开源AI量化框架为何给AI套上枷锁

本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。

2026 年市面上的“AI 选股”工具，几乎都在做同一件事：让大模型直接吐买卖点。但我在 GitHub 上翻到一个反着来的开源框架——DeepSeek HARNESS Quant，它把一条规矩写死在架构里：AI 不直接下个股买卖结论。这不是选项，是硬约束。

我拉取了它的源码核实：驱动层是语言模型，执行层是写死的确定性 Python 引擎，事实层是本地数据系统。AI 可以挖因子、做审计、蒸馏牛散经验，但永远不能替你下“买哪只、什么时候买”的结论。下面说清楚它为什么这么设计，以及它到底适合谁。

一、反共识的核心：把“不确定”关进驱动层

大多数 AI 量化工具把大模型放到决策的最终一环，等于把最不可控的部分交给概率。这个框架反过来：

• 驱动层（语言模型）：只负责控制、挖因子、审计、牛散蒸馏。可以犯错，可以试探，但结论不进交易。
• 执行层（写死引擎）：评分、回测、风控、扫描全部是确定性 Python，可复现。同样的输入永远得到同样的输出。
• 事实层（数据系统）：Point-in-Time 数据接口，T+1 校验，覆盖率分年核查，可证伪。

它自己的话说得很直白：“主观决策 + 写死引擎 + 数据裁决”。AI 是“研究员”，不是“交易员”。

二、决策链：AI 挖因子，数据来裁决

框架的决策链是分层的，每一步都有明确边界：

环节	职责	谁说了算
L0 择时	市场档位判断	写死引擎（数据驱动）
L2 Pitch 审批	机会池候选审批	引擎评分 + 规则
T+1 执行	实际下单执行	引擎（确定性）
五池验证	T+1 / 5 / 20 / 60 远期池	数据裁决，跨周期证伪

关键在“五池远期验证”：一个因子或候选，不是今天看起来好就算数，要放到 T+1、T+5、T+20、T+60 四个远期池里分别验证。能跨周期站稳的才留，站不住的直接证伪。这把“过拟合”挡在了数据层面，而不是靠 AI 一句话。

三、123+ 因子，宁可证伪也不凑数

框架内置 123+ 个因子，全部在 A 股本地实证，覆盖换手率、低波动、反转、流动性、彩票偏度、振幅动量、基本面低频、涨跌边界（一字板过滤）、机构行为、行业层、Alpha101 等维度。

它的入池流程是“九步入池 + 17+ 项证伪留档”。注意重点是“证伪”：一个因子要先被尝试推翻，推不翻才进池。我看到的实证数据里，换手率因子 turn_mid_prox 的 ICIR 到 0.87，反转族 limup_ex_5 到 1.24，流动性 amihud 多空夏普 1.12——这些都是可复现的本地回测结果，不是模型喊出来的“会涨”。

下面三张是仓库里真实的回测验证图（技术回测，仅供方法验证）：

四、风控七道 + 牛散蒸馏

风控不是一句“注意风险”，而是七道硬闸门：数据审计、因子健康、FRC 排雷、Beneish 造假检测、竞价检查、单因子检查、L0 门控。任何一道不过，候选直接出局。

更有意思的是“牛散蒸馏”：框架把 7 位知名牛散人格（林园、陈小群、章盟主、赵老哥、冯柳等）做成可对话的人格模块，让 AI 用他们的视角去选股，决策再进远期池验证。还有动态 Cordis 插件热更新——系统行为能在运行时改，不用重编译。

五、怎么用：接上 DeepSeek API 就能自然语言驱动

接入很简单：

# 1. 准备 DeepSeek Key（https://platform.deepseek.com/api_keys）
copy harness\home\.credentials.yaml.example harness\home\.credentials.yaml
# 2. 填入 DEEPSEEK_API_KEY: sk-xxx
# 3. 启动（打印“启动 DeepSeek HARNESS”即集成成功）
python launcher.py
#    Web 决策台: http://127.0.0.1:8787/control

接入后直接用自然语言对话：“研究散户情绪量化”“让 AI 自查前视偏差”“7 位牛散人格对话选股”。不接 API，就只剩写死引擎，没有 AI 这一层。

六、我的实测结论：它强在哪，又不适合谁

强的地方很明确：架构上把“不确定性”和“可复现性”彻底分开，AI 再能聊也越不过数据裁决这道墙；五池远期验证 + 17 项证伪，是对抗过拟合实打实的工程手段；MIT 协议、本地运行、数据自备，隐私和可控性都好。

但我不建议这几类人碰：

1. 只想点开即用的小白：它需要 Python 3.10+、可选 Node.js 18+，数据要自己接 Tushare 等源，不是开箱即用的 App。
2. 指望 AI 直接给买卖点的：它的设计哲学就是“AI 不直接下个股买卖结论”，你要的是结论，它给的是研究过程，预期错配会非常失望。
3. 没有数据源权限的：仓库不分发数据，行情要自己获取，2019 年前的换手率数据本来就缺失，相关结论本就作废。

一句话总结：它是给“想用 AI 做研究、但不想被 AI 忽悠”的人准备的框架，不是给“想让 AI 替我赚钱”的人准备的遥控器。

数据截至 2026-09-15，最新信息请以项目官网与仓库为准。