GPT Alpha 总调度器

四层架构

1. 抽取： 叙事标签、指引变化量、实体关联、事件对象
2. 排序： 把原始抽取结果转换成可相互比较的分数
3. 门控： 要求价格、流动性、波动率和拥挤度都给出确认
4. 组合： 在总敞口、净敞口、行业和个股这几重上限之内确定仓位规模

大多数业余的"AI 交易"流程止步于抽取。那是最容易的一层，也是经济价值最低的一层。真正难的地方在于判断：信号什么时候可以相互比较、什么时候彼此冲突，以及什么时候应该被完全忽略。

信号融合

综合 Alpha 分数 =
    0.30 * 叙事体制分
  + 0.30 * 指引变化量分
  + 0.20 * 知识图谱影响分
  + 0.20 * 事件关联分

这些权重只是占位值。实际操作中，你会对它们做收缩处理、用滚动向前的方式重新估计，并且给任何单一模块的贡献设上限。机构系统在设计上就是怀疑主义的。如果一个新模块在样本外表现得好得惊人，他们通常会先调低它的权重，而不是调高。

为什么融合有用

• 叙事模型覆盖面广，但反应慢
• 指引模型时效性强，但有季节性
• 知识图谱模型能发现二阶效应，但可能已经过时
• 事件模型反应快，但衰减也快

融合之所以有效，是因为它们的弱点各不相同。这正是多信号组合中你想要的效果。

门控规则

• 不交易 如果流动性差到撑不起你的仓位规模
• 不交易 如果文本信号与价格和市场宽度的确认相互矛盾
• 减半仓位 当已实现波动率处于最高的十分之一区间时
• 减半仓位 如果多个模块对同一个已经拥挤的主题给出了相同方向的判断
• 关停信号 在反复出现结构解析失败，或抽取输出不稳定之后

门控是防止一台研究引擎变成换手机器的关键。一个优秀的 alpha 信号配上糟糕的门控，最后只会得到一个平庸的组合。

组合构建

对散户和小型专业账户来说，干净的实现方式通常是一个小规模的多空篮子，再叠加流动性好的指数或行业敞口。

股票池：
    流动性好的美股 + 行业 ETF + 指数 ETF

组合：
    5-10 个多头
    5-10 个空头
    行业敞口上限
    个股敞口上限
    必要时用指数对冲，做到 beta 中性

再平衡：
    事件类和财报类信号：每日
    叙事类和图谱类信号：每周

冲突消解

如果一个模块看多某只股票、另一个看空，不要硬要做一笔交易。降低确信度，或者改用相对价值的表达方式。总调度器存在的意义，就是在必要时把分歧转化为有纪律的按兵不动。

人在回路中的治理

这一点没有商量余地：

• 对提示词和模型做版本管理
• 为每一条输出保存对应的证据片段
• 提示词变更时，重放历史事件
• 对低置信度或高影响的交易做人工复核
• 跟踪实盘的换手率与滑点，并与预期作对比
• 逐模块跟踪盈亏、命中率和衰减情况

如果你回答不出一个信号为什么会触发、它出自哪个版本的提示词、以及在同样规则下它历史上表现如何，那这套系统就不具备可投资性。

紧急停止开关

出现以下情况即停用该模块：
    连续 20 笔交易的实盘命中率跌破下限
    抽取结构的报错率骤增
    平均置信度崩塌
    换手率翻倍，但 alpha 没有增加
    提示词的细微改动就会让输出大幅变化

机构系统在撤资这件事上毫不留情。一个模块不会因为曾经回测得好就配得上资金。只有当它依然稳定、可解释，并且在经济意义上仍然有效时，它才配得上资金。

组合的现实情况

不要围绕 GPT 去构建高频交易的幻想。要构建足够稳健的东西，能挺过糟糕的提示词、拥挤的新闻标题和沉闷的市场体制。现实可行的实现方式是日频或周频、流动性极好，并且受到严格的风险约束。