本文提出面向目标的量化投资框架OOQI,将自动化量化研究从单一指标优化转向可验证的多维策略规格满足。框架以带类型接口的模块化策略管线为供给层,以包含硬软约束、优先级和交互关系的策略规格为需求层,并通过编译、验证、搜索账本、时间留出和满意度去膨胀形成可审计证书。在32个合成管线的示例中,单纯追求信息比率的策略取得7.10的样本内IR但仅满足25%的规格;规格驱动选择满足100%,IR为6.71,身份合规成本为5.5%。
| 选择范式 | 代表组装 | 样本内IR | 样本内规格满足率 | 关键特征 |
|---|---|---|---|---|
| 结果导向 | A,IR排名第1 | 7.10 | 25% | 风格暴露8.07;股息相关性−0.21;下行市场条件超额收益12.7% |
| 目标导向 | B,IR排名第3 | 6.71 | 100% | 在四项硬条款约束下取得最高IR |
| 目标导向相对结果导向 | B相对A | −0.39 | +75个百分点 | 规格成本为5.5% IR |
标题:《Objective-Oriented Quantitative Investment: A Specification-Driven Framework for Automated Synthesis of Trading Strategy Pipelines》(目标导向的量化投资:面向规范驱动的交易策略流水线自动合成框架)。
作者:Liangliang Zhang。
机构:Shanghai Liangbai Technology Co., Ltd.
通信方式:作者同时为唯一作者和通讯作者。报告正文未明确给出正式发布日期,但附录称相关文献核验截至2026年8月,示例规范文件日期为2026年8月11日,因此只能推断报告处于2026年版本体系中,不能将其视为明确的出版日期。
主题:自动化量化研究、策略流水线搜索、投资者目标表达、策略身份约束、搜索过拟合控制及可审计认证。
报告的核心观点是:现有AutoML、神经架构搜索、强化学习因子挖掘和LLM量化代理,大多把策略研究归结为最大化一个标量指标,例如IR、Sharpe、IC或验证损失;但专业投资者真正提出的往往是“身份要求”,如纯选股alpha、零风格暴露、下跌市场仍有表现、换手和容量受控。因此,报告提出OOQI(Objective-Oriented Quantitative Investment),把策略研究从“寻找分数最高的策略”改写为“寻找满足预先定义身份规范的策略,并在可行集合内再优化表现”。
作者试图建立的不只是一个口号,而是由三部分组成的完整体系:
报告的示例结论是:在32个合成市场策略流水线中,单纯追求IR的策略A取得7.10的样本内IR,但仅满足25%的规范;OOQI选择的策略B满足100%的样本内规范,IR为6.71,付出0.39个IR点、即5.5%的“规范成本”。
报告将现有研究归为“结果导向”范式,数学上写成:
[ d^*=\arg\max_{d\in D}g(\theta(d)) ]
其中,(d)是一个策略流水线,(\theta(d))是包含IC、IR、回撤、换手等指标的统计向量,(g)则是将多维指标压缩为单一分数的标量函数。这个形式的问题不在于优化本身,而在于压缩过程会掩盖策略究竟靠什么赚钱。例如,较高的IR可能来自真正的选股能力,也可能来自规模、红利或市场方向暴露。
作者强调,机构投资者通常要求的是行为属性或收益来源属性,而不是一个孤立的收益数字。报告列举的典型要求包括:收益应归因于个股选择而非市场方向或风格择时;红利和规模因子暴露应接近零;在单边下跌市场中仍应保持盈利;换手率和市场容量应符合预算。
OOQI将基本问题改写为:
[ d^*=\arg\max_{d\in F(S)}g(\theta(d)) ]
其中,(S)是规范集合,(F(S))是所有满足硬条款的策略组合集合。换言之,IR不再决定策略是否合格,而是在合格策略内部进行排序。这是报告最重要的逻辑转折:绩效指标从“资格标准”降为“可行集合内的优化目标”。
报告进一步提出两道防止过拟合的门槛。第一道是架构透明:每一个策略不是黑箱,而是由具有输入、输出和副作用签名的模块组成;第二道是需求优先级:规范必须在看到搜索结果前预先确定,从源头上减少HARKing,即“看到结果后再提出假设”。
这一设计具有实际意义。架构透明使搜索宽度 (N) 可计算,从而可以进行多重测试和搜索偏差修正;预先注册规范则使“违反条款”成为可识别事件,而不是事后解释空间。作者也承认,这并不能消除规范购物、阈值讨论或重复注册,只能将这些行为纳入治理和审计。
报告将相关工作划分为四条主线:
因此,报告的创新主张不是发明了单个新算法,而是试图把“投资者规范、模块化策略空间、编译搜索、搜索后统计认证”统一起来。报告的定位表将OOQI描述为唯一以“可验证身份规范”为输入、以“满意度证书”为输出的框架。
需要审慎指出,报告关于“唯一性”的判断主要是基于作者对文献的架构性比较,而非穷尽所有工业系统后的形式证明。其新颖性更多体现为组合创新和制度化表达,而不是某个单独算法在性能上的突破。
报告把策略流水线拆成九个阶段:数据/股票池、标签、特征处理、特征选择、预测器、训练制度、后处理、组合构建和风险覆盖。每个模块都必须声明输入接口、输出接口以及副作用签名,例如可能增加换手、造成风格暴露泄漏或消耗容量。
在参考实例中,作者给出的模块族组合数约为 (4.4\times10^7),考虑离散超参数变体后为 (8.85\times10^8),即约8.8亿个程序集;接口兼容性预计还会进一步删除一部分组合,但具体删除比例尚未实测。
这一数字的意义在于说明穷举不现实,搜索必须依靠编译器、静态剪枝、代理模型或LLM提议。但报告同时提醒,名义设计空间不等于有效搜索次数:真正影响统计修正的是实际评估过的程序集数量、被丢弃的规范草案、阈值讨论和环境配置等。
每个程序集映射为一个多维统计向量,包含:
这套设计把“策略好不好”拆成“策略是什么、如何赚钱、是否能交易、是否符合机构约束”等多个维度。其代价是统计和计算复杂度明显高于单一IR排序。
每个条款由三部分组成:可测量谓词 (\phi_j)、硬/软属性 (\kappa_j)和优先级 (\pi_j)。硬条款定义可行集合,软条款则进入加权目标或按优先级逐层处理。
报告设计了八个需求族、30多个代表性条款:
条款之间还存在协同、冲突、中性或部分包含关系。例如,快速信号可能改善IC,却提高换手;风格中性可能降低风格污染,却压缩有效股票池和容量;平滑与缓冲交易带则可能共同改善换手。
命题一:结果导向可能导致风格污染。若带风格暴露的策略平均得分高于纯选股策略,且风格溢价相对于估计噪声足够大,则全局最高分策略以较高概率属于风格加载策略。这一命题把“高收益可能是伪alpha”的担忧转化为概率结论。
命题二:规范具有成本。规范成本定义为不受约束的最高分与满足规范的最高分之差。成本非负;只有当某个全局最高分策略同时满足规范时,成本才为零。增加硬条款只会扩大或维持该成本,不会降低成本。这与投资组合约束中的transfer coefficient相似,但报告将成本从组合层面扩展到整个策略设计空间。
命题三:搜索会制造满意度。如果每个条款有一定概率被估计误判为满足,那么评估的程序集越多,至少有一个程序集看起来完全满足规范的概率越快上升。报告给出 (1-(1-p)^N) 的增长关系,并据此认为不披露搜索账本中的 (N),单独报告满意度率没有统计意义。
报告证明满意度驱动的程序集选择一般是NP-hard,理由是可以从3-SAT构造:每个阶段对应变量,每个模块对应真/假选择,每个规范条款对应逻辑子句。这说明困难不仅来自组合数量巨大,也来自条款跨阶段耦合。
但在无冲突的覆盖结构下,满意度函数可成为单调次模函数,此时阶段式贪心至少达到最优值的1/2,连续松弛加舍入可达到约0.63,即 (1-1/e)。这为编译器提供了适用边界:条款之间机制冲突较少时可以使用有理论保证的快速方法;冲突强时则必须依赖验证和审慎报告。
报告还提出三个较为理论化的扩展:
这些理论构造有启发性,但部分结论依赖正则性条件、局部唯一性或离散空间中的近似解释,不能直接等同于生产系统中的可稳定估计量。
第一阶段:翻译。例如,风格纯度条款会排除未中性化的标签模块,要求使用暴露投影或残差化后处理,并将风格归因回归加入评价流程;换手条款则优先保留平滑、缓冲带和aim-portfolio类组合构建模块。
第二阶段:程序集成与验证。提议器可以是LLM、贝叶斯优化器或混合系统。与传统AutoML不同,反馈不是一个标量,而是“哪条条款失败、可能由哪个阶段导致”。副作用签名可以将失败归因到具体模块。
第三阶段:认证。候选程序集在时间隔离的留出集上重新评价,最终证书应包含逐条满足向量、原始和修正后的满意度率、搜索账本、搜索次数、规范成本、逐条置信信息以及压力测试结果。
报告的验证协议包括:
报告还提出利用e-processes进行滚动认证:只要e值持续高于认证阈值,条款证书就有效;跌破阈值时证书到期。这将alpha衰减转化为可监测的“认证失效”。
不过,报告在示例中明确承认,完整的去膨胀满意度、满意度PBO和随机程序集零模型数值尚未完成,仍是后续工作。因此,协议在理论上较完整,但其核心统计量尚未在示例中全部落地。
图1从上到下展示需求层、编译器和供给层。需求层包含八个条款族、硬软语义、优先级和互动代数;编译器执行“翻译—组装—认证”;供给层是九阶段、带类型合同和副作用签名的约8.8亿程序集空间。
图中的双向箭头很关键:规范向下约束程序集,回测证据向上反馈条款满足情况和失败归因。因此,OOQI不是一次性的“选择后认证”,而是一个规范—搜索—归因—再搜索的闭环。
图2(a)把32个程序集放在“IR—风格暴露”平面上,左侧阴影区域代表满足风格纯度的区域。策略A位于IR最高但风格暴露较高的位置,策略B则位于可行区域内且IR最高。图2(b)逐条显示四个硬条款:A样本内只满足换手条款,满意度25%;B四条全部满足,满意度100%。
表2的核心数字是A的IR 7.10、B的IR 6.71,差额0.39,约为5.5%。A的最大风格暴露为8.07、红利相关性为-0.21、下跌市场条件超额收益为12.7%,均未达到规范要求;B以较低的IR换取了身份合规。
样本外结果揭示了更重要的限制:A和B都只满足3/4条款,A的风格暴露恶化至11.70,B为6.98。B的暴露仍超过6.00上限,但违规程度小得多,报告称其原始暴露约为A的1/1.7,超过预算的违规幅度为0.98,而A为5.70。
十种子研究显示可行程序集数量从0到10不等,均值4.8、标准差3.1;种子6出现可行集为空。结果导向冠军样本内满意度均值为0.57、标准差0.37,而OOQI在存在可行集时样本内满意度恒为1,这是约束选择的定义性结果,不是额外经验发现。
样本外,OOQI选择的策略满意度均值为0.72、标准差0.20,结果导向为0.62、标准差0.32;但九个可行种子的配对差异为0.11,精确符号检验p=0.375,不能据此宣称统计显著的样本外优势。报告对此处理较为诚实,强调OOQI真正保证的是样本内身份约束,而不是未来市场中的高满意度。
种子7中,IR最高的可行策略最小条款边际为0.073,另一个可行兄弟策略为0.122。后者牺牲1.17个IR点,却获得约67%更深的最差条款边际。
1000次、8周区块bootstrap显示,B的联合满足概率只有5.0%,A只有1.8%;B在风格和相关性条款上明显优于A,但下跌稳健性条款反而略差。换手条款两者均为100%保留,因为它由交易模块结构性保证,而非由随机样本估计得到。
这组表格说明“点估计满足”远不等于“稳定满足”。报告的最佳贡献之一,是将边际、重抽样保留率和联合保留率纳入证书,而不是仅给出一组绿色勾选。
图3展示了一个为纯alpha规范设计的神经架构:20周、多特征族输入进入按特征族门控的GRU,再进入横截面注意力,随后分为排序得分头和对抗风格头,最后经过暴露投影、EMA平滑、缓冲带和状态覆盖。
该图的价值不在于证明SpecNet表现更好,因为报告明确没有提供其真实绩效,而在于展示“条款如何被编译成结构”。例如,对抗风格头服务于纯度条款,排序损失服务于IC/收益目标,换手惩罚和平滑服务于执行条款,状态覆盖服务于下跌市场稳健性。
报告没有传统股票研究意义上的DCF、P/E、EV/EBITDA或目标价,因此不存在目标价估值。其“估值”核心是策略规范成本CoS:
[ CoS=IR_{\text{result-oriented}}-IR_{\text{objective-oriented}} ]
在种子7中,CoS为0.39个IR点,即5.5%;十种子研究中,CoS从0到1.81个IR点不等,均值0.53、标准差0.58。种子0、2、8中,IR冠军本身满足规范,因此CoS为0;种子9中成本最高,达到1.81个IR点、约27%。
报告还提供了条款级影子价格:如果收紧某条款阈值,最优可行策略的价值下降速度就是该条款的边际价格。这种方法比单一CoS更有决策价值,因为它能回答“到底是哪条身份要求最昂贵”。但由于策略空间是离散的,实际应用中更多是通过局部重求解估计,而非直接依靠连续优化的拉格朗日乘子。
报告识别出的主要风险包括:
首先,OOQI的理论部分有较强的“框架化”倾向。NP-hard、次模近似、Galois连接、Tikhonov正则化和e-process均有数学对应,但其中一些结果是对离散策略问题的结构类比,真正的金融统计性质仍依赖估计误差、时间依赖、模块相关性和非平稳市场。
其次,报告的统计承诺与实际演示之间存在差距。正文宣称要进行完整满意度去膨胀、满意度PBO和随机程序集零模型检验,但示例部分明确说这些值仍需发布脚本的重抽样框架完成。换言之,验证协议被完整提出了,但尚未全部以实证数字展示。
第三,报告的“样本内满意度100%”具有定义性,因为OOQI是在可行集合中选择策略;它证明的是约束选择逻辑,而不是策略具有更强的样本外可迁移性。十种子样本外结果的统计不显著,实际上支持作者的谨慎表述,也表明OOQI不能被包装为“必然提升收益”的方法。
第四,设计空间规模存在表达层次差异:正文使用约8.8亿程序集,附录又区分4.4千万级模块族空间和含超参数的8.85亿空间,并承认接口剪枝比例尚未实测。因此,8.8亿更适合被理解为参考语法下的名义地址空间,而不是已被真实搜索或验证的有效试验次数。
这份报告最重要的贡献,是把量化策略研究中的“隐含要求”转变为可注册、可编译、可验证和可审计的对象。其核心不是宣称OOQI能够发现更多alpha,而是主张研究系统首先应回答“策略是否符合委托人的身份要求”,再回答“在符合要求的策略中谁的IR最高”。
图2和表2清楚展示了这一分歧:最高IR策略A确实赢得排行榜,却依赖明显风格暴露;策略B以5.5%的IR成本获得完整样本内身份合规。表20又限制了结论强度:OOQI改善的是样本内约束的一致性,并表现出样本外满意度更稳定的方向性趋势,但当前样本不足以证明显著的真实市场优势。
图1说明了框架的制度结构,表23和表24说明了“满足程度”和“满足稳定性”必须区分,图3则展示了规范如何落实为具体模型模块。报告最终没有给出传统意义上的买入评级、股票目标价或收益预测;它提出的是一种面向机构策略开发、风险治理和模型审计的新工作流。其总体立场是明确支持OOQI,但作者也承认它仍处于合成演示和生产案例待验证阶段,真正的说服力将取决于未来真实数据中的规范成本曲线、样本外证书可靠性、跨机构规范迁移和完整搜索偏差修正结果。
2608.10410.pdf