quant
多因子
$$ \max_{w^a}\; (w^a)^\top f \;-\; c^\top \lvert w - w_0\rvert \;-\; \lambda (w^a)^\top \Sigma w^a $$$$ \begin{aligned} & w = w^b + w^a \\ & (w^a)^\top \Sigma w^a \le \sigma^2 \\ & \lVert w - w_0\rVert \le \delta \\ & w_{\min} \le w \le w_{\max} \\ & f_{\min} \le X_f^\top w^a \le f_{\max} \\ & \mathbf{1}^\top (w>0) \le n_{\max} \end{aligned} $$先算信号：用你的多因子/机器学习模型得到 f。
估风险：用风险模型出 \Sigma 和因子暴露 X_f。
设边界：业务/合规给出 \sigma,\delta,w_{\min},w_{\max},n_{\max} 等。
调胆量：选 \lambda（或把风险当硬约束、\lambda 当微调）。
做优化：把目标和约束丢给求解器（QP/MISOCP/启发式）。
落地与回测：生成交易指令、回测换手/成交、校验约束。
巡航与再训练：滚动更新 f,\Sigma，持续校正参数。
思路
形态学/模式匹配
关于量化交易的一个思路：以小窗口（如3天、1天甚至分钟级别的K线形态）作为训练输入数据，以后续的涨跌情况作为预测目标和训练标签，通过AI学习不同形态下涨跌的概率，进而做出高中低频的买卖决策，探讨其可行性。
过拟合：尤其深度模型在分钟级别非常容易；宁可简单稳健，也别复杂脆弱。
加入价量/结构性因子（动量/反转、波动簇集、资金流、因子横截面）。
巡检：按月做稳定性/漂移监控（特征分布、校准曲线、绩效归因）。
Meta-labeling：先用宽松信号选“可能机会”的子集，再训练“是否值得交易”的二模型提升精度。 组合化：与动量/反转/季节性/资金面因子做集成，降低单一形态失效风险。
❓ 模式窗口接近无限，无从分析。要提供一套固定的模式去做匹配筛选清洗，作为大模型的训练数据。
从2023-2025 的论文中挖掘方案和算法。