先给自己用：我在搭一套什么样的量化系统

[融合那篇](/zh/blog/two-domains-one-map)末尾留了一个尾巴：「当时的 admin 端量化项目正考虑独立自用」。现在答案揭晓：独立出来，研究方向，自用优先。这篇是一个三篇系列的开始，讲清楚我在搭什么、为什么搭、以及为什么不急着做成产品。

先说缘起

转折点是 JEV 决策大模型进入我的技术栈。它把「模型能不能做决策」这个问题变成了肯定句，但也留下一个更贵的问题：决策的模型，能不能是我自己的？ 托管的决策模型意味着按调用付费、意味着额度和 rate limit、意味着我的策略逻辑和持仓数据要过别人的服务器。所以我当前的研究方向很明确：自部署的决策类大模型平替 —— 用开源权重、免费算力额度，把决策这一层拿回自己手里，然后在上面搭一套主要给自己用的量化系统。

不做赌博机器

市面上大部分「AI 量化」的叙事是黑盒预测：把 K 线丢进模型，等待财富密码。我要做的东西正好相反，一句话概括：一个可审计、可进化、有限自适应的量化操作系统，而不是一个靠预测碰运气的赌博机器。 拆开是三层分工：

确定性量化引擎负责所有计算与风控 —— 回测、止损、仓位管理、最大回撤约束。这一层不用模型，用确定性的代码，因为它必须可复现、可审计。双模型层负责上下文理解 —— 云端通用大模型读宏观研报、新闻舆情，把非结构化信息蒸馏成几行 Market Context；自部署的决策模型做结构化决策，输出信号和置信度。决策记忆（Decision Memory） 是第三层，也是我认为真正的资产：无论当天是否交易，都记录一条 [时间 | 市场环境 | 宏观事件 | 策略版本 | AI 判断 | 实际走势 | 盈亏 | 对错]。系统跑得越久，这份经验库越厚，策略健康度（Strategy Health）和模型置信度（AI Confidence）都是从这里算出来的。

策略会失效，单一因子会衰减 —— 这不是风险，是常识。带不走的是代码，带得走的是「如何评估策略失效、如何让系统提出新版本、如何做样本外验证」这套元逻辑。决策记忆就是这套元逻辑的数据地基。

为什么自用优先

三个原因。一，验证需要真钱但不需要大钱：先用几百美金的微量资金把「数据 → 策略 → 模型路由 → 下单 → 记入经验库」全链路跑通，校验的是滑点、API 延迟、风控止损这些只有在真实订单里才暴露的东西。二，核心数据留给自己：实盘的每一笔盈亏、每一次 AI 决策日志，都是最硬的 track record，在系统成熟之前没有理由公开。三，商业模式以后再说 —— 也许最终会在 Ko-fi 上出个脚手架或研报把服务器成本覆盖掉，但那是结果，不是目标。

双引擎怎么分工

云端通用大模型（OpenAI / DeepSeek / Claude 这类商业 API）：泛化推理、研报总结、自然语言交互、舆情打分 —— 不占本地 GPU，文本能力强，按量付费。自部署决策模型（开源权重的金融微调模型，本地或免费 GPU 实例部署）：计算密集的批量因子清洗、策略逻辑生成、标的筛查、敏感交易逻辑 —— 零 token 成本，无隐私泄露。两者之间是一个 Router：三种运行模式（纯云端 / 纯本地 / 混合），混合模式下本地先完成约八成的粗筛和特征构建，云端只做最终的决策提炼，API 成本能砍掉七成以上。

市场先聚焦欧美：Crypto 加美股 —— 免费数据源的质量和 API 稳定性都远好于其他市场。

下一篇讲最实际的：零预算怎么把数据源和模型算力两边都跑起来 —— CCXT、yfinance、多厂商免费 API 额度的分层路由与熔断降级。