两种量化范式：差在哪一层
配套媒体
本页对应的 PPT 与演示视频
下载没反应？点这里复制直链
侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。
../../astra-quant-agent-recommend.pptx../../astra-quant-agent-recommend.mp4本文目录
📌 核心价值：让大模型只当"分析师"，把"能不能下单"的最终否决权焊死在确定性 Python 代码里。
AstraQuant（仓库名 astra-quant-agent）是一套开源的自主量化交易系统：用多个大模型分工做行情分析，再用一段绝对优先的 Python 风控管线做硬性拦截，最后才把订单提交给交易所。它解决的核心矛盾是——LLM 擅长讲故事，但不擅长守纪律。
⚠️ 风险提示：本文仅作技术架构交流，不构成任何投资建议。加密资产衍生品波动剧烈、风险极高，历史回测不代表未来表现。系统默认以纸面（demo）模式启动，实盘前须在纸面模式充分验证并完成权限隔离。市场有风险，决策需谨慎。
把"大模型"塞进量化系统，业界其实走了两条完全不同的路。AstraQuant 选的是第二条——也是工程上更保守、更可审计的一条。
关键分歧只有一句话：订单的"最终签字权"在谁手里。 范式一让模型直接吐订单，风控往往只是提示词里的一句"注意风险"；范式二把风控抽成独立的物理代码层，模型再自信也只能"建议"，代码不点头就出不了单。
🧩 架构拆解：15 分钟一轮的四段式流水线
AstraQuant 以约 15 分钟为一个决策周期，把一次交易意图从"市场数据"推到"交易所挂单"，拆成四个解耦的边界：
1. 行情摄取与因子 ──> CVD、订单簿失衡 OBI、资金费率、期权 IV 偏度、VWAP
2. 多模型投委会 LLM ──> 宏观座、趋势座、微观结构座各自分析并合成下单意图
3. Python 物理风控门 ──> 仓位钳制、R:R 下限校验、同向上限、熔断断路器
4. OKX 执行与云 OCO ──> 被动 BBO 做市限价、分批止盈、100% 云端止损
每一层只干自己的事，层与层之间靠明确的数据契约传递，方便单独替换模型或单独调风控参数。
边界 1：行情因子——不只看滞后指标
系统持续计算衍生市场指标，而不是只堆 MACD、均线这类滞后信号：
- 订单流与主动成交：累计成交量_delta（CVD）背离、巨鲸主动吃单流向，识别谁在吞被动流动性
- 订单簿微观结构：订单簿失衡（OBI）、前 20 档 L2 深度不对称，度量瞬时盘口厚度
- 持仓与结算：资金费率速度、未平仓量（OI）加速度，衡量杠杆拥挤与爆仓脆弱性
- 波动率曲面：隐含波动率（IV）偏度、最大痛点距离，评估尾部风险
- 结构基准：VWAP ±1σ/±2σ、成交量分布 POC，定位机构公允价值区
- 趋势与动量：MACD 柱动能与加速度、ADX 向量，区分趋势延续与衰竭震荡
边界 2：多模型投委会——分工质询，而不是一个模型说了算
AstraQuant 不给单个大模型"全权"。它配置了多个专业分析席（Seat），各自盯一个维度，再交 CIO 席做最终仲裁：
- 宏观座 / 趋势座 / 微观结构座 / 逆向风险座：独立给出判断，互相交叉质询，缓解单一模型偏见
- 可配置模型路由：DeepSeek-V3/R1、Claude 3.5 Sonnet、GPT-4o、Qwen 等可按域分配
- 共识仲裁模式：偏执否决（Paranoid Veto，严重异常无条件降级为 WAIT）、加权多数、Alpha 动量三种可选
设计要点：多个模型"吵完架"再下单，比一个模型"拍脑袋"更稳。 这正是它对抗单一 LLM 幻觉的核心手段。
边界 3：Python 物理风控门——17 项 Fail-Closed 硬拦截
这是整套系统最硬的一块。规则写在 scripts/risk_constants.py 里，是确定性代码，大模型改不了、也绕不过。任何一项校验失败或超时，一律拒单（Fail-Closed）。
基线参数（硬编码下限，可被配置收紧但不能被模型放松）：
几个值得记住的硬约束：
- 最大并发 6 仓 / 同向最多 4 仓：防相关性行情里的方向暴露失控
- 单标的保证金 ≤ 权益×30%：防单一标的风险集中
- 日内回撤熔断：触及
min(150 USDT, 权益×5%)后，24 小时内禁止开新仓 - 动态杠杆钳制 2.0x–5.0x：按品种 ATR 与流动性限定的硬上限
- 最小盈亏比 R:R ≥ 2.0：直接禁掉低期望交易
- 时间失效止损 4 小时：区间内没按预期展开就平仓释放资金
- 云端止损覆盖 100%：每个仓位都挂交易所侧条件单
假设 vs 执行（Hypothesis vs Enforcement）是整套系统的第一性原理：LLM 提意图，Python 代码拥有绝对否决权（杠杆、仓位、止损）。
边界 4：交易所原生执行——订单出门即被对冲
通过风控的订单提交到 OKX 后，系统立刻在交易所侧挂原生 OCO 条件单：TP1 部分减仓 + TP2 让利润奔跑 + 止损，做到100% 云端止损覆盖，即使本地进程挂了，止损依然在交易所生效。
兼容说明：自主执行引擎仅原生支持 OKX API；Binance、Gate.io 在项目中只是注册返佣合作入口，不参与自动下单。
🔌 多模型接入与 Prompt 缓存
AstraQuant 把"提示词、委员会席、风险阈值、模型路由"全部当成可配置数据，而不是写死在业务逻辑里。
一个工程巧思是 Prompt Caching：超过 90% 的提示上下文是静态的（投资纪律、风控规则、多标的因子矩阵），委员会席在这段共享前缀上广播，做到亚秒级首字延迟（TTFT），同时大幅压低 LLM API token 成本。
🔍 决策可观测：CoT 轨迹 + 周期审计
让 AI 参与下单最大的顾虑是"说不清为什么买"。AstraQuant 用三层可观测性兜底：
- CoT 决策抽屉：把每个周期的思维链展开，看到模型怎么推理
- 周期审计记录：每个持仓都能追溯到"哪次委员会决策变成最终调用"
- 结构化日志：决策到执行的完整链路可回放
🔄 闭环自进化：提示词也能自己长
系统带一个"闭环自进化 Hub"——把策略、提示词、风险政策当作数据管理，在受控环境下做版本化演进，而不是把所有逻辑焊死。
注意边界：进化只改"建议"怎么提，改不了"执行"怎么拦。 风控代码的否决权始终在进化链路之外，这是它敢做自进化的前提。
🔐 安全与凭证：最小权限是红线
实盘的前提是API 密钥，AstraQuant 的红线写得很清楚：
- OKX API Key 只给"读取 + 交易"权限，绝不开"提现"
- 强烈建议把密钥 IP 绑定到你的静态服务器 IP
- 凭证广场统一管理，密钥轮换由用户自己建流程
🚀 快速上手：默认纸面模式
git clone https://github.com/0xethanq/astra-quant-agent.git && cd astra-quant-agent
./setup.sh # 交互式初始化向导（推荐）
# 容器启动：./deploy/docker-start.sh ｜ 裸机：./deploy/install.sh && ./start.sh
- Docker Compose（推荐）：零主机依赖，自动多阶段构建 + 看门狗守护
- 裸机 Linux / macOS：需 Python 3.11+、Node.js 18+、Git
- 启动后默认
demo（纸面）模式，未配置并校验交易所凭证前，实盘被物理阻断 - 本地访问：
http://localhost:8080/trading（交易工作站）、/admin/login（管理控制面）、/docs（API 文档）
技术栈：Python 后端（FastAPI）+ Vue 3 前端 + KLineChart v10；测试分 Tier 0/1/2 三层门禁（量化执行门、多模型集成门、架构审计不变式门）。
📌 总结
AstraQuant 给"LLM + 量化"这条路线补上了最常被忽略的一块——把风控从"模型的自觉"变成"代码的强制"。它的工程价值不在于"AI 多聪明"，而在于：
- 假设与执行分离：模型只建议，Python 代码最终裁决
- 多模型互相质询：缓解单一模型偏见
- 17 项 Fail-Closed 硬拦截：失败/超时一律拒单
- 全链路可观测：CoT 轨迹 + 周期审计 + 结构化日志
- 受控自进化：提示词可长，风控底线不动
如果你在评估"要不要让 AI 碰交易"，与其问模型准不准，不如先问一句：它的订单，有没有一道代码拦在模型和交易所之间？
本文仅作技术架构交流，不构成投资建议。加密资产衍生品波动剧烈、风险极高，系统默认纸面模式启动，实盘需独立验证与严格权限隔离。市场有风险，决策需谨慎。