获课：xingkeit.top/15770/

硬核技术分享：大模型 Agent 结合量化指标判断个股异动信号

去年四季度，A股市场经历了一轮剧烈的题材轮动。我所在的小型私募团队当时面临一个典型困境：量化模型能捕捉到价格和成交量层面的异常，但无法判断“为什么异动”；研究员能写出深度的基本面分析，但覆盖范围有限、速度跟不上市场节奏。两者之间存在的断层，正是传统投研体系的痛点。我们尝试用大模型Agent来弥合这个断层——让量化指标负责“发现异常”，让Agent负责“解读异常”，两者协同输出可执行的交易信号。经过三个多月的实盘验证，这套方案在题材股和事件驱动型机会的捕捉上表现出了明显的实用价值。以下是这套系统的核心思路与落地经验，不涉及代码，只讲逻辑与坑。

为什么传统异动识别不够用？

传统量化系统识别异动的逻辑大致是：监测价格涨幅、成交量放大、换手率飙升、资金流向突变，一旦某项指标突破阈值就触发警报。这套逻辑的问题在于“假阳性率太高”——一个游资拉抬的脉冲涨停和一个基本面反转驱动的趋势启动，在量化指标上可能呈现完全相同的特征，但后续走势天差地别。过去我们每天收到几十条异动警报，真正有价值的不到五条，研究团队大量时间被消耗在“排除噪声”上。

这正是大模型可以介入的位置。大模型不擅长预测价格，但擅长解读文本和建立逻辑关联。 如果我们把量化指标触发的异动作为一个“索引”，让Agent去检索并分析该标的相关的新闻、公告、研报、舆情，再结合市场环境给出一个综合研判，那么原本的“警报噪声”就有了被快速分类和筛选的可能。

系统架构：量化触发 + Agent研判的双层过滤

我们设计了一套两阶段系统。第一阶段由量化模块负责，监测全市场5000余只股票的价量指标。这一层保持“宽进严出”的原则——阈值设置相对宽松，宁可多触发也不遗漏，目标是把候选池从5000只压缩到每天50只左右。

第二阶段是Agent研判层。对于每个触发的标的，Agent自动执行以下工作流：① 调用新闻检索工具，获取该标的近三天内所有相关公告和新闻报道；② 调用财务数据接口，提取最新一期财报的关键指标（营收增速、净利润、ROE变化）；③ 调用行业指数数据，判断该标的的异动是“行业共振”还是“个股独立行情”；④ 综合以上信息，结合大模型对文本语义的理解，生成一份结构化的异动研判报告，内容包括异动可能的原因分类（事件驱动/业绩驱动/资金博弈/无明确理由）、风险等级评估、以及是否建议人工重点关注。

这套工作流的关键在于Agent的工具有限、但推理不限——它不需要直接给出“买入”或“卖出”信号，而是把异动拆解成几个可验证的维度，让研究员在此基础上做最终决策。

落地中的核心挑战与应对

挑战一：幻觉与事实性错误的控制。 大模型在解读财报数据或公告内容时，偶尔会出现数字提取错误或因果倒置的情况。我们的应对策略是在Agent的System Prompt中强制要求“数据引用必须附带原文出处”，同时在生成报告中明确区分“客观数据引用”和“主观推理判断”两个区块。研究员拿到报告时，能一眼看出哪些内容是直接从公告摘录的、哪些是模型的分析推论，便于快速交叉验证。

挑战二：时效性要求与工具链延迟的矛盾。 异动信号通常要求响应时间在分钟级别，但Agent调用外部工具（尤其是联网搜索）存在几秒到几十秒的延迟，累积下来一条异动的完整研判可能需要3到5分钟。我们的折中方案是设计一个分级响应机制：对于价格和成交量同时出现极端异常的标的（如涨幅超过7%且换手率放大3倍），优先使用本地缓存的财务数据和预处理的新闻摘要做快速研判，跳过实时检索步骤，把响应时间压缩到30秒以内，提供一份“初步版本”；随后在后台异步完成深度检索，更新报告供下一轮决策参考。

挑战三：如何判断Agent的“解读”是否靠谱。 这是最核心也最难量化的问题。我们建立了一套人工抽检机制：每天随机抽取10条Agent研判记录，由资深研究员独立评估解读的合理性，并与后续实际走势做对比。经过持续迭代，Agent在“事件驱动”和“业绩驱动”两类异动的判断准确率稳定在75%以上，而“资金博弈”类因随机性强，准确率不足50%。这本身就是一个有价值的结论——它告诉我们哪些场景可以信任Agent的判断，哪些场景必须依赖人工。 我们据此调整了系统设计：对资金博弈类异动仅做信息汇总，不给出倾向性判断，直接标记为“建议人工介入”。

这套方案的上限与局限

这套系统最终输出的不是交易指令，而是经过初步过滤和解读的异动候选清单。从使用效果看，它让研究员每日需要人工审阅的异动数量从50条压缩到了15条左右，且这15条中最终被确认有价值的比例明显高于之前。在一个讲究“先手优势”的市场里，这多出来的半天响应窗口往往就是盈利和亏损的分界线。

但必须承认这套方案的局限性。它对数据源质量高度敏感——新闻摘要服务的API一旦出现延迟或遗漏，Agent的判断质量会迅速下滑。此外，在处理ST股、次新股、北交所标的等流动性较差的品种时，量价指标的可靠性存疑，Agent的研判也随之弱化。

写在最后

大模型Agent在投资领域的价值，不在于取代人类的判断，而在于扩展人类判断的覆盖半径。用量化指标发现异常，用Agent理解异常，用人脑决策异常——三层分工让整个投研链条从“粗筛”走向“精筛”。这套方案没有用到任何复杂的技术创新，只是把已有的工具用一种更合理的流程组织了起来。在AI能力飞速迭代的当下，也许最务实的态度不是追求颠覆，而是找到那些“机器擅长但人费力”“人擅长但机器不会”的断层，然后把它们缝合好。异动识别只是其中一个切口，但这个切口足够深，值得每一位关注AI+投资的人认真打磨。