻方2021年面临的超额波动问题正是这一挑战的体现。

市场有效性提升。 随着量化交易占比的提高，市场定价效率提升，获取超额收益的难度增加。

监管政策变化。 量化交易尤其是高频交易，始终面临着监管政策的不确定性。

技术公平性质疑。 超低延迟交易系统引发的市场公平性讨论，也是幻方需要持续应对的课题。

10.3 未来方向

展望未来，策略工厂的进化方向可能包括：

大模型驱动的全自动化。 幻方已开源基于大模型的AI量化策略工具集，支持“大模型全自动因子挖掘与回测”。因子/策略正从人工挖掘转向LLM驱动的自动化工厂。这意味着策略工厂的自动化程度将进一步提升。

多模态融合深化。 结合卫星图像、供应链数据等非结构化信息，预计可提升收益预测准确率15-20%。

端到端的深度学。 从原始数据直接到交易决策的端到端模型，将进一步减少人工特征工程的需求，实现真正的“黑盒”交易。

十一、结语

幻方量化的策略工厂，本质上是一套将“人的智慧”转化为“系统的智能”的工业化体系。它将数据变成因子，将因子变成策略，将策略变成交易，将交易变成反馈，将反馈变成优化——形成了一个自我驱动的、持续进化的智能闭环。

从2008年梁文锋在浙大实验室里探索机器学交易，到2026年管理规模突破800亿元；从“萤火一号”的一个篮球场大小的超算，到“萤火二号”的万卡集群；从第一个深度学仓位上线，到DeepSeek大模型轰动全球——幻方用近二十年的时间，将策略工厂从一个理念变成了一套精密运转的现实系统。

正如梁文锋所说：“量化与非量化的判定标准就是在投资决策的过程中，是用数量化方法进行决策的，还是用人进行决策的”。策略工厂的终极意义，或许正在于此——将投资决策从人的有限理性中解放出来，交给数据、算法和算力构成的系统。在这个意义上，幻方量化不仅是一家量化私募，更是一次关于“投资能否被工业化”的宏大实验。而迄今为止的实验结果，令人印象深刻。

参考资料

1. 21世纪经济报道，《梁文锋的幻方量化去年收益57%，跻身百亿级量化基金业绩榜第二》，2026年
2. 东方财富 网，《梁文锋旗下幻方量化去年收益率56.6%》，2026年
3. 东方财富网，《DeepSeek背后的量化投资“信徒”》，2025年
4. 金融界 ，《幻方量化规模成谜：是缩水还是转型？》，2025年
5. 百度 开发者中心，《DeepSeek大模型泄露事件背后：幻方量化50%年化收益策略深度解析》，2025年
6. 证券之星，《超算“萤火一号”出炉，为量化投资插上AI的翅膀》
7. 微信公众号，《幻方量化的投资交易模型》
8. 东方财富网股吧，《幻方量化AI投资方法技术拆解！》
10. QIML统计，《量化四天王即将冲刺千亿关口》，2026年